Python大数据之PySpark(三)使用Python语言开发Spark程序代码

2024-06-04 服务器 0

文章目录

- 使用Python语言开发Spark程序代码
- 总结
- 后记

使用Python语言开发Spark程序代码

Spark Standalone的PySpark的搭建----bin/pyspark --master spark://node1:7077
Spark StandaloneHA的搭建—Master的单点故障(node1，node2)，zk的leader选举机制，1-2min还原
【scala版本的交互式界面】bin/spark-shell --master xxx
【python版本交互式界面】bin/pyspark --master xxx
【提交任务】bin/spark-submit --master xxxx

【学会配置】Windows的PySpark环境配置

1-安装Andaconda
2-在Anaconda Prompt中安装PySpark
3-执行安装
4-使用Pycharm构建Project(准备工作)
需要配置anaconda的环境变量–参考课件
需要配置hadoop3.3.0的安装包，里面有winutils，防止pycharm写代码的过程中报错

补充：
在这里插入图片描述

在这里插入图片描述

PyCharm构建Python project

项目规划
项目名称：Bigdata25-pyspark_3.1.2

模块名称：PySpark-SparkBase_3.1.2,PySpark-SparkCore_3.1.2,PySpark-SparkSQL_3.1.2

文件夹：
main pyspark的代码
data 数据文件
config 配置文件
test 常见python测试代码放在test中

应用入口：SparkContext

http://spark.apache.org/docs/latest/rdd-programming-guide.html

WordCount代码实战

需求：给你一个文本文件，统计出单词的数量
算子：rdd的api的操作，就是算子，flatMap扁平化算子，map转换算子
Transformation算子
Action算子
步骤：
1-首先创建SparkContext上下文环境
2-从外部文件数据源读取数据
3-执行flatmap执行扁平化操作
4-执行map转化操作，得到(word,1)
5-reduceByKey将相同Key的Value数据累加操作
6-将结果输出到文件系统或打印
代码：

# -*- coding: utf-8 -*-# Program function： Spark的第一个程序# 1-思考：sparkconf和sparkcontext从哪里导保# 2-如何理解算子？Spark中算子有2种，# 一种称之为Transformation算子(flatMapRDD-mapRDD-reduceBykeyRDD)，# 一种称之为Action算子（输出到控制台，或文件系统或hdfs），比如collect或saveAsTextFile都是Action算子from pyspark import SparkConf,SparkContextif __name__ == '__main__':   # 1 - 首先创建SparkContext上下文环境   conf = SparkConf().setAppName("FirstSpark").setMaster("local[*]")   sc = SparkContext(conf=conf)   sc.setLogLevel("WARN")#日志输出级别   # 2 - 从外部文件数据源读取数据   fileRDD = sc.textFile("D:/BigData/PyWorkspace/Bigdata25-pyspark_3.1.2/PySpark-SparkBase_3.1.2/data/words.txt")   # print(type(fileRDD))#<class 'pyspark.rdd.RDD'>   # all the data is loaded into the driver's memory.   # print(fileRDD.collect())   # ['hello you Spark Flink', 'hello me hello she Spark']   # 3 - 执行flatmap执行扁平化操作   flat_mapRDD = fileRDD.flatMap(lambda words: words.split(" "))   # print(type(flat_mapRDD))   # print(flat_mapRDD.collect())   #['hello', 'you', 'Spark', 'Flink', 'hello', 'me', 'hello', 'she', 'Spark']   # # 4 - 执行map转化操作，得到(word, 1)   rdd_mapRDD = flat_mapRDD.map(lambda word: (word, 1))   # print(type(rdd_mapRDD))#<class 'pyspark.rdd.PipelinedRDD'>   # print(rdd_mapRDD.collect())   # [('hello', 1), ('you', 1), ('Spark', 1), ('Flink', 1), ('hello', 1), ('me', 1), ('hello', 1), ('she', 1), ('Spark', 1)]   # 5 - reduceByKey将相同Key的Value数据累加操作   resultRDD = rdd_mapRDD.reduceByKey(lambda x, y: x + y)   # print(type(resultRDD))   # print(resultRDD.collect())   # [('Spark', 2), ('Flink', 1), ('hello', 3), ('you', 1), ('me', 1), ('she', 1)]   # 6 - 将结果输出到文件系统或打印   resultRDD.saveAsTextFile("D:/BigData/PyWorkspace/Bigdata25-pyspark_3.1.2/PySpark-SparkBase_3.1.2/data/output/wordsAdd")   # 7-停止SparkContext   sc.stop()#Shut down the SparkContext.

总结：

TopK需求

需求：[(‘Spark’, 2), (‘Flink’, 1), (‘hello’, 3), (‘you’, 1), (‘me’, 1), (‘she’, 1)]

排序：[ (‘hello’, 3),(‘Spark’, 2),]

共识：Spark核心或灵魂是rdd，spark的所有操作都是基于rdd的操作

代码：

# -*- coding: utf-8 -*-# Program function： 针对于value单词统计计数的排序# 1-思考：sparkconf和sparkcontext从哪里导保# 2-如何理解算子？Spark中算子有2种，# 一种称之为Transformation算子(flatMapRDD-mapRDD-reduceBykeyRDD)，# 一种称之为Action算子（输出到控制台，或文件系统或hdfs），比如collect或saveAsTextFile都是Action算子from pyspark import SparkConf, SparkContextif __name__ == '__main__':# 1 - 首先创建SparkContext上下文环境conf = SparkConf().setAppName("FirstSpark").setMaster("local[*]")sc = SparkContext(conf=conf)sc.setLogLevel("WARN")  # 日志输出级别# 2 - 从外部文件数据源读取数据fileRDD = sc.textFile("D:/BigData/PyWorkspace/Bigdata25-pyspark_3.1.2/PySpark-SparkBase_3.1.2/data/words.txt")# print(type(fileRDD))#<class 'pyspark.rdd.RDD'># all the data is loaded into the driver's memory.# print(fileRDD.collect())# ['hello you Spark Flink', 'hello me hello she Spark']# 3 - 执行flatmap执行扁平化操作flat_mapRDD = fileRDD.flatMap(lambda words: words.split(" "))# print(type(flat_mapRDD))# print(flat_mapRDD.collect())# ['hello', 'you', 'Spark', 'Flink', 'hello', 'me', 'hello', 'she', 'Spark']# # 4 - 执行map转化操作，得到(word, 1)rdd_mapRDD = flat_mapRDD.map(lambda word: (word, 1))# print(type(rdd_mapRDD))#<class 'pyspark.rdd.PipelinedRDD'># print(rdd_mapRDD.collect())# [('hello', 1), ('you', 1), ('Spark', 1), ('Flink', 1), ('hello', 1), ('me', 1), ('hello', 1), ('she', 1), ('Spark', 1)]# 5 - reduceByKey将相同Key的Value数据累加操作resultRDD = rdd_mapRDD.reduceByKey(lambda x, y: x + y)# print(type(resultRDD))print(resultRDD.collect())# [('Spark', 2), ('Flink', 1), ('hello', 3), ('you', 1), ('me', 1), ('she', 1)]# 6 针对于value单词统计计数的排序print("==============================sortBY=============================")print(resultRDD.sortBy(lambda x: x[1], ascending=False).take(3))# [('hello', 3), ('Spark', 2), ('Flink', 1)]print(resultRDD.sortBy(lambda x: x[1], ascending=False).top(3, lambda x: x[1]))print("==============================sortBykey=============================")print(resultRDD.map(lambda x: (x[1], x[0])).collect())# [(2, 'Spark'), (1, 'Flink'), (3, 'hello'), (1, 'you'), (1, 'me'), (1, 'she')]print(resultRDD.map(lambda x: (x[1], x[0])).sortByKey(False).take(3))#[(3, 'hello'), (2, 'Spark'), (1, 'Flink')]# 7-停止SparkContextsc.stop()  # Shut down the SparkContext.

sortBy
sortByKey操作

从HDFS读取数据

# -*- coding: utf-8 -*-# Program function： 从HDFS读取文件from pyspark import SparkConf, SparkContextimport timeif __name__ == '__main__': # 1 - 首先创建SparkContext上下文环境 conf = SparkConf().setAppName("FromHDFS").setMaster("local[*]") sc = SparkContext(conf=conf) sc.setLogLevel("WARN")  # 日志输出级别 # 2 - 从外部文件数据源读取数据 fileRDD = sc.textFile("hdfs://node1:9820/pydata/input/hello.txt") # ['hello you Spark Flink', 'hello me hello she Spark'] # 3 - 执行flatmap执行扁平化操作 flat_mapRDD = fileRDD.flatMap(lambda words: words.split(" ")) # ['hello', 'you', 'Spark', 'Flink', 'hello', 'me', 'hello', 'she', 'Spark'] # # 4 - 执行map转化操作，得到(word, 1) rdd_mapRDD = flat_mapRDD.map(lambda word: (word, 1)) # [('hello', 1), ('you', 1), ('Spark', 1), ('Flink', 1), ('hello', 1), ('me', 1), ('hello', 1), ('she', 1), ('Spark', 1)] # 5 - reduceByKey将相同Key的Value数据累加操作 resultRDD = rdd_mapRDD.reduceByKey(lambda x, y: x + y) # print(type(resultRDD)) print(resultRDD.collect()) # 休息几分钟 time.sleep(600) # 7-停止SparkContext sc.stop()  # Shut down the SparkContext.

提交代码到集群执行

关键：sys.argv[1],
代码：

# -*- coding: utf-8 -*-# Program function： 提交任务执行import sysfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':   # 1 - 首先创建SparkContext上下文环境   conf = SparkConf().setAppName("FromHDFS").setMaster("local[*]")   sc = SparkContext(conf=conf)   sc.setLogLevel("WARN")  # 日志输出级别   # 2 - 从外部文件数据源读取数据   # hdfs://node1:9820/pydata/input/hello.txt   fileRDD = sc.textFile(sys.argv[1])   # ['hello you Spark Flink', 'hello me hello she Spark']   # 3 - 执行flatmap执行扁平化操作   flat_mapRDD = fileRDD.flatMap(lambda words: words.split(" "))   # ['hello', 'you', 'Spark', 'Flink', 'hello', 'me', 'hello', 'she', 'Spark']   # # 4 - 执行map转化操作，得到(word, 1)   rdd_mapRDD = flat_mapRDD.map(lambda word: (word, 1))   # [('hello', 1), ('you', 1), ('Spark', 1), ('Flink', 1), ('hello', 1), ('me', 1), ('hello', 1), ('she', 1), ('Spark', 1)]   # 5 - reduceByKey将相同Key的Value数据累加操作   resultRDD = rdd_mapRDD.reduceByKey(lambda x, y: x + y)   # print(type(resultRDD))   resultRDD.saveAsTextFile(sys.argv[2])   # 7-停止SparkContext   sc.stop()  # Shut down the SparkContext.

结果：

[掌握-扩展阅读]远程PySpark环境配置

需求：需要将PyCharm连接服务器，同步本地写的代码到服务器上，使用服务器上的Python解析器执行
步骤：
1-准备PyCharm的连接
2-需要了解服务器的地址，端口号，用户名，密码
设置自动的上传，如果不太好使，重启pycharm
3-pycharm读取的文件都需要上传到linux中，复制相对路径
4-执行代码在远程服务器上
5-执行代码

# -*- coding: utf-8 -*-# Program function： Spark的第一个程序# 1-思考：sparkconf和sparkcontext从哪里导保# 2-如何理解算子？Spark中算子有2种，# 一种称之为Transformation算子(flatMapRDD-mapRDD-reduceBykeyRDD)，# 一种称之为Action算子（输出到控制台，或文件系统或hdfs），比如collect或saveAsTextFile都是Action算子from pyspark import SparkConf, SparkContextif __name__ == '__main__': # 1 - 首先创建SparkContext上下文环境 conf = SparkConf().setAppName("FirstSpark").setMaster("local[*]") sc = SparkContext(conf=conf) sc.setLogLevel("WARN")  # 日志输出级别 # 2 - 从外部文件数据源读取数据 fileRDD = sc.textFile("/export/data/pyspark_workspace/PySpark-SparkBase_3.1.2/data/words.txt") # fileRDD = sc.parallelize(["hello you", "hello me", "hello spark"]) # 3 - 执行flatmap执行扁平化操作 flat_mapRDD = fileRDD.flatMap(lambda words: words.split(" ")) # print(type(flat_mapRDD)) # print(flat_mapRDD.collect()) # ['hello', 'you', 'Spark', 'Flink', 'hello', 'me', 'hello', 'she', 'Spark'] # # 4 - 执行map转化操作，得到(word, 1) rdd_mapRDD = flat_mapRDD.map(lambda word: (word, 1)) # print(type(rdd_mapRDD))#<class 'pyspark.rdd.PipelinedRDD'> # print(rdd_mapRDD.collect()) # [('hello', 1), ('you', 1), ('Spark', 1), ('Flink', 1), ('hello', 1), ('me', 1), ('hello', 1), ('she', 1), ('Spark', 1)] # 5 - reduceByKey将相同Key的Value数据累加操作 resultRDD = rdd_mapRDD.reduceByKey(lambda x, y: x + y) # print(type(resultRDD)) print(resultRDD.collect()) # [('Spark', 2), ('Flink', 1), ('hello', 3), ('you', 1), ('me', 1), ('she', 1)] # 6 - 将结果输出到文件系统或打印 # resultRDD.saveAsTextFile("D:/BigData/PyWorkspace/Bigdata25-pyspark_3.1.2/PySpark-SparkBase_3.1.2/data/output/wordsAdd") # 7-停止SparkContext sc.stop()  # Shut down the SparkContext.

切记忘记上传python的文件，直接执行
注意1：自动上传设置
注意2：增加如何使用standalone和HA的方式提交代码执行
但是需要注意，尽可能使用hdfs的文件，不要使用单机版本的文件，因为standalone是集群模式

# -*- coding: utf-8 -*-# Program function： Spark的第一个程序# 1-思考：sparkconf和sparkcontext从哪里导保# 2-如何理解算子？Spark中算子有2种，# 一种称之为Transformation算子(flatMapRDD-mapRDD-reduceBykeyRDD)，# 一种称之为Action算子（输出到控制台，或文件系统或hdfs），比如collect或saveAsTextFile都是Action算子>from pyspark import SparkConf, SparkContext>>if __name__ == '__main__':>># 1 - 首先创建SparkContext上下文环境>>conf = SparkConf().setAppName("FirstSpark").setMaster("spark://node1:7077,node2:7077")>sc = SparkContext(conf=conf)>sc.setLogLevel("WARN")  # 日志输出级别>># 2 - 从外部文件数据源读取数据>>fileRDD = sc.textFile("hdfs://node1:9820/pydata/input/hello.txt")>># fileRDD = sc.parallelize(["hello you", "hello me", "hello spark"])>># 3 - 执行flatmap执行扁平化操作>>flat_mapRDD = fileRDD.flatMap(lambda words: words.split(" "))>># print(type(flat_mapRDD))>># print(flat_mapRDD.collect())>># ['hello', 'you', 'Spark', 'Flink', 'hello', 'me', 'hello', 'she', 'Spark']>># # 4 - 执行map转化操作，得到(word, 1)>>rdd_mapRDD = flat_mapRDD.map(lambda word: (word, 1))>># print(type(rdd_mapRDD))#<class 'pyspark.rdd.PipelinedRDD'>>># print(rdd_mapRDD.collect())>># [('hello', 1), ('you', 1), ('Spark', 1), ('Flink', 1), ('hello', 1), ('me', 1), ('hello', 1), ('she', 1), ('Spark', 1)]>># 5 - reduceByKey将相同Key的Value数据累加操作>>resultRDD = rdd_mapRDD.reduceByKey(lambda x, y: x + y)>># print(type(resultRDD))>>print(resultRDD.collect())>># [('Spark', 2), ('Flink', 1), ('hello', 3), ('you', 1), ('me', 1), ('she', 1)]>># 6 - 将结果输出到文件系统或打印>># resultRDD.saveAsTextFile("D:/BigData/PyWorkspace/Bigdata25-pyspark_3.1.2/PySpark-SparkBase_3.1.2/data/output/wordsAdd")>># 7-停止SparkContext>>sc.stop()  # Shut down the SparkContext.

总结

函数式编程

#Python中的函数式编程#1-map(func, *iterables) --> map objectdef fun(x):    return x*x#x=[1,2,3,4,5] y=map(fun,[1,2,3,4,5]) #[1, 4, 9, 16, 25]print(list(map(fun, [1, 2, 3, 4, 5])))#2-lambda 匿名函数  java: x=>x*x 表达式  Scala:x->x*xg=lambda x:x*xprint(g(10))print(list(map(lambda x:x*x, [1, 2, 3, 4, 5])))def add(x,y):    return x+yprint(list(map(add, range(5), range(5, 10))))print(list(map(lambda x,y:x+y,range(5),range(5,10))))#3- [add(x,y) for x,y in zip(range(5),range(5,10))]# print(list(zip([1, 2, 3], [4, 5, 6])))#[1,4],[2,5]# print(list(zip([1, 2, 3], [4, 5, 6,7])))#[1,4],[2,5]# print(list(zip([1, 2, 3,6], [4, 5, 6])))#[1,4],[2,5]# 语法 lambda表达式语言：【lambda 变量：表达式】# 列表表达式 [表达式 for 变量 in 可迭代的序列中 if 条件]print([add(x, y) for x, y in zip(range(5), range(5))])#[0, 2, 4, 6, 8]#3-reducefrom functools import  reduce# ((((1+2)+3)+4)+5)print(reduce(lambda x, y: x + y, [1, 2, 3, 4, 5]))# 4-filterseq1=['foo','x41','?1','***']def func(x):    #Return True if the string is an alpha-numeric string    return x.isalnum()print(list(filter(func,seq1))) #返回 filter 对象# sorted()# 最后我们可以看到，函数式编程有如下好处：# 1）代码更简单了。# 2）数据集，操作，返回值都放到了一起。# 3）你在读代码的时候，没有了循环体，于是就可以少了些临时变量，以及变量倒来倒去逻辑。# 4）你的代码变成了在描述你要干什么，而不是怎么去干。