如何进行spark python编程
本篇文章给大家分享的是有关如何进行spark python编程，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
spark应用程序结构
Spark应用程序可分两部分：driver部分和executor部分初始化SparkContext和主体程序
A：driver部分
driver部分主要是对SparkContext进行配置、初始化以及关闭。初始化SparkContext是为了构建Spark应用程序的运行环境，在初始化SparkContext，要先导入一些Spark的类和隐式转换；在executor部分运行完毕后，需要将SparkContext关闭。
B：executor部分
Spark应用程序的executor部分是对数据的处理，数据分三种：
原生数据，包含输入的数据和输出的数据
生成Scala标量数据，如count（返回RDD中元素的个数）、reduce、fold/aggregate；返回几个标量，如take（返回前几个元素）。
生成Scala集合数据集，如collect（把RDD中的所有元素倒入 Scala集合类型）、lookup（查找对应key的所有值）。
生成hadoop数据集，如saveAsTextFile、saveAsSequenceFile
scala集合数据集，如Array(1,2,3,4,5)，Spark使用parallelize方法转换成RDD。
hadoop数据集，Spark支持存储在hadoop上的文件和hadoop支持的其他文件系统，如本地文件、HBase、SequenceFile和Hadoop的输入格式。例如Spark使用txtFile方法可以将本地文件或HDFS文件转换成RDD。
对于输入原生数据，Spark目前提供了两种：
对于输出数据，Spark除了支持以上两种数据，还支持scala标量
RDD，Spark进行并行运算的基本单位，其细节参见RDD 细解。RDD提供了四种算子：
窄依赖算子
宽依赖算子，宽依赖会涉及shuffle类，在DAG图解析时以此为边界产生Stage，如图所示。
输入输出一对一的算子，且结果RDD的分区结构不变，主要是map、flatMap；
输入输出一对一，但结果RDD的分区结构发生了变化，如union、coalesce；
从输入中选择部分元素的算子，如filter、distinct、subtract、sample。
对单个RDD基于key进行重组和reduce，如groupByKey、reduceByKey；
对两个RDD基于key进行join和重组，如join、cogroup。
输入算子，将原生数据转换成RDD，如parallelize、txtFile等
转换算子，最主要的算子，是Spark生成DAG图的对象，转换算子并不立即执行，在触发行动算子后再提交给driver处理，生成DAG图 --> Stage --> Task --> Worker执行。按转化算子在DAG图中作用，可以分成两种：
缓存算子，对于要多次使用的RDD，可以缓冲加快运行速度，对重要数据可以采用多备份缓存。
行动算子，将运算结果RDD转换成原生数据，如count、reduce、collect、saveAsTextFile等。
共享变量，在Spark运行时，一个函数传递给RDD内的patition操作时，该函数所用到的变量在每个运算节点上都复制并维护了一份，并且各个节点之间不会相互影响。但是在Spark Application中，可能需要共享一些变量，提供Task或驱动程序使用。Spark提供了两种共享变量：
广播变量，可以缓存到各个节点的共享变量，通常为只读，使用方法：
>>> from pyspark.context import SparkContext >>> sc = SparkContext('local', 'test') >>> b = sc.broadcast([1, 2, 3, 4, 5]) >>> b.value[1, 2, 3, 4, 5] >>> sc.parallelize([0, 0]).flatMap(lambda x: b.value).collect()[1, 2, 3, 4, 5, 1, 2, 3, 4, 5]累计器，只支持加法操作的变量，可以实现计数器和变量求和。用户可以调用SparkContext.accumulator(v)创建一个初始值为v的累加器，而运行在集群上的Task可以使用"+="操作，但这些任务却不能读取；只有驱动程序才能获取累加器的值。使用方法：
python编程
实验项目
sogou日志数据分析
实验数据来源：sogou精简版数据下载地址
数据格式说明：
访问时间\t用户ID\t[查询词]\t该URL在返回结果中的排名\t用户点击的顺序号\t用户点击的URL
其中，用户ID是根据用户使用浏览器访问搜索引擎时的Cookie信息自动赋值，即同一次使用浏览器输入的不同查询对应同一个用户ID。
以上数据格式是官方说明，实际上该数据集中排名和顺序号之间不是\t分割，而是空格分割。
一个session内查询次数最多的用户的session与相应的查询次数
import sys from pyspark import SparkContext if __name__ == "__main__": if len(sys.argv) != 2: print >> sys.stderr, "Usage: SogouC" exit(-1) sc = SparkContext(appName="SogouC") sgRDD = sc.textFile(sys.argv[1]) print sgRDD.filter(lambda line : len(line.split('\t')) == 5).map(lambda line : (line.split('\t')[1],1)).reduceByKey(lambda x , y : x + y ).map(lambda pair : (pair[1],pair[0])).sortByKey(False).map(lambda pair : (pair[1],pair[0])).take(10) sc.stop()
虚拟集群中任意节点运行命令：./bin/spark-submit --master spark://hadoop1:7077 --executor-memory 3g --driver-memory 1g SogouC.py hdfs://hadoop1:8000/dataguru/data/mini.txt
运行结果：[(u'11579135515147154', 431), (u'6383499980790535', 385), (u'7822241147182134', 370), (u'900755558064074', 335), (u'12385969593715146', 226), (u'519493440787543', 223), (u'787615177142486', 214), (u'502949445189088', 210), (u'2501320721983056', 208), (u'9165829432475153', 201)]
以上就是如何进行spark python编程，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注行业资讯频道。
