Pyspark 基础知识

1. PySpark简介

PySpark 是Spark官方提供的一个Python类库，内置了完全的Spark API，可以通过PySpark类库来编写Spark应用程序，并将其提交到Spark集群中运行。在安装好的Spark集群中，bin/pyspark 是一个交互式的程序，可以提供交互式编程并执行Spark计算。

PySpark和Spark框架对比：

Spark集群（Yarn）角色

当Spark Application运行在集群上时，主要有四个部分组成

1. Master(ResourceManager)：集群大管家，整个集群的资源管理和分配
2. Worker(NodeManager)：单个机器的管家，负责在单个服务器上提供运行容器，管理当前机器的资源
3. Driver：单个Spark任务的管理者，管理Executor的任务执行和任务分解分配，类似YARN的ApplicationMaster
4. Executor：具体干活的进程, Spark的工作任务(Task)都由Executor来负责执行

2. PySpark应用程序

Spark Application程序入口为：SparkContext，任何一个应用首先需要构建SparkContext对象，如下两步构建：

1. 创建SparkConf对象：设置Spark Application基本信息，比如应用的名称AppName和应用运行Master
2. 基于SparkConf对象，创建SparkContext对象

2.1 PySpark实现WordCount

from pyspark import SparkContext,SparkConf
import os

# 配置环境变量
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ["PYSPARK_PYTHON"]="/root/anaconda3/bin/python"
os.environ["PYSPARK_DRIVER_PYTHON"]="/root/anaconda3/bin/python"

if __name__ == '__main__':
    # 1) 创建SparkConf对象，设置应用的配置信息，比如应用名称和应用的运行模式
    conf = SparkConf().setAppName('WordCount').setMaster('local[*]')
    
    # 2) 构建SparkContext上下文实例对象，读取数据和调度Job执行
    sc = SparkContext(conf=conf)

    # 3) 读取数据，封装到RDD集合，认为列表list
    # 本地文件协议: file:///
    # HDFS协议:  hdfs://node1:8020/
    rdd_init = sc.textFile('file:///export/data/workspace/data/words.txt')

    # 4) 处理数据，调度RDD函数，对每行数据分割为单词
    rdd_flapMap = rdd_init.flatMap(lambda line: line.split(' '))

    # 5) 转换为二元祖，每个单词出现一次
    rdd_map = rdd_flapMap.map(lambda word: (word,1))

    # 6) 分组聚合统计操作，按照key分组聚合
    rdd_res = rdd_map.reduceByKey(lambda agg,curr : agg+curr)

    # 7) 输出打印结果
    print(rdd_res.collect())

	# 8) 输出结果到本地文件中
	rdd_res.saveAsTextFile("file:///export/data/workspace/data/rst.txt")

    # 9) 关闭 sc对象
    sc.stop()

WordCount执行流程

WordCount执行流程分析：

Spark Application应用程序运行时，无论client还是cluster部署模式DeployMode，当Driver Program和Executors启动完成以后，就要开始执行应用程序中MAIN函数的代码。

1. 构建SparkContex对象和关闭SparkContext资源，都是在Driver Program中执行，上图中①和③都是：
   
2. 上图中②的加载数据【A】、处理数据【B】和输出数据【C】代码，都在Executors上执行，从WEB UI监控页面可以看到此Job（RDD#action触发一个Job）对应DAG图，如下所示：
   
   从WordCount执行流程来看，非数据处理的部分有Driver工作，数据处理的部分由Executor工作。

3. PySpark 执行原理

PySpark宗旨是在不破坏Spark已有的运行时架构，在Spark架构外层包装一层Python API，借助Py4j实现Python和Java的交互，进而实现通过Python编写Spark应用程序，其运行时架构如下：

详细原理如下图：

Python On Spark Driver端由JVM执行，Executor端由JVM做命令转发，底层由Python解释器进行工作。其中白色部分是新增的Python进程

在Driver端：通过Py4j实现在Python中调用Java的方法，即将用户写的PySpark程序”映射”到JVM中，例如，用户在PySpark中实例化一个Python的SparkContext对象，最终会在JVM中实例化Scala的SparkContext对象

在Executor端：则不需要借助Py4j，因为Executor端运行的Task逻辑是由Driver发过来的，那是序列化后的字节码，虽然里面可能包含有用户定义的Python函数或Lambda表达式，Py4j并不能实现在Java里调用Python的方法，为了能在Executor端运行用户定义的Python函数或Lambda表达式，则需要为每个Task单独启一个Python进程，通过socket通信方式将Python函数或Lambda表达式发给Python进程执行

参考：
https://www.cnblogs.com/Ao0216/p/16376113.html
https://spark.apache.org/docs/latest/rdd-programming-guide.html