PySpark实战笔记系列第一篇
RDD概念
Apache Spark的核心组件的基础是RDD。所谓的RDD,即弹性分布式数据集(Resiliennt Distributed Datasets),基于RDD可以实现Apache Spark各个组件在多个计算机组成的集群中进行无缝集成,从而能够在一个应用程序中完成海量数据处理。
RDD特点
- 只读不能修改:只能通过转换操作生成一个新的RDD。
- 分布式存储:一个RDD通过分区可以分布在多台机器上进行并行数据处理。
- 内存计算:可以将全部或部分数据缓存在内存中,且可在多次计算过程中重用。
- 具有弹性:在计算过程中,当内存不足时,可以将一部分数据落到磁盘上处理
建立RDD的方式
- 用parallelize方法建立RDD:这种方式非常简单,主要用于进行练习或者测试。
- 用range方法建立RDD:这种方式和parallelize方法类似,一般来说主要用于进行测试。
- 使用textFile方法建立RDD:这种方式一般用于在本地临时性地处理一些存储了大量数据的文件。它依赖本地文件系统,因此可以不需要Hadoop环境。
- 使用HDFS建立RDD:这种方式使用HDFS文件建立RDD,需要依赖Hadoop集群环境,它应该是最常用的一种生产环境下的数据处理方式。它可以针对HDFS上存储的海量数据,进行离线批处理操作。
不同工具建立RDD的方式
使用PySpark Shell(交互环境)建立RDD
在安装完成Spark环境后,就具备了Shell这款工具。其中,Spark Shell是针对Scala语言的,而PySpark Shell则是针对Python语言的。
使用PySpark Shell工具的方式,在命令行输入如下命令:pyspark
PySpark Shell默认会自动创建sc对象和spark对象,因此可以在交互环境中直接进行调用,而无须手动创建。这里,sc对象是SparkContext的实例,而spark对象是SparkSession的实例。
使用VSCode编程建立RDD
在VSCode中以编程方式需要手动创建SparkContext实例。
- 首先需要用from pyspark import SparkConf, SparkContext导入SparkConf和SparkContext。
- conf=SparkConf().setAppName(“WordCount”).setMaster("local[**]")**创建了一个SparkConf实例,其中用setAppName设置了本次程序的名称,用setMaster设置了Spark Master的方式为local[]。
- **sc=SparkContext(conf=conf)**创建SparkContext实例sc,这与PySparkShell默认创建的sc对象类似。
- SparkContext不能一次运行多个,否则会报ValueError: Cannot run multipleSparkContexts at once; existing SparkContext的错误。因此需要用sc.stop()命令关闭SparkContext实例对象。
需要用pip3 install findspark命令安装findspark,否则可能会提示无法找到pyspark模块的错误:ModuleNotFoundError: No module named ‘pyspark’。
示例界面:
使用Jupyter Notebook建立RDD
编码方式类似VS Code,不过它的好处是:
- 可以对多个代码以文件的形式进行组织,
- 可以用于编写文档。
- 更高级的是可以显示图形和运算结果。
- 因此使用这种基于Web的部署方式,可以让多个客户端同时使用,且可共享代码示例,真正做到图文并茂地进行编程。
总结
** 1.sc对象的两种创建方式:**
"""
方式一:通过SparkConf创建
"""
from pyspark import SparkConf,SparkContext
# 创建SparkContext,即sc对象
conf = SparkConf().setAppName("Demo")\
.setMaster("local[*]")
sc = SparkContext(conf=conf)
"""
方式二:通过SparkSession创建
"""
from pyspark.sql import SparkSession
spark = SparkSession.builder \
.master("local[*]") \
.appName("Demo") \
.getOrCreate();
# 创建SparkContext,即sc对象
sc = spark.sparkContext
2.完整的常用pyspark编程开头示例
根据上述两种sc的创建方式,对应的常用的编程开头方式即在上述样例的开头,加上如下代码:文章来源:https://www.toymoban.com/news/detail-844719.html
import findspark
findspark.init()
参考资料:《Python大数据处理库PySpark实战》文章来源地址https://www.toymoban.com/news/detail-844719.html
到了这里,关于10-用PySpark建立第一个Spark RDD的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!