在Python的环境下对Spark文件操作

在实际使用Spark做集群运算的时候我们会遇到很多实际的问题，特记录下来，本文主要讲解关于Spark读文件为RDD ，然后RDD转DataFrame，然后将RDD存为文件，以及如何保存DataFrame到文件 

from pyspark.sql import SparkSession

def CreateSparkContext():
    # 构建SparkSession实例对象
    spark = SparkSession.builder \
        .appName("SparkSessionExample") \
        .master("local") \
        .getOrCreate()
    # 获取SparkContext实例对象
    sc = spark.sparkContext
    return sc

def save_rdd_to_file(rdd,path):
    #保存RDD数据，这里指定的路径tmp2文件夹必须是不存在的，否则会报错，因为创建的时候会自动创建
    return rdd.saveAsTextFile(path)

def read_file_to_RDD(sc,files_path):
    return sc.textFile(files_path)

def transform_rdd_to_DF(rdd,columns_list):
    df=rdd.toDF(columns_list)
    return df 

def save_DF(df,path,sep="|"):
    #将df保存输出的时候coalesce(1)的意思就是将输出到文件都放在一起而不进行拆分，如果不指定在大数据量的情况下文件输出会自动拆分
    df.coalesce(1).write.csv(path=path, header=False, sep=sep, mode='overwrite')

if __name__ == "__main__":
    # 获取SparkContext实例对象
    sc = CreateSparkContext()
    # 读取数据到RDD 
    raw_ratings_rdd  = read_file_to_RDD(sc,"/data/lin/train_data/movie_test/u.csv")
    #查看RDD数据的行数和第一行数据
    print(raw_ratings_rdd.count())

    print(raw_ratings_rdd.first())

    # 获取评分数据前三个字段，构建Rating实例对象,RDD转DataFrame
    ratings_rdd = raw_ratings_rdd.map(lambda line: line.split(',')[0:3])
    columns_list = ["user","product","rating"]
    ratings_rdd_df=transform_rdd_to_DF(ratings_rdd ,columns_list)
    #print(ratings_rdd.first())
    try:
        print("start save the RDD data")
        save_rdd_to_file(ratings_rdd,"/data/lin/predict_data/tmp/tmp2")
        #保存DataFrame
        print("start save DataFrame")
        
        save_DF(ratings_rdd_df,"/data/lin/predict_data/tmp/tmp1")

    except Exception as e:
        print(str(e))