PySpark tutorial 学习笔记1——概述，SparkContext

Spark：https://spark.apache.org/

PySpark官方文档：http://spark.apache.org/docs/latest/api/python/pyspark.html

1.PySpark简介

1.1 Spark - 概述

Apache Spark是一个闪电般快速的实时处理框架。它可以使用内存计算以实时分析数据。由于Apache Hadoop MapReduce仅执行批处理并且缺乏实时处理功能，所以才有了Apache Spark，因为它可以实时执行流处理，也可以处理批处理。除了实时和批处理之外，Apache Spark还支持交互式查询和迭代算法。Apache Spark有自己的集群管理器，可以托管其应用程序。它利用Apache Hadoop进行存储和处理。它使用HDFS（Hadoop分布式文件系统）进行存储，也可以在YARN上运行Spark应用程序。

1.2 PySpark - 概述

Apache Spark是用Scala编写的。 Apache Spark社区发布了一个工具PySpark，可以使用用Spark支持Python。 PySpark可以使用Python语言操作RDD。正是由于一个名为Py4j的库，他们才能实现这一目标。PySpark提供了PySpark Shell，它将Python API链接到spark核心并初始化SparkContext。

2.PySpark SparkContext

SparkContext是任何spark功能的入口点。当我们运行任何Spark应用程序时，启动一个具有main函数的驱动程序，并在此处初始化SparkContext。然后，驱动程序在工作节点上的执行程序内运行操作。

SparkContext使用Py4J启动JVM并创建JavaSparkContext。默认情况下，PySpark将SparkContext写作'sc'。

SparkContext

以下代码块包含PySpark类的详细信息以及SparkContext的参数。

class pyspark.SparkContext (
   master = None,
   appName = None, 
   sparkHome = None, 
   pyFiles = None, 
   environment = None, 
   batchSize = 0, 
   serializer = PickleSerializer(), 
   conf = None, 
   gateway = None, 
   jsc = None, 
   profiler_cls = <class 'pyspark.profiler.BasicProfiler'>
)

参数

以下是SparkContext的参数。

Master - 它是连接到的集群的URL。
appName - 工作名称。
sparkHome - Spark安装目录。
pyFiles - 要发送到集群并添加到PYTHONPATH的.zip或.py文件。
environment - 工作节点环境变量。
batchSize - 表示为单个Java对象的Python对象的数量。设置1以禁用批处理，设置0以根据对象大小自动选择批处理大小，或设置为-1以使用无限批处理大小。
serializer - RDD序列化器。
conf - L {SparkConf}的一个对象，用于设置所有Spark属性。
gateway- 使用现有网关和JVM，否则初始化新JVM。
JSC - JavaSparkContext实例。
profiler_cls - 用于进行性能分析的一类自定义Profiler（默认为pyspark.profiler.BasicProfiler）。

在上述参数中，主要使用master和appname。PySpark程序的前两行如下所示 -

from pyspark import SparkContext
sc = SparkContext("local", "First App")

2.1 SparkContext示例 - PySpark Shell

在此示例中，我们将计算README.md文件中带有字符“a”或“b”的行数。比如一个文件中有5行，3行有'a'字符，那么输出将是→ Line with a：3。字符'b'也是如此。

注 - 我们不会在以下示例中创建任何SparkContext对象，因为默认情况下，当PySpark shell启动时，Spark会自动创建名为sc的SparkContext对象。如果尝试创建另一个SparkContext对象，将收到以下错误 - “ValueError：无法一次运行多个SparkContexts”。

PySpark Shell

<<< logFile = "file:///home/hadoop/spark-2.1.0-bin-hadoop2.7/README.md"
<<< logData = sc.textFile(logFile).cache()
<<< numAs = logData.filter(lambda s: 'a' in s).count()
<<< numBs = logData.filter(lambda s: 'b' in s).count()
<<< print("Lines with a: %i, lines with b: %i" % (numAs, numBs))
Lines with a: 62, lines with b: 30

2.2SparkContext示例 - Python程序

让我们使用Python程序运行相同的示例。创建一个名为firstapp.py的Python文件，并在该文件中输入以下代码。

----------------------------------------firstapp.py---------------------------------------
from pyspark import SparkContext
logFile = "file:///home/hadoop/spark-2.1.0-bin-hadoop2.7/README.md"  
sc = SparkContext("local", "first app")
logData = sc.textFile(logFile).cache()
numAs = logData.filter(lambda s: 'a' in s).count()
numBs = logData.filter(lambda s: 'b' in s).count()
print("Lines with a: %i, lines with b: %i" % (numAs, numBs))
----------------------------------------firstapp.py---------------------------------------

然后我们将在终端中执行以下命令来运行此Python文件。我们将得到与上面相同的输出。

$SPARK_HOME/bin/spark-submit firstapp.py
Output: Lines with a: 62, lines with b: 30