-
Python+大数据-Spark技术栈(二)SparkBase&Core
Python+大数据-Spark技术栈(二)SparkBase&Core
- 学习目标
- 掌握SparkOnYarn搭建
- 掌握RDD的基础创建及相关算子操作
- 了解PySpark的架构及角色
环境搭建-Spark on YARN
- Yarn 资源调度框架，提供如何基于RM，NM，Continer资源调度
- Yarn可以替换Standalone结构中Master和Worker来使用RM和NM来申请资源
SparkOnYarn本质
- Spark计算任务通过Yarn申请资源，SparkOnYarn
- 将pyspark文件，经过Py4J(Python for java)转换，提交到Yarn的JVM中去运行
修改配置
-
思考，如何搭建SparkOnYarn环境？
-
1-需要让Spark知道Yarn(yarn-site.xml)在哪里？
-
在哪个文件下面更改？spark-env.sh中增加YARN_CONF_DIR的配置目录
-
-
2-修改Yan-site.xml配置，管理内存检查,历史日志服务器等其他操作
-
修改配置文件
-
-
3-需要配置历史日志服务器
-
需要实现功能：提交到Yarn的Job可以查看19888的历史日志服务器可以跳转到18080的日志服务器上
-
因为19888端口无法查看具体spark的executor后driver的信息，所以搭建历史日志服务器跳转
-
3-需要准备SparkOnYarn的需要Jar包，配置在配置文件中
-
在spark-default.conf中设置spark和yarn映射的jar包文件夹(hdfs)
-
-
注意，在最终执行sparkonyarn的job的时候一定重启Hadoop集群，因为更改相关yarn配置
-
4-执行SparkOnYarn
-
这里并不能提供交互式界面，只有spark-submit(提交任务)
-
#基于SparkOnyarn提交任务 bin/spark-submit \ --master yarn \ /export/server/spark/examples/src/main/python/pi.py \ 10- 1
- 2
- 3
- 4
- 5
-
小结
SparKOnYarn:使用Yarn提供了资源的调度和管理工作，真正执行计算的时候Spark本身
Master和Worker的结构是Spark Standalone结构 使用Master申请资源，真正申请到是Worker节点的Executor的Tasks线程
原来Master现在Yarn替换成ResourceManager，现在Yarn是Driver给ResourceManager申请资源
原来Worker现在Yarn替换为Nodemanager，最终提供资源的地方时hiNodeManager的Continer容器中的tasks
安装配置:
1-让spark知道yarn的位置
2-更改yarn的配置，这里需要开启历史日志服务器和管理内存检查
3-整合Spark的历史日志服务器和Hadoop的历史日志服务器，效果：通过8088的yarn的http://node1:8088/cluster跳转到18080的spark的historyserver上
4-SparkOnYarn需要将Spark的jars目录下的jar包传递到hdfs上，并且配置spark-default.conf让yarn知晓配置
5-测试，仅仅更换–master yarn
部署模式
#如果启动driver程序是在本地，称之为client客户端模式，现象：能够在client端看到结果
#如果在集群模式中的一台worker节点上启动driver，称之为cluser集群模式，现象：在client端看不到结果
-
client
-
-
首先 client客户端提交spark-submit任务，其中spark-submit指定–master资源，指定–deploy-mode模式
-
由启动在client端的Driver申请资源，
-
交由Master申请可用Worker节点的Executor中的Task线程
-
一旦申请到Task线程，将资源列表返回到Driver端
-
Driver获取到资源后执行计算，执行完计算后结果返回到Driver端
-
由于Drivr启动在client端的，能够直接看到结果
-
实验：
-
#基于Standalone的脚本—部署模式client
#driver申请作业的资源，会向–master集群资源管理器申请
#执行计算的过程在worker中，一个worker有很多executor(进程)，一个executor下面有很多task(线程)
bin/spark-submit
–master spark://node1:7077
–deploy-mode client
–driver-memory 512m
–executor-memory 512m
/export/server/spark/examples/src/main/python/pi.py
10- 1
- 1
- 1
-
cluster
-
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LSRjAKIC-1667918253373)(3-SparkBase-基础2.assets/image-20210910114736875.png)]
-
首先 client客户端提交spark-submit任务，其中spark-submit指定–master资源，指定–deploy-mode模式
-
由于指定cluster模式，driver启动在worker节点上
-
由driver申请资源，由Master返回worker可用资源列表
-
由Driver获取到资源执行后续计算
-
执行完计算的结果返回到Driver端，
-
由于Driver没有启动在客户端client端，在client看不到结果
-
如何查看数据结果？
-
需要在日志服务器上查看，演示
-
实验：
-
SPARK_HOME=/export/server/spark
${SPARK_HOME}/bin/spark-submit
–master spark://node1.itcast.cn:7077,node2.itcast.cn:7077
–deploy-mode cluster
–driver-memory 512m
–executor-memory 512m
–num-executors 1
–total-executor-cores 2
–conf “spark.pyspark.driver.python=/root/anaconda3/bin/python3”
–conf “spark.pyspark.python=/root/anaconda3/bin/python3”
${SPARK_HOME}/examples/src/main/python/pi.py
10- 1
* - 1
- 2
- 3
- 注意事项：
- 通过firstpyspark.py写的wordcount的代码，最终也是转化为spark-submit任务提交
- 如果是spark-shell中的代码最终也会转化为spark-submit的执行脚本
- 在Spark-Submit中可以提交driver的内存和cpu，executor的内存和cpu，–deploy-mode部署模式
Spark On Yarn两种模式
-
Spark on Yarn两种模式
-
–deploy-mode client和cluster
-
Yarn的回顾：Driver------AppMaster------RM-----NodeManager—Continer----Task
-
client模式
-
#deploy-mode的结构
SPARK_HOME=/export/server/spark
${SPARK_HOME}/bin/spark-submit
–master yarn
–deploy-mode client
–driver-memory 512m
–driver-cores 2
–executor-memory 512m
–executor-cores 1
–num-executors 2
–queue default
${SPARK_HOME}/examples/src/main/python/pi.py
10- 1
- 1
#瘦身 SPARK_HOME=/export/server/spark ${SPARK_HOME}/bin/spark-submit \ --master yarn \ --deploy-mode client \ ${SPARK_HOME}/examples/src/main/python/pi.py \ 10- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
-
-
原理：
-
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QBsqHZYs-1667918253381)(3-SparkBase-基础2.assets/image-20210910151817226.png)]
-
1-启动Driver
-
2-由Driver向RM申请启动APpMaster
-
3-由RM指定NM启动AppMaster
-
4-AppMaster应用管理器申请启动Executor(资源的封装，CPU，内存)
-
5-由AppMaster指定启动NodeManager启动Executor
-
6-启动Executor进程，获取任务计算所需的资源
-
7-将获取的资源反向注册到Driver
-
由于Driver启动在Client客户端(本地)，在Client端就可以看到结果3.1415
-
8-Driver负责Job和Stage的划分[了解]
-
1-执行到Action操作的时候会触发Job，不如take
-
2-接下来通过DAGscheduler划分Job为Stages，为每个stage创建task
-
3-接下来通过TaskScheduler将每个Stage的task分配到每个executor去执行
-
4-结果返回到Driver端，得到结果
-
cluster：
-
作业：
-
${SPARK_HOME}/bin/spark-submit
–master yarn
–deploy-mode cluster
–driver-memory 512m
–executor-memory 512m
–executor-cores 1
–num-executors 2
–queue default
–conf “spark.pyspark.driver.python=/root/anaconda3/bin/python3”
–conf “spark.pyspark.python=/root/anaconda3/bin/python3”
${SPARK_HOME}/examples/src/main/python/pi.py
10
#瘦身
${SPARK_HOME}/bin/spark-submit
–master yarn
–deploy-mode cluster
${SPARK_HOME}/examples/src/main/python/pi.py
10- 1
*  *  *  *  * 原理： *  *  * - 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
扩展阅读：两种模式详细流程
扩展阅读-Spark关键概念
扩展阅读：Spark集群角色
- Executor通过启动多个线程（task）来执行对RDD的partition进行并行计算
- 也就是执行我们对RDD定义的例如map、flatMap、reduce等算子操作。
- Driver：启动SparkCOntext的地方称之为Driver，Driver需要向CLusterManager申请资源，同时获取到资源后会划分Stage提交Job
- Master：l 主要负责资源的调度和分配，并进行集群的监控等职责；
- worker：一个是用自己的内存存储RDD的某个或某些partition；另一个是启动其他进程和线程（Executor），对RDD上的partition进行并行的处理和计算
- Executor：一个Worker****(NodeManager)****上可以运行多个Executor，Executor通过启动多个线程（task）来执行对RDD的partition进行并行计算
- 每个Task线程都会拉取RDD的每个分区执行计算，可以执行并行计算
扩展阅读：Spark-shell和Spark-submit
-
bin/spark-shell --master spark://node1:7077 --driver-memory 512m --executor-memory 1g
-
# SparkOnYarn组织参数
–driver-memory MEM 默认1g，Memory for driver (e.g. 1000M, 2G) (Default: 1024M). Driver端的内存
–driver-cores NUM 默认1个，Number of cores used by the driver, only in cluster mode(Default: 1).
–num-executors NUM 默认为2个，启动多少个executors
–executor-cores NUM 默认1个，Number of cores used by each executor，每个executou需要多少cpucores
–executor-memory 默认1G，Memory per executor (e.g. 1000M, 2G) (Default: 1G) ，每个executour的内存
–queue QUEUE_NAME The YARN queue to submit to (Default: “default”).
bin/spark-submit --master yarn \
–deploy-mode cluster \
–driver-memory 1g \
–driver-cores 2 \
–executor-cores 4 \
–executor-memory 512m \
–num-executors 10 \
path/XXXXX.py \
10
扩展阅读：命令参数
–driver-memory MEM 默认1g，Memory for driver (e.g. 1000M, 2G) (Default: 1024M). Driver端的内存
–driver-cores NUM 默认1个，Number of cores used by the driver, only in cluster mode(Default: 1).
–num-executors NUM 默认为2个，启动多少个executors
–executor-cores NUM 默认1个，Number of cores used by each executor，每个executou需要多少cpucores
–executor-memory 默认1G，Memory per executor (e.g. 1000M, 2G) (Default: 1G) ，每个executour的内存
–queue QUEUE_NAME The YARN queue to submit to (Default: “default”).
MAIN函数代码执行
- Driver端负责申请资源包括关闭资源，负责任务的Stage的切分
- Executor执行任务的计算
- 一个Spark的Application有很多Job
- 一个Job下面有很多Stage
- 一个Stage有很多taskset
- 一个Taskset有很多task任务构成的额
- 一个rdd分task分区任务都需要executor的task线程执行计算
再续 Spark 应用
[了解]PySpark角色分析
- Spark的任务执行的流程
- 面试的时候按照Spark完整的流程执行即可
- Py4J–Python For Java–可以在Python中调用Java的方法
- 因为Python作为顶层的语言，作为API完成Spark计算任务，底层实质上还是Scala语言调用的
- 底层有Python的SparkContext转化为Scala版本的SparkContext
- ****为了能在Executor端运行用户定义的Python函数或Lambda表达****式，则需要为每个Task单独启一个Python进程，通过socket通信方式将Python函数或Lambda表达式发给Python进程执行。
[了解]PySpark架构
RDD详解
为什么需要RDD?
- 首先Spark的提出为了解决MR的计算问题，诸如说迭代式计算，比如：机器学习或图计算
- 希望能够提出一套基于内存的迭代式数据结构，引入RDD弹性分布式数据集，如下图
- 为什么RDD是可以容错？
- RDD依靠于依赖关系dependency relationship
- reduceByKeyRDD-----mapRDD-----flatMapRDD
- 另外缓存，广播变量，检查点机制等很多机制解决容错问题
- 为什么RDD可以执行内存中计算？
- RDD本身设计就是基于内存中迭代式计算
- RDD是抽象的数据结构
什么是RDD?
- RDD弹性分布式数据集
- 弹性：可以基于内存存储也可以在磁盘中存储
- 分布式：分布式存储(分区)和分布式计算
- 数据集：数据的集合
RDD 定义
- RDD是不可变，可分区，可并行计算的集合
- 在pycharm中按两次shift可以查看源码，rdd.py
- RDD提供了五大属性
- [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Q8I7Y1iO-1667918253397)(H:\黑马\Python+大数据\第八阶段各项资料分别打包版本\笔记\3-SparkBase-基础2.assets\image-20210910181857233.png)]
RDD的5大特性
- RDD五大特性：
- 1-RDD是有一些列分区构成的，a list of partitions
- 2-计算函数
- 3-依赖关系，reduceByKey依赖于map依赖于flatMap
- 4-(可选项)key-value的分区，对于key-value类型的数据默认分区是Hash分区，可以变更range分区等
- 5-(可选项)位置优先性，移动计算不要移动存储
- 2-
- 3-
- 4-
- 5-最终图解
- RDD五大属性总结
- 1-分区列表
- 2-计算函数
- 3-依赖关系
- 4-key-value的分区器
- 5-位置优先性
RDD特点—不需要记忆
- 分区
- 只读
- 依赖
- 缓存
- checkpoint
WordCount中RDD
RDD的创建
PySpark中RDD的创建两种方式
并行化方式创建RDD
rdd1=sc.paralleise([1,2,3,4,5])
通过文件创建RDD
rdd2=sc.textFile(“hdfs://node1:9820/pydata”)
代码：
# -*- coding: utf-8 -*- # Program function：创建RDD的两种方式 ''' 第一种方式：使用并行化集合，本质上就是将本地集合作为参数传递到sc.pa 第二种方式：使用sc.textFile方式读取外部文件系统，包括hdfs和本地文件系统 1-准备SparkContext的入口，申请资源 2-使用rdd创建的第一种方法 3-使用rdd创建的第二种方法 4-关闭SparkContext ''' from pyspark import SparkConf, SparkContext if __name__ == '__main__': print("=========createRDD==============") # 1 - 准备SparkContext的入口，申请资源 conf = SparkConf().setAppName("createRDD").setMaster("local[5]") sc = SparkContext(conf=conf) # 2 - 使用rdd创建的第一种方法 collection_rdd = sc.parallelize([1, 2, 3, 4, 5, 6]) print(collection_rdd.collect()) # [1, 2, 3, 4, 5, 6] # 2-1 如何使用api获取rdd的分区个数 print("rdd numpartitions:{}".format(collection_rdd.getNumPartitions())) # 5 # 3 - 使用rdd创建的第二种方法 file_rdd = sc.textFile("/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/words.txt") print(file_rdd.collect()) print("rdd numpartitions:{}".format(file_rdd.getNumPartitions())) # 2 # 4 - 关闭SparkContext sc.stop()- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
小文件读取
通过外部数据创建RDD
-
-
http://spark.apache.org/docs/latest/api/python/reference/pyspark.html#rdd-apis
-
-
- 1
- 1
- 1
-- coding: utf-8 --
Program function：创建RDD的两种方式
‘’’
1-准备SparkContext的入口，申请资源
2-读取外部的文件使用sc.textFile和sc.wholeTextFile方式
3-关闭SparkContext
‘’’
from pyspark import SparkConf, SparkContextif name == ‘main’:
print(“=createRDD======”)1 - 准备SparkContext的入口，申请资源
conf = SparkConf().setAppName(“createRDD”).setMaster(“local[5]”)
sc = SparkContext(conf=conf)2 - 读取外部的文件使用sc.textFile和sc.wholeTextFile方式\
file_rdd = sc.textFile(“/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/ratings100”)
wholefile_rdd = sc.wholeTextFiles(“/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/ratings100”)
print(“file_rdd numpartitions:{}”.format(file_rdd.getNumPartitions()))#file_rdd numpartitions:100
print(“wholefile_rdd numpartitions:{}”.format(wholefile_rdd.getNumPartitions()))#wholefile_rdd numpartitions:2
print(wholefile_rdd.take(1))# 路径，具体的值如何获取wholefile_rdd得到具体的值
print(type(wholefile_rdd))#
print(wholefile_rdd.map(lambda x: x[1]).take(1))3 - 关闭SparkContext
sc.stop()
* 如何查看rdd的分区？getNumPartitions()- 1
- 1
扩展阅读：RDD分区数如何确定
-
-
-
- 1
- 1
- 1
-- coding: utf-8 --
Program function：创建RDD的两种方式
‘’’
第一种方式：使用并行化集合，本质上就是将本地集合作为参数传递到sc.pa
第二种方式：使用sc.textFile方式读取外部文件系统，包括hdfs和本地文件系统
1-准备SparkContext的入口，申请资源
2-使用rdd创建的第一种方法
3-使用rdd创建的第二种方法
4-关闭SparkContext
‘’’
from pyspark import SparkConf, SparkContextif name == ‘main’:
print(“=createRDD======”)1 - 准备SparkContext的入口，申请资源
conf = SparkConf().setAppName(“createRDD”).setMaster(“local[*]”)
conf.set(“spark.default.parallelism”,10)#重写默认的并行度，10
sc = SparkContext(conf=conf)
2 - 使用rdd创建的第一种方法,
collection_rdd = sc.parallelize([1, 2, 3, 4, 5, 6],5)
2-1 如何使用api获取rdd的分区个数
print(“rdd numpartitions:{}”.format(collection_rdd.getNumPartitions())) #2
总结：sparkconf设置的local5,sc.parallesise直接使用分区个数是5
如果设置spark.default.parallelism，默认并行度，sc.parallesise直接使用分区个数是10
优先级最高的是函数内部的第二个参数 3
2-2 如何打印每个分区的内容
print(“per partition content:”,collection_rdd.glom().collect())
3 - 使用rdd创建的第二种方法
minPartitions最小的分区个数，最终有多少的分区个数，以实际打印为主
file_rdd = sc.textFile(“/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/words.txt”,10)
print(“rdd numpartitions:{}”.format(file_rdd.getNumPartitions()))
print(" file_rdd per partition content:",file_rdd.glom().collect())如果sc.textFile读取的是文件夹中多个文件，这里的分区个数是以文件个数为主的，自己写的分区不起作用
file_rdd = sc.textFile(“/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/ratings100”, 3)
4 - 关闭SparkContext
sc.stop()
* 首先明确，分区的个数，这里一切以看到的为主，特别在sc.textFile *  *  * 重要两个API * 分区个数getNumberPartitions * 分区内元素glom().collect()- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 1
RDD的操作
函数分类
- *Transformation操作只是建立计算关系，而Action 操作才是实际的执行者*。
- Transformation算子
- 转换算子
- 操作之间不算的转换，如果想看到结果通过action算子触发
- Action算子
- 行动算子
- 触发Job的执行，能够看到结果信息
Transformation函数
-
值类型valueType
-
map
-
flatMap
-
filter
-
mapValue
双值类型DoubleValueType
- intersection
- union
- difference
- distinct
Key-Value值类型
- reduceByKey
- groupByKey
- sortByKey
- combineByKey是底层API
- foldBykey
- aggreateBykey
Action函数
- collect
- saveAsTextFile
- first
- take
- takeSample
- top
基础练习[Wordcount快速演示]
Transformer算子
-
单value类型代码
-
- 1
- 1
- 1
-- coding: utf-8 --
Program function：完成单Value类型RDD的转换算子的演示
from pyspark import SparkConf,SparkContext
import re
‘’’
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
‘’’
if name == ‘main’:1-创建SparkContext申请资源
conf = SparkConf().setAppName(“mini”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”)#一般在工作中不这么写，直接复制log4j文件2-map操作
rdd1 = sc.parallelize([1, 2, 3, 4, 5, 6])
rdd__map = rdd1.map(lambda x: x * 2)
print(rdd__map.glom().collect())#[2, 4, 6, 8, 10, 12],#[[2, 4, 6], [8, 10, 12]]3-filter操作
print(rdd1.glom().collect())
print(rdd1.filter(lambda x: x > 3).glom().collect())4-flatMap
rdd2 = sc.parallelize([" hello you", “hello me “])
print(rdd2.flatMap(lambda word: re.split(”\s+”, word.strip())).collect())5-groupBY
x = sc.parallelize([1, 2, 3])
y = x.groupBy(lambda x: ‘A’ if (x % 2 == 1) else ‘B’)
print(y.mapValues(list).collect())#[(‘A’, [1, 3]), (‘B’, [2])]6-mapValue
x1 = sc.parallelize([(“a”, [“apple”, “banana”, “lemon”]), (“b”, [“grapes”])])
def f(x): return len(x)
print(x1.mapValues(f).collect())- 1
- 1
-
双value类型的代码
-
- 1
- 1
- 1
-- coding: utf-8 --
Program function：完成单Value类型RDD的转换算子的演示
from pyspark import SparkConf, SparkContext
import re‘’’
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
‘’’
if name == ‘main’:1-创建SparkContext申请资源
conf = SparkConf().setAppName(“mini2”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”) # 一般在工作中不这么写，直接复制log4j文件2-对两个RDD求并集
rdd1 = sc.parallelize([1, 2, 3, 4, 5])
rdd2 = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8])
Union_RDD = rdd1.union(rdd2)
print(Union_RDD.collect())
print(rdd1.intersection(rdd2).collect())
print(rdd2.subtract(rdd1).collect())Return a new RDD containing the distinct elements in this RDD.
print(Union_RDD.distinct().collect())
print(Union_RDD.distinct().glom().collect())* key-Value算子 * ```python- 1
- 2
- 3
- 4
- 5
# -*- coding: utf-8 -*- # Program function：完成单Value类型RDD的转换算子的演示 from pyspark import SparkConf, SparkContext import re ''' 分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行 分区间：有一些操作分区间做一些累加 ''' if __name__ == '__main__': # 1-创建SparkContext申请资源 conf = SparkConf().setAppName("mini2").setMaster("local[*]") sc = SparkContext.getOrCreate(conf=conf) sc.setLogLevel("WARN") # 一般在工作中不这么写，直接复制log4j文件 # 2-key和value类型算子 # groupByKey rdd1 = sc.parallelize([("a", 1), ("b", 2)]) rdd2 = sc.parallelize([("c", 1), ("b", 3)]) rdd3 = rdd1.union(rdd2) key1 = rdd3.groupByKey() print("groupByKey:",key1.collect()) #groupByKey: # [('b',), # ('c', ), # ('a', )] print(key1.mapValues(list).collect())#需要通过mapValue获取groupByKey的值 print(key1.mapValues(tuple).collect()) # reduceByKey key2 = rdd3.reduceByKey(lambda x, y: x + y) print(key2.collect()) # sortByKey print(key2.map(lambda x: (x[1], x[0])).sortByKey(False).collect())#[(5, 'b'), (1, 'c'), (1, 'a')] # countByKey print(rdd3.countByValue())#defaultdict( , {('a', 1): 1, ('b', 2): 1, ('c', 1): 1, ('b', 3): 1}) - 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 1
Action算子
-
部分操作
-
- 1
- 1
- 1
-- coding: utf-8 --
Program function：完成单Value类型RDD的转换算子的演示
from pyspark import SparkConf, SparkContext
import re‘’’
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
‘’’
if name == ‘main’:1-创建SparkContext申请资源
conf = SparkConf().setAppName(“mini2”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”) # 一般在工作中不这么写，直接复制log4j文件2-key和value类型算子
groupByKey
rdd1 = sc.parallelize([(“a”, 1), (“b”, 2)])
rdd2 = sc.parallelize([(“c”, 1), (“b”, 3)])print(rdd1.first())
print(rdd1.take(2))
print(rdd1.top(2))
print(rdd1.collect())rdd3 = sc.parallelize([1, 2, 3, 4, 5])
from operator import add
from operator import mulprint(rdd3.reduce(add))
print(rdd3.reduce(mul))rdd4 = sc.parallelize(range(0, 10))
能否保证每次抽样结果是一致的，使用seed随机数种子
print(rdd4.takeSample(True, 3, 123))
print(rdd4.takeSample(True, 3, 123))
print(rdd4.takeSample(True, 3, 123))
print(rdd4.takeSample(True, 3, 34))* 其他补充算子 * ```python- 1
- 2
- 3
- 4
- 5
# -*- coding: utf-8 -*- # Program function：完成单Value类型RDD的转换算子的演示 from pyspark import SparkConf, SparkContext import re ''' 分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行 分区间：有一些操作分区间做一些累加 ''' def f(iterator): # 【1,2,3】 【4，5】 for x in iterator: # for x in 【1,2,3】 x=1,2,3 print 1.2.3 print(x) def f1(iterator): # 【1,2,3】 【4，5】 sum（1+2+3） sum(4+5) yield sum(iterator) if __name__ == '__main__': # 1-创建SparkContext申请资源 conf = SparkConf().setAppName("mini2").setMaster("local[*]") sc = SparkContext.getOrCreate(conf=conf) sc.setLogLevel("WARN") # 一般在工作中不这么写，直接复制log4j文件 # 2-foreach-Applies a function to all elements of this RDD. rdd1 = sc.parallelize([("a", 1), ("b", 2)]) print(rdd1.glom().collect()) # def f(x):print(x) rdd1.foreach(lambda x: print(x)) # 3-foreachPartition--Applies a function to each partition of this RDD. # 从性能角度分析，按照分区并行比元素更加高效 rdd1.foreachPartition(f) # 4-map---按照元素进行转换 rdd2 = sc.parallelize([1, 2, 3, 4]) print(rdd2.map(lambda x: x * 2).collect()) # 5-mapPartiton-----按照分区进行转换 # Return a new RDD by applying a function to each partition of this RDD. print(rdd2.mapPartitions(f1).collect()) # [3, 7]- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 1
重要函数
基本函数
- 基础的transformation
- 和action操作
分区操作函数
- mapPartition
- foreachPartition
重分区函数
-
- 1
- 1
- 1
-- coding: utf-8 --
Program function：完成单Value类型RDD的转换算子的演示
from pyspark import SparkConf, SparkContext
import re
‘’’
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
alt+6 可以调出来所有TODO，
TODO是Python提供了预留功能的地方
‘’’
if name == ‘main’:
#TODO: 1-创建SparkContext申请资源
conf = SparkConf().setAppName(“mini2”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”) # 一般在工作中不这么写，直接复制log4j文件
#TODO: 2-执行重分区函数–repartition
rdd1 = sc.parallelize([1, 2, 3, 4, 5, 6], 3)
print(“partitions num:”,rdd1.getNumPartitions())
print(rdd1.glom().collect())#[[1, 2], [3, 4], [5, 6]]
print(“repartition result:”)
#TODO: repartition可以增加分区也可以减少分区，但是都会产生shuflle，如果减少分区的化建议使用coalesc避免发生shuffle
rdd__repartition1 = rdd1.repartition(5)
print(“increase partition”,rdd__repartition1.glom().collect())#[[], [1, 2], [5, 6], [3, 4], []]
rdd__repartition2 = rdd1.repartition(2)
print(“decrease partition”,rdd__repartition2.glom().collect())#decrease partition [[1, 2, 5, 6], [3, 4]]
#TODO: 3-减少分区–coalese
print(rdd1.coalesce(2).glom().collect())#[[1, 2], [3, 4, 5, 6]]
print(rdd1.coalesce(5).glom().collect())#[[1, 2], [3, 4], [5, 6]]
print(rdd1.coalesce(5,True).glom().collect())#[[], [1, 2], [5, 6], [3, 4], []]结论：repartition默认调用的是coalese的shuffle为True的方法
TODO: 4-PartitonBy,可以调整分区，还可以调整分区器(一种hash分区器(一般打散数据)，一种range分区器(排序拍好的))
此类专门针对RDD中数据类型为KeyValue对提供函数
rdd五大特性中有第四个特点key-value分区器，默认是hashpartitioner分区器
rdd__map = rdd1.map(lambda x: (x, x))
print(“partitions length:”,rdd__map.getNumPartitions())#partitions length: 3
print(rdd__map.partitionBy(2).glom().collect())聚合函数 *  * 代码： * ```python- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
# -*- coding: utf-8 -*- # Program function：完成单Value类型RDD的转换算子的演示 from pyspark import SparkConf, SparkContext import re ''' 分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行 分区间：有一些操作分区间做一些累加 alt+6 可以调出来所有TODO， TODO是Python提供了预留功能的地方 ''' def addNum(x,y): return x+y if __name__ == '__main__': # TODO: 1-创建SparkContext申请资源 conf = SparkConf().setAppName("mini2").setMaster("local[*]") sc = SparkContext.getOrCreate(conf=conf) sc.setLogLevel("WARN") # 一般在工作中不这么写，直接复制log4j文件 # TODO: 2-使用reduce进行聚合计算 rdd1 = sc.parallelize([1, 2, 3, 4, 5, 6], 3) from operator import add # 直接得到返回值-21 print(rdd1.reduce(add)) # TODO： 3-使用fold进行聚合计算 # 第一个参数zeroValue是初始值，会参与分区的计算 # 第二个参数是执行运算的operation print(rdd1.fold(0, add)) # 21 print(rdd1.getNumPartitions()) # 3 print(rdd1.glom().collect()) print("fold result:", rdd1.fold(10, add)) # TODO： 3-使用aggreate进行聚合计算 # seqOp分区内的操作, combOp分区间的操作 print(rdd1.aggregate(0, add, add)) # 21 print(rdd1.glom().collect()) print("aggregate result:", rdd1.aggregate(1, add, add)) # aggregate result: 25 # 结论：fold是aggregate的简化版本，fold分区内和分区间的函数是一致的 print("aggregate result:", rdd1.aggregate(1, addNum, addNum)) # aggregate result: 25- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
-
byKey类的聚合函数
-
groupByKey----如何获取value的数据？------答案：result.mapValue(list).collect
-
reduceByKey
-
foldBykey
-
-
aggregateByKey
-
CombineByKey：这是一个更为底层实现的bykey 聚合算子，可以实现更多复杂功能
-
-
案例1:
-
- 1
# -*- coding: utf-8 -*- # Program function：完成单Value类型RDD的转换算子的演示 from pyspark import SparkConf, SparkContext import re ''' 分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行 分区间：有一些操作分区间做一些累加 alt+6 可以调出来所有TODO， TODO是Python提供了预留功能的地方 ''' ''' 对初始值进行操作 ''' def createCombiner(value): #('a',[1]) return [value] # 这里的x=createCombiner得到的[value]结果 def mergeValue(x,y): #这里相同a的value=y=1 x.append(y)#('a', [1, 1]),('b', [1]) return x def mergeCombiners(a,b): a.extend(b) return a- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
if name == ‘main’:
TODO: 1-创建SparkContext申请资源
conf = SparkConf().setAppName(“mini2”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”) # 一般在工作中不这么写，直接复制log4j文件TODO: 2-基础数据处理
from operator import add
rdd = sc.parallelize([(“a”, 1), (“b”, 1), (“a”, 1)])
[(a:[1,1]),(b,[1,1])]
print(sorted(rdd.groupByKey().mapValues(list).collect()))
使用自定义集聚合函数组合每个键的元素的通用功能。
-
createCombiner, which turns a V into a C (e.g., creates a one-element list)对初始值进行操作
-
mergeValue, to merge a V into a C (e.g., adds it to the end ofa list)对分区内的元素进行合并
-
mergeCombiners, to combine two C’s into a single one (e.g., merges the lists)对分区间的元素进行合并
by_key_result = rdd.combineByKey(createCombiner, mergeValue, mergeCombiners)
print(sorted(by_key_result.collect()))#[(‘a’, [1, 1]), (‘b’, [1])]* 案例2 * ```python- 1
- 2
- 3
- 4
- 5
-- coding: utf-8 --
Program function：完成单Value类型RDD的转换算子的演示
from pyspark import SparkConf, SparkContext
import re‘’’
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
alt+6 可以调出来所有TODO，
TODO是Python提供了预留功能的地方
‘’’‘’’
对初始值进行操作
[value,1],value指的是当前学生成绩，1代表的是未来算一下一个学生考了几次考试
(“Fred”, 88)---------->[88,1]
‘’’def createCombiner(value): #
return [value, 1]‘’’
x代表的是 [value,1]值，x=[88,1]
y代表的相同key的value，比如(“Fred”, 95)的95，执行分区内的累加
‘’’def mergeValue(x, y):
return [x[0] + y, x[1] + 1]‘’’
a = a[0] value,a[1] 几次考试
‘’’def mergeCombiners(a, b):
return [a[0] + b[0], a[1] + b[1]]if name == ‘main’:
TODO: 1-创建SparkContext申请资源
conf = SparkConf().setAppName(“mini2”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”) # 一般在工作中不这么写，直接复制log4j文件TODO: 2-基础数据处理
from operator import add
这里需要实现需求：求解一个学生的平均成绩
x = sc.parallelize([(“Fred”, 88), (“Fred”, 95), (“Fred”, 91), (“Wilma”, 93), (“Wilma”, 95), (“Wilma”, 98)], 3)
print(x.glom().collect())第一个分区(“Fred”, 88), (“Fred”, 95)
第二个分区(“Fred”, 91), (“Wilma”, 93),
第三个分区(“Wilma”, 95), (“Wilma”, 98)
reduceByKey
reduce_by_key_rdd = x.reduceByKey(lambda x, y: x + y)
print(“reduceBykey:”, reduce_by_key_rdd.collect()) # [(‘Fred’, 274), (‘Wilma’, 286)]如何求解平均成绩？
使用自定义集聚合函数组合每个键的元素的通用功能。
-
createCombiner, which turns a V into a C (e.g., creates a one-element list)对初始值进行操作
-
mergeValue, to merge a V into a C (e.g., adds it to the end ofa list)对分区内的元素进行合并
-
mergeCombiners, to combine two C’s into a single one (e.g., merges the lists)对分区间的元素进行合并
combine_by_key_rdd = x.combineByKey(createCombiner, mergeValue, mergeCombiners)
print(combine_by_key_rdd.collect()) # [(‘Fred’, [274, 3]), (‘Wilma’, [286, 3])]接下来平均值如何实现–(‘Fred’, [274, 3])—x[0]=Fred x[1]= [274, 3],x[1][0]=274,x[1][1]=3
print(combine_by_key_rdd.map(lambda x: (x[0], int(x[1][0] / x[1][1]))).collect())
* * 面试题： * [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0jT58qk8-1667918253411)(3-SparkBase-基础2.assets/image-20210911160023982.png)] * 关联函数- 1
- 2
- 3
- 4
- 5
- 6
- 7
SparkCore案例
PySpark实现SouGou统计分析
-
jieba分词：
-
pip install jieba 从哪里下载pypi
-
-
三种分词模式
-
精确模式，试图将句子最精确地切开，适合文本分析；默认的方式
-
全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
-
搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
-
-
- 1
- 1
-- coding: utf-8 --
Program function：测试结巴分词
import jieba
import rejieba.cut
方法接受四个输入参数:
需要分词的字符串；
cut_all 参数用来控制是否采用全模式；
HMM 参数用来控制是否使用 HMM 模型；
use_paddle 参数用来控制是否使用paddle模式下的分词模式，paddle模式采用延迟加载方式，通过enable_paddle接口安装paddlepaddle-tiny，并且import相关代码；
str = “我来到北京清华大学”
print(list(jieba.cut(str))) # [‘我’, ‘来到’, ‘北京’, ‘清华大学’],默认的是精确模式
print(list(jieba.cut(str, cut_all=True))) # [‘我’, ‘来到’, ‘北京’, ‘清华’, ‘清华大学’, ‘华大’, ‘大学’] 完全模式准备的测试数据
str1 = “00:00:00 2982199073774412 [360安全卫士] 8 3 download.it.com.cn/softweb/software/firewall/antivirus/20067/17938.html”
print(re.split(“\s+”, str1)[2]) # [360安全卫士]
print(re.sub(“[|]”, “”, re.split(“\s+”, str1)[2])) #360安全卫士
print(list(jieba.cut(re.sub(“[|]”, “”, re.split(“\s+”, str1)[2])))) # [360安全卫士] —>[‘360’, ‘安全卫士’]*  * 数据认知：数据集来自于搜狗实验室，日志数据 * ***\*日志\****库设计为包括约1个月(2008年6月)Sogou搜索引擎部分**网页查询需求**及**用户点击情况的网页查询日志**数据集合。 *  *  * 需求 * 1-首先需要将数据读取处理，形成结构化字段进行相关的分析 * 2-如何对搜索词进行分词，使用jieba或hanlp * jieba是中文分词最好用的工具 *  * 步骤 * 1-读取数据 * 2-完成需求1：搜狗关键词统计 * 3-完成需求2：用户搜索点击统计 * 4-完成需求3：搜索时间段统计 * 5-停止sparkcontext * 代码 * ```python- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
-- coding: utf-8 --
Program function：搜狗分词之后的统计
‘’’
- 1-读取数据
- 2-完成需求1：搜狗关键词统计
- 3-完成需求2：用户搜索点击统计
- 4-完成需求3：搜索时间段统计
- 5-停止sparkcontext
‘’’
from pyspark import SparkConf, SparkContext
import re
import jieba
if name == ‘main’:
准备环境变量
conf = SparkConf().setAppName(“sougou”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”)TODO*1 - 读取数据
sougouFileRDD = sc.textFile(“/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/sougou/SogouQ.reduced”)
print(“sougou count is:”, sougouFileRDD.count())#sougou count is: 1724264
00:00:00 2982199073774412 [360安全卫士] 8 3 download.it.com.cn/softweb/software/firewall/antivirus/20067/17938.html
resultRDD=sougouFileRDD
.filter(lambda line:(len(line.strip())>0) and (len(re.split(“\s+”,line.strip()))==6))
.map(lambda line:(
re.split(“\s+”, line)[0],
re.split(“\s+”, line)[1],
re.sub(“[|]”, “”, re.split(“\s+”, line)[2]),
re.split(“\s+”, line)[3],
re.split(“\s+”, line)[4],
re.split(“\s+”, line)[5]
))print(resultRDD.take(2))
#(‘00:00:00’, ‘2982199073774412’, ‘360安全卫士’, ‘8’, ‘3’, ‘download.it.com.cn/softweb/software/firewall/antivirus/20067/17938.html’)
#(‘00:00:00’, ‘07594220010824798’, ‘哄抢救灾物资’, ‘1’, ‘1’, ‘news.21cn.com/social/daqian/2008/05/29/4777194_1.shtml’)TODO*2 - 完成需求1：搜狗关键词统计
print(“=完成需求1：搜狗关键词统计======”)
recordRDD = resultRDD.flatMap(lambda record: jieba.cut(record[2]))print(recordRDD.take(5))
sougouResult1=recordRDD
.map(lambda word:(word,1))
.reduceByKey(lambda x,y:x+y)
.sortBy(lambda x:x[1],False)print(sougouResult1.take(5))
TODO*3 - 完成需求2：用户搜索点击统计
print(“=完成需求2：用户搜索点击统计======”)
根据用户id和搜索的内容作为分组字段进行统计
sougouClick = resultRDD.map(lambda record: (record[1], record[2]))
sougouResult2=sougouClick
.map(lambda tuple:(tuple,1))
.reduceByKey(lambda x,y:x+y) #key,value打印一下最大的次数和最小的次数和平均次数
print(“max count is:”,sougouResult2.map(lambda x: x[1]).max())
print(“min count is:”,sougouResult2.map(lambda x: x[1]).min())
print(“mean count is:”,sougouResult2.map(lambda x: x[1]).mean())如果对所有的结果排序
print(sougouResult2.sortBy(lambda x: x[1], False).take(5))
TODO*4 - 完成需求3：搜索时间段统计
print(“=完成需求3：搜索时间段-小时-统计======”)
#00:00:00
hourRDD = resultRDD.map(lambda x: str(x[0])[0:2])
sougouResult3=hourRDD
.map(lambda word:(word,1))
.reduceByKey(lambda x,y:x+y)
.sortBy(lambda x:x[1],False)
print(“搜索时间段-小时-统计”,sougouResult3.take(5))TODO*5 - 停止sparkcontext
sc.stop()
- 1
- 总结
- 重点关注在如何对数据进行清洗，如何按照需求进行统计
- 今日作业：
- 1-rdd的创建的两种方法，必须练习
- 2-rdd的练习将基础的案例先掌握。map。flatMap。reduceByKey
- 3-sougou的案例需要联系2-3遍
- 练习流程：
- 首先先要将代码跑起来
- 然后在理解代码，这一段代码做什么用的
- 在敲代码，需要写注释之后敲代码
-
相关阅读:
对垃圾回收的简单了解
qDebug().noquote()、qDebug().nospace()和 DEFINES+= QT_NO_DEBUG_OUTPUT作用
工业智能网关BL110应用之七十六： 实现西门子S7-400 PLC接入Modbus TCP Server云平台
【简单DP】房屋染色
SAP GUID分配时出错；不可能保存
【数独 2】候选数法解数独谜题-挖掘更深的信息-C++实现
C++保姆级入门教程（9）—— 一维数组基础
Flask设置跨域
内存泄露详细介绍
三面“有赞”Java岗斩获offer：Spring+JVM+并发锁+分布式+算法
- 原文地址：https://blog.csdn.net/qq_45588318/article/details/127760507
