作者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai

该文主要学习一下《Spark快速大数据分析》这本书，然后记录了一些常用的Python接口，完整版接口点击这里。

Spark中的RDD就是一个不可变的分布式对象集合，每个RDD都被分为多个分区，这些分区运行在集群中的不同节点上。用户可以使用两种方法创建RDD：读取一个外部数据集，或在驱动器程序里分发驱动器程序中的对象集合（比如 list 和 set）。创建出来之后，RDD支持两种类型的操作：转化操作（transformation）和行动操作（action）。转化操作会由一个RDD生成一个新的RDD，比如 filter() 函数。行动操作会对RDD计算出一个结果，并把结果返回到驱动器程序中，或把结果存储到外部存储系统（如HDFS）中，比如 first() 函数。如果，你对于当前的函数无法判断是转化操作还是行动操作时，你可以看该函数的返回值是什么，如果是一个RDD，那么该函数就是一个转化操作，如果是其他的数据类型，那么该函数就是一个行动操作。

有关转化操作的API

filter()函数

函数例子：

errorsRDD = inputRDD.filter(lambda x: "error" in x)

# 或者
def hasError(line):
  return 'error' in line

errorsRDD = inputRDD.filter(hasError)

这个API的作用是挑选出包含 error 的内容。注意，filter()操作不会改变已有的 inputRDD 中的数据。实际上，该操作会返回一个全新的RDD。

union()函数

函数例子：

errorsRDD = inputRDD.filter(lambda line : "error" in line)
warningRDD = inputRDD.filter(lambda line : "warning" in line)
badLinesRDD = errorsRDD.union(warningRDD)

这个API的作用是计算两个RDD的并集。如果两个RDD之间有重复的元素，那么在新生成的RDD中也会包含重复的元素。

intersection()函数

函数例子：

inputRDD = sc.parallelize([1,2,3,4,5,6,7,8,9])
a = inputRDD.filter(lambda x : x % 2 == 0) # 2,4,6,8
b = inputRDD.filter(lambda x : x > 5) # 6,7,8,9
c = a.intersection(b) # 8,6

这个API的作用是计算两个RDD的交集。该API在运行时也会去掉所有重复的元素（单个RDD内的重复元素也会一起移除）。尽管intersection()与union()的概念相似，intersection()的性能却要差很多，因为它需要通过网络混洗数据来发现共有的元素。

subtract()函数

函数例子：

inputRDD = sc.parallelize([1,2,3,4,5,6,7,8,9])
a = inputRDD.filter(lambda x : x % 2 == 0) # 2,4,6,8
b = inputRDD.filter(lambda x : x > 5) # 6,7,8,9
c = a.subtract(b) # 2,4

这个API的作用是计算两个RDD的差集，即返回一个由只存在于第一个RDD中而不存在与第二个RDD中的所有元素组成的RDD。和intersection()一样，该API也需要进行数据混洗。

cartesian()函数

函数例子：

inputRDD = sc.parallelize([1,2,3,4,5,6,7,8,9])
a=sc.parallelize(['a','b','c','d'])
b = inputRDD.filter(lambda x : x > 5) # 6,7,8,9
c = a.cartesian(b) 
# output
[('a', 6), ('a', 7), ('a', 8), ('a', 9), ('b', 6), ('b', 7), ('b', 8), ('b', 9), ('c', 6), ('c', 7), ('c', 8), ('c', 9), ('d', 6), ('d', 7), ('d', 8), ('d', 9)]

这个API的作用是计算两个RDD的笛卡尔积。该API转化操作会返回所有可能的（a，b）对，其中a是源RDD中的元素，而b则是来自另一个RDD。笛卡尔积在我们希望考虑所有可能的组合的相似度时比较有用，比如计算各用户对各种产品的预期兴趣程度。我们也可以求一个RDD与其自身的笛卡尔积，这可以用于求用户相似度的应用中。不过要特别注意的是，求大规模RDD的笛卡尔积开销巨大。

map()函数

函数例子：

doubleRDD = inputRDD.map(lambda x: x * 2)

这个API的作用是遍历inputRDD中所有的元素，然后返回的新的RDD中的元素是原来的两倍。

flatMap()函数

函数例子：

inputRDD = sc.parallelize(['i love you', 'hello world'])
outputRDD = inputRDD.flatMap(lambda x: x.split(' '))
print outputRDD.count() # 5

这个API的作用是被应用到输入inputRDD中每个元素上，不过返回的不是一个一个元素，而是一个返回值序列的迭代器。输出的RDD倒不是由迭代器组成的。我们得到的是一个包含各个迭代器可访问的所有元素的RDD。

distinct()函数

函数例子：

inputRDD = sc.parallelize([2,4,3,1,2,3,3,2,1,3,4,2,3,1,4])
distinctRDD = inputRDD.distinct()
dictinctRDD.collect()   # 1,2,3,4

这个API的作用是来生成一个只包含不同元素的新RDD。不过由于该操作需要对所有数据通过网络进行混洗（shuffle），所有这个操作非常消耗时间。

sample()函数

函数例子：

inputRDD = sc.parallelize([1,2,3,4,5,6,7,8,9,0])
sampleRDD = inputRDD.sample(False, 0.5)
# 2,3,4,7
sampleRDD = inputRDD.sample(True, 0.5)
# 2,2,2,5,6,6

这个API的作用是来随机采集RDD中的数据，第一个参数表示RDD中的元素是否可以被重复采集，如果True，那么表示可以重复采集。第二个参数是元素是否被采集的概率，取值范围必须是 [0,1]

reduceByKey()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.reduceByKey(lambda x,y: x+y)
# output
[(1, 2), (3, 10)]

这个API的作用是来合并具有相同键的值。

groupByKey()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.groupByKey(lambda x,y: x+y)
# {(1, [1]), (3,[4,6])}
for (i,j) in outputRDD.collect():
  for item in j:
    print item
# output item
<pyspark.resultiterable.ResultIterable object at 0x110a7ec90>
2
<pyspark.resultiterable.ResultIterable object at 0x110a7ed50>
4
6

这个API的作用是对具有相同键的值进行分组。

mapValues()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.mapValues(lambda x: x+1)
# {(1, [1]), (3,[4,6])}
for (i,j) in outputRDD.collect():
  for item in j:
    print item
# output item
<pyspark.resultiterable.ResultIterable object at 0x110a7ec90>
2
<pyspark.resultiterable.ResultIterable object at 0x110a7ed50>
4
6

这个API的作用是对具有相同键的值进行分组。

flatMapValues()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.flatMapValues(lambda x: range(x, 6))
# output
[(1, 2), (1, 3), (1, 4), (1, 5), (3, 4), (3, 5)]

这个API的作用是对pair RDD中的每个值应用一个返回迭代器的函数，然后对返回的每个元素都生成一个对应原键的键值对记录。通常用于符号化。

keys()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.keys()
# output
[1,3,3]

这个API的作用是返回一个仅包含键的RDD。

values()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.values()
# output
[2,4,6]

这个API的作用是返回一个仅包含值的RDD。

sortByKey()函数

函数例子：

inputRDD = sc.parallelize([(11,2),(13,4),(3,6)])
outputRDD = inputRDD.sortByKey()
# output
[(3,6),(11,2),(13,4)]

这个API的作用是返回一个根据键排序的RDD。

combineByKey(createCombiner, mergeValue, mergeCombiners, partitioner)函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
outputRDD = inputRDD.combineByKey(
  (lambda x: (x, 1)),
  (lambda x, y: (x[0] + y, x[1] + 1)),
  (lambda x, y: (x[0] + y[0], x[1] + y[1]))
)
# output
{[(1, (2, 1)), (3, (10, 2))]}

要理解combineByKey()，要先理解它在处理数据时是如何处理每个元素的。由于combineByKey()会遍历分区中的所有的元素，因此每个元素的键要么还没有遇到过，要么就和之前的某个元素的键相同。
如果这是一个新的元素，combineByKey()会使用一个叫作createCombiner()的函数来创建那个键对应的累加器的初始值。需要注意的是，这一过程会在每个分区中第一次出现各个键时发生，而不是在整个RDD中第一次出现一个键时发生。
如果这是一个在处理当前分区之前已经遇到的值，它会使用mergeValue()方法将该键的累加器对应的当前值与这个新的值进行合并。
由于每个分区都是独立处理的，因此对于同一个键可以有多个累加器，如果有两个或者更多的分区都有对应同一个键的累加器，就需要使用用户提供的mergeCombiners()方法将各个分区的结果进行合并。

有关行动操作的API

top()函数

函数例子：

outputdata = inputRDD.top(10)
for line in outputdata:
  print line

这个API的作用是返回inputRDD最前面的K个元素，返回的数据类型是一个list，长度是K。

take()函数

函数例子：

outputdata = inputRDD.take(10)
for line in outputdata:
  print line

这个API的作用是返回inputRDD中的K个元素，返回的数据类型是一个list，长度是K。

first()函数

函数例子：

inputRDD.first()

这个API的作用是返回inputRDD最前面的元素，返回的数据类型是一个字符串，编码是Unicode编码。

collect()函数

函数例子：

outputdata = inputRDD.collect()
for line in outputdata:
  print line

这个API的作用是返回inputRDD中所有的元素，返回的数据类型是一个list。注意，这个API只能在小数据上面使用，如果数据量太大，非常消耗时间和内存。

count()函数

函数例子：

len = inputRDD.count()
print len

这个API的作用是返回inputRDD中元素的个数。

reduce()函数

函数例子：

inputRDD = sc.parallelize([1,2,3,4,5,6,7,8,9])
output = inputRDD.reduce(lambda x,y : x+y)
# output
45

这个API的作用是接收一个函数作为参数，这个函数要操作两个RDD的元素类型的数据并返回一个同样类型的新元素。

takeSample(withReplacement, num, seed = None)函数

函数例子：

inputRDD = sc.parallelize(range(10))
output = inputRDD.takeSample(True, 20)
# output
[8, 5, 5, 7, 7, 6, 3, 1, 0, 7, 5, 5, 4, 3, 3, 4, 8, 2, 7, 4]
output = inputRDD.takeSample(False, 5)
# output
[2, 9, 7, 8, 0]

这个API的作用是返回一个指定长度的子集。如果 withReplacement 是True，那么返回的元素可以是重复采集的。

countByValue()函数

函数例子：

inputRDD = sc.parallelize(['a','b','c','d'])
output = inputRDD.countByValue()
# output
{'a': 1, 'c': 1, 'b': 1, 'd': 1}

这个API的作用是计算各元素在RDD中出现的次数。

substractByKey()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
otherRDD = sc.parallelize([(3,9)])
output = inputRDD.subtractByKey(otherRDD)
# output
[(1,2)]

这个API的作用是删除inputRDD中键与otherRDD中的键相同的元素。

join()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
otherRDD = sc.parallelize([(3,9)])
output = inputRDD.join(otherRDD)
# output
[(3, (4, 9)), (3, (6, 9))]

这个API的作用是对两个RDD进行内连接。

cogroup()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
otherRDD = sc.parallelize([(3,9)])
output = inputRDD.cogroup(otherRDD)
# output
{(1, ([2], [])), (3, ([4, 6], [9]))}

这个API的作用是将两个RDD中拥有相同键的数据分组到一起。

rightOuterJoin()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
otherRDD = sc.parallelize([(3,9)])
output = inputRDD.rightOuterJoin(otherRDD)
# output
[(3, (4, 9)), (3, (6, 9))]

这个API的作用是对两个RDD进行连接操作，确保第一个RDD的键必须存在（右外连接）。

leftOuterJoin()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
otherRDD = sc.parallelize([(3,9)])
output = inputRDD.leftOuterJoin(otherRDD)
# output
[(1, (2, None)), (3, (4, 9)), (3, (6, 9))]

这个API的作用是对两个RDD进行连接操作，确保第二个RDD的键必须存在（左外连接）。

countByKey()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
output = inputRDD.countByKey()
# output
{1: 1, 3: 2}

这个API的作用是对每个键对应的元素分别计数。

collectAsMap()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
output = inputRDD.collectAsMap()
# output
{1: 2, 3: 6}

这个API的作用是将结果以映射表的形式返回，以便查询。但如果RDD中，同一个key存在多个value，那么后面的value将会覆盖掉前面的value，最终得到的key就是唯一的，而且对应一个value。

lookup()函数

函数例子：

inputRDD = sc.parallelize([(1,2),(3,4),(3,6)])
output = inputRDD.lookup(3)
# output
[4, 6]

这个API的作用是返回给定键对应的所有值。

从Hive中读取数据

from pyspark.sql import HiveContext

hiveCtx = HiveContext(sc)
rows = hiveCtx.sql("select name, age from users")
firstRow = rows.first()
print firstRow.name

Python向spark传递函数有三种方法

# 方法一
word = rdd.filter(lambda s: "error" in s)

# 方法二
def containsError(s):
  return "error" in s
word = rdd.filter(containsError)

# 方法三
class WordFunctions(object):
  ...
  def getMatchesNoReference(self, rdd):
    # 安全方式：只把需要的字段提取到局部变量中
    query = self.query
    return rdd.filter(lambda x: query in x)

Spark-Python-常用API

有关转化操作的API

有关行动操作的API

从Hive中读取数据

Python向spark传递函数有三种方法

猜你喜欢