Spark提供的主要抽象是resilient distributed dataset（RDD） 弹性分布式数据集，它是跨集群节点划分的元素的集合，可以并行操作。通过从Hadoop文件系统（或任何其他Hadoop支持的文件系统）中的文件或驱动程序中现有的Scala集合开始并进行转换来创建RDD。用户还可以要求Spark将RDD 保留在内存中，以使其能够在并行操作中有效地重用。最后，RDD自动从节点故障中恢复。
Spark中的第二个抽象是可以在并行操作中使用的共享变量。默认情况下，当Spark作为一组任务在不同节点上并行运行一个函数时，它会将函数中使用的每个变量的副本传送给每个任务。有时，需要在任务之间或任务与驱动程序之间共享变量。Spark支持两种类型的共享变量：广播变量（可用于在所有节点上的内存中缓存值）和累加器（accumulator），这些变量仅被“添加”到其上，例如计数器和总和
RDD五大特性
- A list of partitions
一组分区：RDD由很多partition构成，有多少partition就对应有多少task
- A function for computing each split
一个函数：对RDD做计算，相当于对RDD的每个split或partition做计算
- A list of dependencies on other RDDs
RDD之间有依赖关系，可溯源
- Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
一个Partitioner：即RDD的分片函数，如果RDD里面存的数据是key-value形式，则可以传递一个自定义的Partitioner进行重新分区
- Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)
一个列表：存储存取每个Partition的优先位置（preferred location），计算每个split时，在split所在机器的本地上运行task是最好的，避免了数据的移动，split有多个副本，所以preferred location不止一个
初始化Spark
Spark程序做的第一件事情就是创建一个SparkContext对象，该对象告诉Spark如何访问集群，要创建一个SparkContext首先需要构建一个SparkConf对象，其中包含应用程序程序的信息
from pyspark import SparkConf, SparkContext
conf = SparkConf().setAppName(appName).setMaster(master) sc = SparkContext(conf=conf)
# 业务逻辑
sc.stop()
appName参数是应用程序显示在集群UI上的名称
master是Spark，Mesos或YARN群集URL或特殊的“本地”字符串，以本地模式运行
当在集群上运行时，您将不希望master在程序中进行硬编码，而是在其中启动应用程序spark-submit并在其中接收。但是，对于本地测试和单元测试，您可以传递“ local”以在内部运行Spark
注意：
在PySpark Shell中，已经为我们初始化了Spark, 变量为sc， 我们自己配置的SparkContext将不起作用，也就是我们自己不用再初始化了
创建RDD的两种方式
方式一： 通过现有的可迭代对象或集合调用SparkContext的parallelize创建
data = [1, 2, 3, 4, 5]
rdd = sc.parallelize(data)
创建rdd后可以并行操作。例如调用distData.reduce(lambda a, b: a + b)计算集合元素的和
>>> rdd.reduce(lambda a,b: a+b) 15
并行集合的一个重要参数就是将数据集切入分区，Spark将为集群的每个分区运行一个任务。通常，群集中的每个CPU都需要2-4个分区。通常，Spark会尝试根据您的集群自动设置分区数。但是，您也可以通过将其作为第二个参数传递给parallelize（例如sc.parallelize(data, 10)）来手动设置它。
方式二： 外部数据集
PySpark可以从Hadoop支持的任何存储源创建分布式数据集，包括您的本地文件系统，HDFS，Cassandra，HBase，Amazon S3等。Spark支持文本文件，SequenceFiles和任何其他Hadoop InputFormat。
可以使用SparkContext的textFile方法创建文本文件RDD 。此方法需要一个URI的文件（本地路径的机器上，或一个hdfs://，s3a://等URI），并读取其作为行的集合。这是一个示例调用：
rdd = sc.textFile("data.txt")
RDD操作
RDD支持两种类型操作：
- transformation（转换）： create a new dataset from an existing one 从现有的数据集中创建新数据集
- action（动作）： return a value to the driver program after running a conputation on the dataset 对数据集执行计算后，将值返回给驱动程序
常用的transformation
map(func)
将func函数作用到数据集的每一个元素上，生成一个新的分布式的数据集返回
from pyspark import SparkConf, SparkContext if __name__ == '__main__': conf = SparkConf() sc = SparkContext(conf=conf) def my_map1(): data = [1, 2, 3, 4, 5, 6] rdd1 = sc.parallelize(data) rdd2 = rdd1.map(lambda x: x + 1) print(rdd2.collect()) def my_map2(): rdd1 = sc.parallelize(["java", "python", "php", "ruby"]) rdd2 = rdd1.map(lambda x: (x, len(x))) print(rdd2.collect()) my_map1() my_map2() sc.stop() # 输出结果 [2, 3, 4, 5, 6, 7] [('java', 4), ('python', 6), ('php', 3), ('ruby', 4)]
filter(func)
选出所有func返回值为true的元素，生成一个新的分布式的数据集返回
from pyspark import SparkConf, SparkContext if __name__ == '__main__': conf = SparkConf() sc = SparkContext(conf=conf) def my_filter(): data = [1, 2, 3, 4, 5] rdd = sc.parallelize(data) rddMap = rdd.map(lambda x: x * 2) rddFilter = rddMap.filter(lambda x: x > 6) print(rddFilter.collect()) def my_filter02(): # 使用链式写法优化代码 data = [1, 2, 3, 4, 5] print(sc.parallelize(data).map(lambda x: x * 2).filter(lambda x: x > 6).collect()) my_filter() sc.stop() # 输出结果 [8, 10]
flatMap(func)
输入的item能够被map到0或者多个items输出，返回值是一个Sequence
from pyspark import SparkConf, SparkContext if __name__ == '__main__': conf = SparkConf() sc = SparkContext(conf=conf) def my_flatMap(): data = ["hello heboan", "hello python", "world ok"] rdd = sc.parallelize(data) print(rdd.flatMap(lambda line: line.split(" ")).collect()) my_flatMap() sc.stop() # 输出结果 ['hello', 'heboan', 'hello', 'python', 'world', 'ok']
groupBykey()
把相同的key的数据分发到一起
from pyspark import SparkConf, SparkContext if __name__ == '__main__': conf = SparkConf() sc = SparkContext(conf=conf) def my_groupByKey(): data = ["hello heboan", "hello python", "hello world"] # key ==> (key, 1) rddMap = sc.parallelize(data).flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1)) # print(rddMap.collect()) rdd_groupByKey = rddMap.groupByKey() # print(rdd_groupByKey.collect()) print(rdd_groupByKey.map(lambda x: (x[0], list(x[1]))).collect()) my_groupByKey() sc.stop() # 输出结果 [('python', [1]), ('heboan', [1]), ('hello', [1, 1, 1]), ('world', [1])]
reduceByKey（func）
from pyspark import SparkConf, SparkContext if __name__ == '__main__': conf = SparkConf() sc = SparkContext(conf=conf) def my_reduceMap(): data = ["hello heboan", "hello python", "hello world"] rddMap = sc.parallelize(data).flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1)) rdd_reduceByKey = rddMap.reduceByKey(lambda a, b: a + b) # 相邻的数相加 print(rdd_reduceByKey.collect()) my_reduceMap() sc.stop() # 输出结果 [('python', 1), ('heboan', 1), ('hello', 3), ('world', 1)]
sortByKey（）
排序
from pyspark import SparkConf, SparkContext if __name__ == '__main__': conf = SparkConf() sc = SparkContext(conf=conf) def my_sortByKey(): data = ["hello heboan", "hello python", "hello world"] rddMap = sc.parallelize(data).flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1)) rdd_reduceByKey = rddMap.reduceByKey(lambda a, b: a + b) # 因为sortByKey是对key记性排序的，所以先使用map调换k,v的位置进行排序，传入False表示降序，排序完成后再把k,v位置换回来 rdd_sortByKey = rdd_reduceByKey.map(lambda x:(x[1],x[0])).sortByKey(False).map(lambda x:(x[1],x[0])) print(rdd_sortByKey.collect()) my_sortByKey() sc.stop() # 输出结果 [('hello', 3), ('python', 1), ('heboan', 1), ('world', 1)]
union（）
就是两个数据集合并
from pyspark import SparkConf, SparkContext if __name__ == '__main__': conf = SparkConf() sc = SparkContext(conf=conf) def my_union(): a = sc.parallelize([1, 2, 3]) b = sc.parallelize([4, 5, 6]) print(a.union(b).collect()) my_union() sc.stop() # 输出结果 [1, 2, 3, 4, 5, 6]
distinct（）
去重
from pyspark import SparkConf, SparkContext if __name__ == '__main__': conf = SparkConf() sc = SparkContext(conf=conf) def my_distinct(): a = sc.parallelize([1, 2, 3]) b = sc.parallelize([3, 4, 5]) print(a.union(b).distinct().collect()) my_distinct() sc.stop() # 输出结果 [1, 2, 3, 4, 5]
join()
from pyspark import SparkConf, SparkContext if __name__ == '__main__': conf = SparkConf() sc = SparkContext(conf=conf) def my_join(): a = sc.parallelize([("A", "a1"), ("B", "b1"), ("C", "c1"), ("D", "d1")]) b = sc.parallelize([("A", "a2"), ("C", "c2"), ("F", "f1")]) print(a.join(b).collect()) print(a.leftOuterJoin(b).collect()) print(a.rightOuterJoin(b).collect()) print(a.fullOuterJoin(b).collect()) my_join() sc.stop() # 输出结果 [('C', ('c1', 'c2')), ('A', ('a1', 'a2'))] [('B', ('b1', None)), ('D', ('d1', None)), ('C', ('c1', 'c2')), ('A', ('a1', 'a2'))] [('F', (None, 'f1')), ('C', ('c1', 'c2')), ('A', ('a1', 'a2'))] [('F', (None, 'f1')), ('B', ('b1', None)), ('D', ('d1', None)), ('C', ('c1', 'c2')), ('A', ('a1', 'a2'))]
常用action
collect
count
take
reduce
foreach
saveAsTextFile
max
min
sum
from pyspark import SparkConf, SparkContext if __name__ == '__main__': conf = SparkConf() sc = SparkContext(conf=conf) def my_action(): data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] rdd = sc.parallelize(data) print(rdd.collect()) # 输出 print(rdd.count()) # 计数 print(rdd.take(3)) # 前3个元素 print(rdd.max()) # 最大的元素 print(rdd.sum()) # 所有元素之和 print(rdd.reduce(lambda a, b: a + b)) # 求和 rdd.foreach(lambda x: print(x)) # 输出每个元素 rdd.saveAsTextFile("hdfs://heboan-hadoop-000:8020/tmp") # 写入到文件系统 my_action() sc.stop()
实战案例---词频统计
hello word hello heboan my name is heboan hello everyone
# /data/script/wc.py from pyspark import SparkConf, SparkContext import sys if __name__ == '__main__': if len(sys.argv) != 2: print("Usage: wordcount <input>", file=sys.stderr) sys.exit(-1) conf = SparkConf() sc = SparkContext(conf=conf) rdd = sc.textFile(sys.argv[1]) .flatMap(lambda line: line.split(" ")) .map(lambda x: (x, 1)).reduceByKey(lambda a, b: a+b) for word, count in rdd.collect(): print("{}: {}".format(word, count)) sc.stop()
服务器执行
[root@heboan-hadoop-000 ~]# spark-submit --master local[2] --name heboan001 /data/script/wc.py file:///root/heboan.txt
>>>>>>>延伸
上面我们是指定了一个文件/root/heboan.txt， 我们也可以指定一个目录
# /root/data/目录下的所有文件都会进行计算 spark-submit --master local[2] --name heboan001 /data/script/wc.py file:///root/data/
计算特定的文件，如
# /root/data/目录下的所有.txt后缀文件都会进行计算 spark-submit --master local[2] --name heboan001 /data/script/wc.py file:///root/data/*.txt