下載依賴
首先需要下載hadoop和spark，解壓，然后設置環境變量。
hadoop清華源下載
spark清華源下載
HADOOP_HOME => /path/hadoop
SPARK_HOME => /path/spark
安裝pyspark。
基本使用
可以在shell終端，輸入pyspark，有如下回顯：
輸入以下指令進行測試，并創建SparkContext，SparkContext是任何spark功能的入口點。
>>> from pyspark import SparkContext
>>> sc = SparkContext("local", "First App")
如果以上不會報錯，恭喜可以開始使用pyspark編寫代碼了。
不過，我這里使用IDE來編寫代碼，首先我們先在終端執行以下代碼關閉SparkContext。
下面使用pycharm編寫代碼，如果修改了環境變量需要先重啟pycharm。
在pycharm運行如下程序，程序會起本地模式的spark計算引擎，通過spark統計abc.txt文件中a和b出現行的數量，文件路徑需要自己指定。
from pyspark import SparkContext
sc = SparkContext("local", "First App")
logFile = "abc.txt"
logData = sc.textFile(logFile).cache()
numAs = logData.filter(lambda s: 'a' in s).count()
numBs = logData.filter(lambda s: 'b' in s).count()
print("Line with a:%i,line with b:%i" % (numAs, numBs))
運行結果如下：
20/03/11 16:15:57 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
20/03/11 16:15:58 WARN Utils: Service 'SparkUI' could not bind on port 4040. Attempting port 4041.
Line with a:3,line with b:1
這里說一下，同樣的工作使用python可以做，spark也可以做，使用spark主要是為了高效的進行分布式計算。
戳pyspark教程
戳spark教程
RDD
RDD代表Resilient Distributed Dataset，它們是在多個節點上運行和操作以在集群上進行并行處理的元素，RDD是spark計算的操作對象。
一般，我們先使用數據創建RDD，然后對RDD進行操作。
對RDD操作有兩種方法：
Transformation（轉換） - 這些操作應用于RDD以創建新的RDD。例如filter，groupBy和map。
Action（操作） - 這些是應用于RDD的操作，它指示Spark執行計算并將結果發送回驅動程序，例如count，collect等。
創建RDD
parallelize是從列表創建RDD，先看一個例子：
from pyspark import SparkContext
sc = SparkContext("local", "count app")
words = sc.parallelize(
["scala",
"java",
"hadoop",
"spark",
"akka",
"spark vs hadoop",
"pyspark",
"pyspark and spark"
])
print(words)
結果中我們得到一個對象，就是我們列表數據的RDD對象，spark之后可以對他進行操作。
ParallelCollectionRDD[0] at parallelize at PythonRDD.scala:195
Count
count方法返回RDD中的元素個數。
from pyspark import SparkContext
sc = SparkContext("local", "count app")
words = sc.parallelize(
["scala",
"java",
"hadoop",
"spark",
"akka",
"spark vs hadoop",
"pyspark",
"pyspark and spark"
])
print(words)
counts = words.count()
print("Number of elements in RDD -> %i" % counts)
返回結果：
Number of elements in RDD -> 8
Collect
collect返回RDD中的所有元素。
from pyspark import SparkContext
sc = SparkContext("local", "collect app")
words = sc.parallelize(
["scala",
"java",
"hadoop",
"spark",
"akka",
"spark vs hadoop",
"pyspark",
"pyspark and spark"
])
coll = words.collect()
print("Elements in RDD -> %s" % coll)
返回結果：
Elements in RDD -> ['scala', 'java', 'hadoop', 'spark', 'akka', 'spark vs hadoop', 'pyspark', 'pyspark and spark']
foreach
每個元素會使用foreach內的函數進行處理，但是不會返回任何對象。
下面的程序中，我們定義的一個累加器accumulator，用于儲存在foreach執行過程中的值。
from pyspark import SparkContext
sc = SparkContext("local", "ForEach app")
accum = sc.accumulator(0)
data = [1, 2, 3, 4, 5]
rdd = sc.parallelize(data)
def increment_counter(x):
print(x)
accum.add(x)
return 0
s = rdd.foreach(increment_counter)
print(s) # None
print("Counter value: ", accum)
返回結果：
None
Counter value: 15
filter
返回一個包含元素的新RDD，滿足過濾器的條件。
from pyspark import SparkContext
sc = SparkContext("local", "Filter app")
words = sc.parallelize(
["scala",
"java",
"hadoop",
"spark",
"akka",
"spark vs hadoop",
"pyspark",
"pyspark and spark"]
)
words_filter = words.filter(lambda x: 'spark' in x)
filtered = words_filter.collect()
print("Fitered RDD -> %s" % (filtered))
Fitered RDD -> ['spark', 'spark vs hadoop', 'pyspark', 'pyspark and spark']
也可以改寫成這樣：
from pyspark import SparkContext
sc = SparkContext("local", "Filter app")
words = sc.parallelize(
["scala",
"java",
"hadoop",
"spark",
"akka",
"spark vs hadoop",
"pyspark",
"pyspark and spark"]
)
def g(x):
for i in x:
if "spark" in x:
return i
words_filter = words.filter(g)
filtered = words_filter.collect()
print("Fitered RDD -> %s" % (filtered))
map
將函數應用于RDD中的每個元素并返回新的RDD。
from pyspark import SparkContext
sc = SparkContext("local", "Map app")
words = sc.parallelize(
["scala",
"java",
"hadoop",
"spark",
"akka",
"spark vs hadoop",
"pyspark",
"pyspark and spark"]
)
words_map = words.map(lambda x: (x, 1, "_{}".format(x)))
mapping = words_map.collect()
print("Key value pair -> %s" % (mapping))
返回結果：
Key value pair -> [('scala', 1, '_scala'), ('java', 1, '_java'), ('hadoop', 1, '_hadoop'), ('spark', 1, '_spark'), ('akka', 1, '_akka'), ('spark vs hadoop', 1, '_spark vs hadoop'), ('pyspark', 1, '_pyspark'), ('pyspark and spark', 1, '_pyspark and spark')]
Reduce
執行指定的可交換和關聯二元操作后，然后返回RDD中的元素。
from pyspark import SparkContext
from operator import add
sc = SparkContext("local", "Reduce app")
nums = sc.parallelize([1, 2, 3, 4, 5])
adding = nums.reduce(add)
print("Adding all the elements -> %i" % (adding))
這里的add是python內置的函數，可以使用ide查看：
def add(a, b):
"Same as a + b."
return a + b
reduce會依次對元素相加，相加后的結果加上其他元素，最后返回結果（RDD中的元素）。
Adding all the elements -> 15
Join
返回RDD，包含兩者同時匹配的鍵，鍵包含對應的所有元素。
from pyspark import SparkContext
sc = SparkContext("local", "Join app")
x = sc.parallelize([("spark", 1), ("hadoop", 4), ("python", 4)])
y = sc.parallelize([("spark", 2), ("hadoop", 5)])
print("x =>", x.collect())
print("y =>", y.collect())
joined = x.join(y)
final = joined.collect()
print( "Join RDD -> %s" % (final))
返回結果：
x => [('spark', 1), ('hadoop', 4), ('python', 4)]
y => [('spark', 2), ('hadoop', 5)]
Join RDD -> [('hadoop', (4, 5)), ('spark', (1, 2))]
到此這篇關于windowns使用PySpark環境配置和基本操作的文章就介紹到這了,更多相關PySpark環境配置 內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- PyCharm搭建Spark開發環境實現第一個pyspark程序
- PyCharm+PySpark遠程調試的環境配置的方法
