上一节:
下一节:

  PySpark - RDD

  • 简述

    现在我们已经在我们的系统上安装和配置了 PySpark，我们可以在 Apache Spark 上使用 Python 进行编程。不过在此之前，让我们先了解一下 Spark 中的一个基本概念——RDD。
    RDD代表Resilient Distributed Dataset，这些是在多个节点上运行和操作以在集群上进行并行处理的元素。RDD 是不可变的元素，这意味着一旦创建了 RDD，就无法更改它。RDD 也是容错的，因此在发生任何故障时，它们会自动恢复。您可以对这些 RDD 应用多个操作来完成某个任务。
    要对这些 RDD 应用操作，有两种方法 -
    • 变形
    • 动作
    让我们详细了解这两种方式。
    变形− 这些是应用于 RDD 以创建新 RDD 的操作。Filter、groupBy 和 map 是转换的例子。
    动作− 这些是应用于 RDD 的操作，它指示 Spark 执行计算并将结果发送回驱动程序。
    要在 PySpark 中应用任何操作，我们需要创建一个PySpark RDD第一的。以下代码块包含 PySpark RDD 类的详细信息 - 
    
class pyspark.RDD (
   jrdd, 
   ctx, 
   jrdd_deserializer = AutoBatchedSerializer(PickleSerializer())
)
    让我们看看如何使用 PySpark 运行一些基本操作。Python 文件中的以下代码创建 RDD 单词，其中存储了一组提到的单词。 
    
words = sc.parallelize (
   ["scala", 
   "java", 
   "hadoop", 
   "spark", 
   "akka",
   "spark vs hadoop", 
   "pyspark",
   "pyspark and spark"]
)
    我们现在将对单词进行一些操作。

  • count()

    返回 RDD 中的元素数。 
    
----------------------------------------count.py---------------------------------------
from pyspark import SparkContext
sc = SparkContext("local", "count app")
words = sc.parallelize (
   ["scala", 
   "java", 
   "hadoop", 
   "spark", 
   "akka",
   "spark vs hadoop", 
   "pyspark",
   "pyspark and spark"]
)
counts = words.count()
print "Number of elements in RDD -> %i" % (counts)
----------------------------------------count.py---------------------------------------
    命令- count() 的命令是 - 
    
$SPARK_HOME/bin/spark-submit count.py
    输出- 上述命令的输出是 - 
    
Number of elements in RDD → 8

  • collect()

    返回 RDD 中的所有元素。 
    
----------------------------------------collect.py---------------------------------------
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)
----------------------------------------collect.py---------------------------------------
    命令- collect() 的命令是 - 
    
$SPARK_HOME/bin/spark-submit collect.py
    输出- 上述命令的输出是 - 
    
Elements in RDD -> [
   'scala', 
   'java', 
   'hadoop', 
   'spark', 
   'akka', 
   'spark vs hadoop', 
   'pyspark', 
   'pyspark and spark'
]

  • foreach（f）

    仅返回那些满足 foreach 内部函数条件的元素。在下面的例子中，我们在 foreach 中调用了一个 print 函数，它打印了 RDD 中的所有元素。 
    
----------------------------------------foreach.py---------------------------------------
from pyspark import SparkContext
sc = SparkContext("local", "ForEach app")
words = sc.parallelize (
   ["scala", 
   "java", 
   "hadoop", 
   "spark", 
   "akka",
   "spark vs hadoop", 
   "pyspark",
   "pyspark and spark"]
)
def f(x): print(x)
fore = words.foreach(f) 
----------------------------------------foreach.py---------------------------------------
    命令- foreach(f) 的命令是 - 
    
$SPARK_HOME/bin/spark-submit foreach.py
    输出- 上述命令的输出是 - 
    
scala
java
hadoop
spark
akka
spark vs hadoop
pyspark
pyspark and spark

  • filter（f）

    返回一个包含元素的新 RDD，它满足过滤器内部的功能。在下面的示例中，我们过滤掉包含“spark”的字符串。 
    
----------------------------------------filter.py---------------------------------------
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)
----------------------------------------filter.py----------------------------------------
    命令- filter(f) 的命令是 - 
    
$SPARK_HOME/bin/spark-submit filter.py
    输出- 上述命令的输出是 - 
    
Fitered RDD -> [
   'spark', 
   'spark vs hadoop', 
   'pyspark', 
   'pyspark and spark'
]

  • map（f，preservesPartitioning = False）

    通过对 RDD 中的每个元素应用一个函数来返回一个新的 RDD。在下面的示例中，我们形成一个键值对并将每个字符串映射为值为 1。 
    ----------------------------------------map.py---------------------------------------
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))
mapping = words_map.collect()
print "Key value pair -> %s" % (mapping)
----------------------------------------map.py---------------------------------------
    命令- map(f, preservesPartitioning=False) 的命令是 - 
    
$SPARK_HOME/bin/spark-submit map.py
    输出- 上述命令的输出是 - 
    
Key value pair -> [
   ('scala', 1), 
   ('java', 1), 
   ('hadoop', 1), 
   ('spark', 1), 
   ('akka', 1), 
   ('spark vs hadoop', 1), 
   ('pyspark', 1), 
   ('pyspark and spark', 1)
]

  • reduce（f）

    执行指定的交换和关联二元运算后，返回RDD中的元素。在下面的示例中，我们从运算符中导入 add 包并将其应用于“num”以执行简单的加法操作。 
    ----------------------------------------reduce.py---------------------------------------
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)
----------------------------------------reduce.py---------------------------------------
    命令- reduce(f) 的命令是 - 
    
$SPARK_HOME/bin/spark-submit reduce.py
    输出- 上述命令的输出是 - 
    
Adding all the elements -> 15

  • join（other, numPartitions = None）

    它返回带有匹配键的一对元素以及该特定键的所有值的 RDD。在以下示例中，两个不同的 RDD 中有两对元素。加入这两个 RDD 后，我们得到一个 RDD，其中的元素具有匹配的键及其值。 
    ----------------------------------------join.py---------------------------------------
from pyspark import SparkContext
sc = SparkContext("local", "Join app")
x = sc.parallelize([("spark", 1), ("hadoop", 4)])
y = sc.parallelize([("spark", 2), ("hadoop", 5)])
joined = x.join(y)
final = joined.collect()
print "Join RDD -> %s" % (final)
----------------------------------------join.py---------------------------------------
    命令- join(other, numPartitions = None) 的命令是 - 
    
$SPARK_HOME/bin/spark-submit join.py
    输出- 上述命令的输出是 - 
    
Join RDD -> [
   ('spark', (1, 2)),  
   ('hadoop', (4, 5))
]

  • collect()

    使用默认存储级别 (MEMORY_ONLY) 持久化此 RDD。您还可以检查 RDD 是否已缓存。 
    ----------------------------------------cache.py---------------------------------------
from pyspark import SparkContext 
sc = SparkContext("local", "Cache app") 
words = sc.parallelize (
   ["scala", 
   "java", 
   "hadoop", 
   "spark", 
   "akka",
   "spark vs hadoop", 
   "pyspark",
   "pyspark and spark"]
) 
words.cache() 
caching = words.persist().is_cached 
print "Words got chached > %s" % (caching)
----------------------------------------cache.py---------------------------------------
    命令- cache() 的命令是 - 
    
$SPARK_HOME/bin/spark-submit cache.py
    输出- 上述程序的输出是 - 
    
Words got cached -> True
    这些是在 PySpark RDD 上完成的一些最重要的操作。
上一节:
下一节: