pyspark基础准备

1.前言介绍

学习目标：了解什么是Speak、PySpark，了解为什么学习PySpark，了解课程是如何和大数据开发方向进行衔接

使用pyspark库所写出来的代码，既可以在电脑上简单运行，进行数据分析处理，又可以把代码无缝迁移到成百上千的服务器集群上去做分布式计算。

为什么要学习pyspark呢？

总结

2.基础准备

学习目标：掌握pyspark库的安装，掌握pyspark执行环境入口对象的构建，理解pyspark的编程模型。

建议使用国内代理镜像网站下载更快。

简化代码，本质上是同一个意思，链式结构，链式调用化简程序基本原则，就是我不管调用什么方法，我的返回值都是同一个对象啊

代码展示：
"""
演示获取pyspark的执行环境入库对象：SparkContext
并通过SparkContext对象获取当前PySpark的版本
"""# 导包
from pyspark import SparkConf,SparkContext
# 创建SparkConf类对象  setMaster是描写运行模式   setAppName是设置当前Spark任务的名字
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")
# 同一个意思，链式结构，链式调用化简程序
# 基本原则，就是我不管调用什么方法，我的返回值都是同一个对象啊
# 基于SparkConf类对象创建SparkContext对象
sc = SparkContext(conf=conf)
# 打印PySpark的运行版本
print(sc.version)
# 停止SparkContext对象的运行（停止PySpark程序）
sc.stop()

spark需要启动时间，所以代码的运行一小会，3.5.3就是当前spark的运行版本

这个sc非常非常重要哦，后续给大家讲解。

通过sc拿到数据输入，数据处理计算是通过RDD类对象的一系列成员方法来对数据进行计算，然后把结果对外进行输出

我们只需要记住后期写spark代码的三大步，把数据加载进来，对数据进行计算，把结果输出去

总结

3.数据输入

学习目标：理解RDD对象，掌握PySpark数据输入的2种方法。

RDD就和列表等数据容器差不多

parallelize成员方法把数据容器存入RDD对象

如果要查看RDD里面有什么内容，需要用collect()方法

字符串会把每一个字符都拆出来，存入RDD对象，字典仅有key被存入RDD对象

总结

4.数据计算

map方法

学习目标：掌握RDD的map方法

map会把传入的每一个参数都返回一个值

你会发现报错了，报错的原因是spark没有找到python解释器

给他指定一条路径，这样就没有问题了。

对于简单函数我们可以使用lambda匿名函数。

结果是一样的

链式调用

总结

flstMap方法

学习目标：掌握RDD的flatMap方法对数据进行计算。

提供map，可以看到尽管我们把数据分成一个一个的，但是还是存在嵌套，依旧被嵌套在list当中

from pyspark import SparkConf,SparkContext
import os
os.environ['PYSPARK_PYTHON'] ="D:/python/venv/Scripts/python.exe"
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)# 准备一个RDD
rdd = sc.parallelize(["ikun 22","ikun 3","ik unh hhhh"])
# 需求：将RDD数据里面的一个个单词提取出来
rdd2 = rdd.flatMap(lambda x: x.split(" ")) # 使用空格进行切分
print(rdd2.collect())

使用flatMap可以解除内部嵌套，语法与map一样

总结：

reduceByKey方法

学习目标：掌握RDD的reduceByKey方法

二元元组指的是元组里面存储的只有两个元素

KV型的RDD一般是两个元素，把第一个元素当成key，第二个当成value，自动按照key分组，然后根据你传入的逻辑计算value

（v,v)->(v) 意思是传入两个相同类型的参数，返回一个返回值，类型和传入要求一致

自动分组并且组内求和

总结

可以完成按key进行分组，并且组内进行逻辑计算

练习案例1

学习目标：完成使用PySpark进行单词计数的案例

数据文件

取出所有的单词，flatMap是把单词一个一个取出来，map是把单词一行一行取出来，一行是一个列表。

把单词转换成二元元组

完整代码

"""
完成练习案例：单词计数统计
"""
from pyspark import SparkConf,SparkContext
import os
# 1.构建执行环境入口对象
os.environ['PYSPARK_PYTHON'] ="D:/python/venv/Scripts/python.exe"
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
# 2.读取数据文件
rdd = sc.textFile("D:/word.txt")
# 3.取出全部单词
word_rdd = rdd.flatMap(lambda x: x.split(" "))
# 4.将所有单词都转换成二元元组，单词为key，value设置为1
# (hello,1) (spark,1) (itheima,1) (itcast,1)
word_with_one_rdd = word_rdd.map(lambda word: (word,1))
# 5.分组并求和
result_rdd = word_with_one_rdd.reduceByKey(lambda a,b:a+b)
# 6.打印输出结果
print(result_rdd.collect())

filter方法

学习目标：掌握RDD的filter方法

True被保留，False被丢弃

总结

distinct方法

学习目标：掌握RDD的distinct方法

不需要传入参数，功能简单就是去重操作

总结

sortBy方法

学习目标：掌握RDD的sortBy方法进行内容的排序

接收函数传入参数并且有一个返回值

目前我们没有解除到分布式，就先写上numPartitions=1

之前写过一个读取文件，统计单词的个数，现在让我们对他进行排序

可以自己控制升序或者降序

from pyspark import SparkConf,SparkContext
import os
# 1.构建执行环境入口对象
os.environ['PYSPARK_PYTHON'] ="D:/python/venv/Scripts/python.exe"
conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)
# 2.读取数据文件
rdd = sc.textFile("D:/word.txt")
# 3.取出全部单词
word_rdd = rdd.flatMap(lambda x: x.split(" "))
# 4.将所有单词都转换成二元元组，单词为key，value设置为1
# (hello,1) (spark,1) (itheima,1) (itcast,1)
word_with_one_rdd = word_rdd.map(lambda word: (word,1))
# 5.分组并求和
result_rdd = word_with_one_rdd.reduceByKey(lambda a,b:a+b)
# 6.对结果进行排序
final_rdd = result_rdd.sortBy(lambda x:x[1],ascending=False,numPartitions=1)
print(final_rdd.collect())