Python学习从0到1 day26 第三阶段 Spark ① 数据输入

要学会 剥落旧痂 然后 循此新生

                                        —— 24.11.8

一、Spark是什么

定义：

Apache Spark 是用于大规模数据处理的统一分析引擎

简单来说，Spark是一款分布式的计算框架，用于调度成百上千的服务器集群，计算TB、PB乃至EB级别的海量数据

---

二、PySpark

Spark对Python语言的支持，重点体现在Python第三方库：PySpark之上

PySpark是由Spark官方开发的Python语言第三方库

Python开发者可以使用pip程序快速的安装PySpark并像其他三方库那样直接使用

PySpark既可以作为库处理，也可以将程序提交到Spark集群环境中，调度大规模集群进行执行

---

三、掌握PySpark库的安装

同其它Python第三方库一样，PySpark同样可以使用pip程序进行安装，也可以在pycharm内直接安装

命令行终端输入：

pip install pyspark

若网速较慢，推荐使用清华园国内代理镜像：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyspark

---

四、掌握PySpark执行环境入口对象的构建

想要使用PySpark完成数据处理，首先需要：构建一个执行环境入口对象（拿到类SparkContext的类对象）

PySpark的执行环境入口对象是：类 SparkContext 的类对象

"""
演示获取PySpark的执行环境入口对象：SparkContext
并通过SparkContext对象获取当前PySpark的版本
"""# 导入 PySpark 相关包
from pyspark import SparkConf, SparkContext# 创建 SparkConf 实例对象 , 该对象用于配置 Spark 任务
# setMaster("local[*]") 设置运行模式：表示在单机模式下 本机运行
# setAppName("hello_spark") 任务名称是给 Spark 程序起一个名字
sparkConf = SparkConf().setMaster("local[*]").setAppName("hello_spark")# 基于SparkConf类对象创建SparkContext类对象
sparkContext = SparkContext(conf=sparkConf)# 打印 PySpark 版本号
print(sparkContext.version)# 停止 PySpark 程序 （停止SparkContext对象的运行）
sparkContext.stop()

---

五、理解PySpark的编程模型

PySpark编程，主要分为以下三大步骤：

1.数据输入

        通过SparkContext类对象的成员方法，完成数据的读取操作，读取后得到RDD类对象

---

2.数据处理计算

        通过RDD类对象的成员方法，完成各种数据计算的需求

---

3.数据输出

        将处理完成后的RDD对象，调用各种成员方法完成写出文件、转换为list等操作

---

4.PySpark的编程模型 

SparkContext类对象，是PySpark编程中一切功能的入口

---

六、数据输入

1.RDD对象

如图可示，PySpark支持多种数据的输入，在输入完成后，都会得到一个：RDD类的对象

RDD全称为：弹性分布式数据集(Resilient Distributed Datasets)

PySpark针对数据的处理，都是以RDD对象作为载体，即:

① 数据存储在RDD内

② 各类数据的计算方法，也都是RDD的成员方法

③ RDD的数据计算方法，返回值依旧是RDD对象

---

2.Python数据容器转RDD对象

PySpark支持通过SparkContext对象的parallelize成员方法，将：

list（列表）、tuple（元组）、set（集合）、dict（字典）、str（字符串）转换为PySpark的RDD对象

注意：

① 字符串会被拆分出一个个的字符，存入RDD对象

② 字典仅有key会被存入RDD对象

"""
#通过PySpark代码加载数据，即数据输入
"""
from pyspark import SparkConf, SparkContextconf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)# 通过parallelize方法将Python对象加载到Spark内，成为RDD对象
# 列表
rdd1 = sc.parallelize([1, 2, 3, 4, 5])
# 元组
rdd2 = sc.parallelize((1, 2, 3, 4, 5))
# 字符串
rdd3 = sc.parallelize("abcdefg")
# 集合
rdd4 = sc.parallelize({1, 2, 3, 4, 5})
# 字典
rdd5 = sc.parallelize({"key1": "value1", "key2": "value2"})# 如果要查看RDD里面有什么内容，需要用collect()方法
print(rdd1.collect())
print(rdd2.collect())
print(rdd3.collect())
print(rdd4.collect())
print(rdd5.collect())sc.stop()

---

3.读取文件转RDD对象

"""
#通过PySpark代码加载文档数据，从文档中中读取数据输入
"""
from pyspark import SparkConf, SparkContextconf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
rdd = sc.textFile("D:/2LFE\Desktop\Hello.txt")
print(rdd.collect())sc.stop()

代码中的报红警告是由于在 Windows 系统上运行 PySpark 时缺少 winutils.exe 和 Hadoop 环境变量设置导致的

由于我们只学习pyspark模块，不需要配置Hadoop环境信息

---

七、总结

1.RDD对象是什么?为什么要使用它?

RDD对象称之为分布式弹性数据集，是PySpark中数据计算的载体，它可以:

① 提供数据存储

② 提供数据计算的各类方法

③ 数据计算的方法，返回值依旧是RDD(RDD选代计算)

后续对数据进行各类计算,都是基于RDD对象进行

---

2.如何输入数据到Spark(即得到RDD对象)

① 通过SparkContext的parallelize成员方法，将Python数据容器转换为RDD对象

② 通过SparkContext的textFile成员方法，读取文本文件得到RDD对象