Python+大数据-Spark技术栈(二)SparkBase&Core

Python+大数据-Spark技术栈(二)SparkBase&Core

• 学习目标
• 掌握SparkOnYarn搭建
• 掌握RDD的基础创建及相关算子操作
• 了解PySpark的架构及角色

环境搭建-Spark on YARN

• Yarn 资源调度框架，提供如何基于RM，NM，Continer资源调度
• Yarn可以替换Standalone结构中Master和Worker来使用RM和NM来申请资源

SparkOnYarn本质

• Spark计算任务通过Yarn申请资源，SparkOnYarn
• 将pyspark文件，经过Py4J(Python for java)转换，提交到Yarn的JVM中去运行

修改配置

• 思考，如何搭建SparkOnYarn环境？

• 1-需要让Spark知道Yarn(yarn-site.xml)在哪里？

• 在哪个文件下面更改？spark-env.sh中增加YARN_CONF_DIR的配置目录

• 

• 2-修改Yan-site.xml配置，管理内存检查,历史日志服务器等其他操作

• 修改配置文件

• 

• 3-需要配置历史日志服务器

• 需要实现功能：提交到Yarn的Job可以查看19888的历史日志服务器可以跳转到18080的日志服务器上

• 因为19888端口无法查看具体spark的executor后driver的信息，所以搭建历史日志服务器跳转

• 3-需要准备SparkOnYarn的需要Jar包，配置在配置文件中

• 在spark-default.conf中设置spark和yarn映射的jar包文件夹(hdfs)

• 

• 注意，在最终执行sparkonyarn的job的时候一定重启Hadoop集群，因为更改相关yarn配置

• 4-执行SparkOnYarn

• 这里并不能提供交互式界面，只有spark-submit(提交任务)

• #基于SparkOnyarn提交任务
  bin/spark-submit \
  --master yarn \
  /export/server/spark/examples/src/main/python/pi.py  \
  10
  

• 

小结

SparKOnYarn:使用Yarn提供了资源的调度和管理工作，真正执行计算的时候Spark本身

Master和Worker的结构是Spark Standalone结构 使用Master申请资源，真正申请到是Worker节点的Executor的Tasks线程

原来Master现在Yarn替换成ResourceManager，现在Yarn是Driver给ResourceManager申请资源

原来Worker现在Yarn替换为Nodemanager，最终提供资源的地方时hiNodeManager的Continer容器中的tasks

安装配置:

1-让spark知道yarn的位置

2-更改yarn的配置，这里需要开启历史日志服务器和管理内存检查

3-整合Spark的历史日志服务器和Hadoop的历史日志服务器，效果：通过8088的yarn的http://node1:8088/cluster跳转到18080的spark的historyserver上

4-SparkOnYarn需要将Spark的jars目录下的jar包传递到hdfs上，并且配置spark-default.conf让yarn知晓配置

5-测试，仅仅更换–master yarn

部署模式

#如果启动driver程序是在本地，称之为client客户端模式，现象：能够在client端看到结果

#如果在集群模式中的一台worker节点上启动driver，称之为cluser集群模式，现象：在client端看不到结果

• client

• 

• 首先 client客户端提交spark-submit任务，其中spark-submit指定–master资源，指定–deploy-mode模式

• 由启动在client端的Driver申请资源，

• 交由Master申请可用Worker节点的Executor中的Task线程

• 一旦申请到Task线程，将资源列表返回到Driver端

• Driver获取到资源后执行计算，执行完计算后结果返回到Driver端

• 由于Drivr启动在client端的，能够直接看到结果

• 实验：

#基于Standalone的脚本—部署模式client
#driver申请作业的资源，会向–master集群资源管理器申请
#执行计算的过程在worker中，一个worker有很多executor(进程)，一个executor下面有很多task(线程)
bin/spark-submit
–master spark://node1:7077
–deploy-mode client
–driver-memory 512m
–executor-memory 512m
/export/server/spark/examples/src/main/python/pi.py
10

• cluster

• [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LSRjAKIC-1667918253373)(3-SparkBase-基础2.assets/image-20210910114736875.png)]

• 首先 client客户端提交spark-submit任务，其中spark-submit指定–master资源，指定–deploy-mode模式

• 由于指定cluster模式，driver启动在worker节点上

• 由driver申请资源，由Master返回worker可用资源列表

• 由Driver获取到资源执行后续计算

• 执行完计算的结果返回到Driver端，

• 由于Driver没有启动在客户端client端，在client看不到结果

• 如何查看数据结果？

• 需要在日志服务器上查看，演示

• 实验：

SPARK_HOME=/export/server/spark
${SPARK_HOME}/bin/spark-submit
–master spark://node1.itcast.cn:7077,node2.itcast.cn:7077
–deploy-mode cluster
–driver-memory 512m
–executor-memory 512m
–num-executors 1
–total-executor-cores 2
–conf “spark.pyspark.driver.python=/root/anaconda3/bin/python3”
–conf “spark.pyspark.python=/root/anaconda3/bin/python3”
${SPARK_HOME}/examples/src/main/python/pi.py
10

* ![image-20221108221848693](https://img-blog.csdnimg.cn/img_convert/74151e55f43b6927b805f6f593976a23.png)

• 注意事项：
• 
• 
• 通过firstpyspark.py写的wordcount的代码，最终也是转化为spark-submit任务提交
• 如果是spark-shell中的代码最终也会转化为spark-submit的执行脚本
• 在Spark-Submit中可以提交driver的内存和cpu，executor的内存和cpu，–deploy-mode部署模式

Spark On Yarn两种模式

• Spark on Yarn两种模式

• –deploy-mode client和cluster

• Yarn的回顾：Driver------AppMaster------RM-----NodeManager—Continer----Task

• client模式

#deploy-mode的结构
SPARK_HOME=/export/server/spark
${SPARK_HOME}/bin/spark-submit
–master yarn
–deploy-mode client
–driver-memory 512m
–driver-cores 2
–executor-memory 512m
–executor-cores 1
–num-executors 2
–queue default
${SPARK_HOME}/examples/src/main/python/pi.py
10

#瘦身
SPARK_HOME=/export/server/spark
${SPARK_HOME}/bin/spark-submit \
--master yarn \
--deploy-mode client \
${SPARK_HOME}/examples/src/main/python/pi.py \
10

• 原理：

• [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QBsqHZYs-1667918253381)(3-SparkBase-基础2.assets/image-20210910151817226.png)]

• 1-启动Driver

• 2-由Driver向RM申请启动APpMaster

• 3-由RM指定NM启动AppMaster

• 4-AppMaster应用管理器申请启动Executor(资源的封装，CPU，内存)

• 5-由AppMaster指定启动NodeManager启动Executor

• 6-启动Executor进程，获取任务计算所需的资源

• 7-将获取的资源反向注册到Driver

• 由于Driver启动在Client客户端(本地)，在Client端就可以看到结果3.1415

• 8-Driver负责Job和Stage的划分[了解]

• 1-执行到Action操作的时候会触发Job，不如take

• 2-接下来通过DAGscheduler划分Job为Stages，为每个stage创建task

• 3-接下来通过TaskScheduler将每个Stage的task分配到每个executor去执行

• 4-结果返回到Driver端，得到结果

• cluster：

• 作业：

${SPARK_HOME}/bin/spark-submit
–master yarn
–deploy-mode cluster
–driver-memory 512m
–executor-memory 512m
–executor-cores 1
–num-executors 2
–queue default
–conf “spark.pyspark.driver.python=/root/anaconda3/bin/python3”
–conf “spark.pyspark.python=/root/anaconda3/bin/python3”
${SPARK_HOME}/examples/src/main/python/pi.py
10
#瘦身
${SPARK_HOME}/bin/spark-submit
–master yarn
–deploy-mode cluster
${SPARK_HOME}/examples/src/main/python/pi.py
10

* ![image-20221108222021032](https://img-blog.csdnimg.cn/img_convert/1f6ee9cb2c2a2de41345c0e498054d45.png)

* ![image-20221108222049874](https://img-blog.csdnimg.cn/img_convert/a20388f01d3b37737e7735294f350eba.png)

* ![image-20221108222115503](https://img-blog.csdnimg.cn/img_convert/494bacec237db3d8f951805ec80d0a44.png)

* ![image-20221108222215581](https://img-blog.csdnimg.cn/img_convert/b438e88db18c175002d66484237675e9.png)

* 原理：

* ![image-20221108222236186](https://img-blog.csdnimg.cn/img_convert/cbe41a6e0ca4d63ec6efc0eefaa01ffe.png)

* ![image-20221108222254395](https://img-blog.csdnimg.cn/img_convert/f1e8685b061c7692ab95ba346ea430a8.png)

* ![image-20221108222316951](https://img-blog.csdnimg.cn/img_convert/16a7c8cb5bad384a7fac72b5b5de4d7e.png)

扩展阅读：两种模式详细流程

扩展阅读-Spark关键概念

扩展阅读：Spark集群角色

• 
• Executor通过启动多个线程（task）来执行对RDD的partition进行并行计算
• 也就是执行我们对RDD定义的例如map、flatMap、reduce等算子操作。
• Driver：启动SparkCOntext的地方称之为Driver，Driver需要向CLusterManager申请资源，同时获取到资源后会划分Stage提交Job
• Master：l 主要负责资源的调度和分配，并进行集群的监控等职责；
• worker：一个是用自己的内存存储RDD的某个或某些partition；另一个是启动其他进程和线程（Executor），对RDD上的partition进行并行的处理和计算
• Executor：一个Worker****(NodeManager)****上可以运行多个Executor，Executor通过启动多个线程（task）来执行对RDD的partition进行并行计算
• 每个Task线程都会拉取RDD的每个分区执行计算，可以执行并行计算

扩展阅读：Spark-shell和Spark-submit

• bin/spark-shell --master spark://node1:7077 --driver-memory 512m --executor-memory 1g

• # SparkOnYarn组织参数

–driver-memory MEM 默认1g，Memory for driver (e.g. 1000M, 2G) (Default: 1024M). Driver端的内存

–driver-cores NUM 默认1个，Number of cores used by the driver, only in cluster mode(Default: 1).

–num-executors NUM 默认为2个，启动多少个executors

–executor-cores NUM 默认1个，Number of cores used by each executor，每个executou需要多少cpucores

–executor-memory 默认1G，Memory per executor (e.g. 1000M, 2G) (Default: 1G) ，每个executour的内存

–queue QUEUE_NAME The YARN queue to submit to (Default: “default”).

---

bin/spark-submit --master yarn \

–deploy-mode cluster \

–driver-memory 1g \

–driver-cores 2 \

–executor-cores 4 \

–executor-memory 512m \

–num-executors 10 \

path/XXXXX.py \

10

扩展阅读：命令参数

–driver-memory MEM 默认1g，Memory for driver (e.g. 1000M, 2G) (Default: 1024M). Driver端的内存

–driver-cores NUM 默认1个，Number of cores used by the driver, only in cluster mode(Default: 1).

–num-executors NUM 默认为2个，启动多少个executors

–executor-cores NUM 默认1个，Number of cores used by each executor，每个executou需要多少cpucores

–executor-memory 默认1G，Memory per executor (e.g. 1000M, 2G) (Default: 1G) ，每个executour的内存

–queue QUEUE_NAME The YARN queue to submit to (Default: “default”).

MAIN函数代码执行

• 
• Driver端负责申请资源包括关闭资源，负责任务的Stage的切分
• Executor执行任务的计算
• 一个Spark的Application有很多Job
• 一个Job下面有很多Stage
• 一个Stage有很多taskset
• 一个Taskset有很多task任务构成的额
• 一个rdd分task分区任务都需要executor的task线程执行计算

再续 Spark 应用

[了解]PySpark角色分析

• Spark的任务执行的流程
• 面试的时候按照Spark完整的流程执行即可
• 
• Py4J–Python For Java–可以在Python中调用Java的方法
• 因为Python作为顶层的语言，作为API完成Spark计算任务，底层实质上还是Scala语言调用的
• 底层有Python的SparkContext转化为Scala版本的SparkContext
• ****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。

[了解]PySpark架构

• 

RDD详解

为什么需要RDD?

• 首先Spark的提出为了解决MR的计算问题，诸如说迭代式计算，比如：机器学习或图计算
• 希望能够提出一套基于内存的迭代式数据结构，引入RDD弹性分布式数据集，如下图
• 
• 为什么RDD是可以容错？
• RDD依靠于依赖关系dependency relationship
• reduceByKeyRDD-----mapRDD-----flatMapRDD
• 另外缓存，广播变量，检查点机制等很多机制解决容错问题
• 为什么RDD可以执行内存中计算？
• RDD本身设计就是基于内存中迭代式计算
• RDD是抽象的数据结构
• 
• 

什么是RDD?

• RDD弹性分布式数据集
• 弹性：可以基于内存存储也可以在磁盘中存储
• 分布式：分布式存储(分区)和分布式计算
• 数据集：数据的集合

RDD 定义

• RDD是不可变，可分区，可并行计算的集合
• 在pycharm中按两次shift可以查看源码，rdd.py
• 
• RDD提供了五大属性
• [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Q8I7Y1iO-1667918253397)(H:\黑马\Python+大数据\第八阶段各项资料分别打包版本\笔记\3-SparkBase-基础2.assets\image-20210910181857233.png)]

RDD的5大特性

• RDD五大特性：
• 1-RDD是有一些列分区构成的，a list of partitions
• 2-计算函数
• 3-依赖关系，reduceByKey依赖于map依赖于flatMap
• 4-(可选项)key-value的分区，对于key-value类型的数据默认分区是Hash分区，可以变更range分区等
• 5-(可选项)位置优先性，移动计算不要移动存储
• 
• 
• 2-
• 
• 3-
• 
• 4-
• 
• 5-最终图解
• 
• RDD五大属性总结
• 1-分区列表
• 2-计算函数
• 3-依赖关系
• 4-key-value的分区器
• 5-位置优先性

RDD特点—不需要记忆

• 分区
• 只读
• 依赖
• 缓存
• checkpoint

WordCount中RDD

• 

RDD的创建

PySpark中RDD的创建两种方式

并行化方式创建RDD

rdd1=sc.paralleise([1,2,3,4,5])

通过文件创建RDD

rdd2=sc.textFile(“hdfs://node1:9820/pydata”)

代码：

# -*- coding: utf-8 -*-
# Program function：创建RDD的两种方式
'''
第一种方式：使用并行化集合，本质上就是将本地集合作为参数传递到sc.pa
第二种方式：使用sc.textFile方式读取外部文件系统，包括hdfs和本地文件系统
1-准备SparkContext的入口，申请资源
2-使用rdd创建的第一种方法
3-使用rdd创建的第二种方法
4-关闭SparkContext
'''
from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
print("=========createRDD==============")
# 1 - 准备SparkContext的入口，申请资源
conf = SparkConf().setAppName("createRDD").setMaster("local[5]")
sc = SparkContext(conf=conf)
# 2 - 使用rdd创建的第一种方法
collection_rdd = sc.parallelize([1, 2, 3, 4, 5, 6])
print(collection_rdd.collect())  # [1, 2, 3, 4, 5, 6]
# 2-1 如何使用api获取rdd的分区个数
print("rdd numpartitions:{}".format(collection_rdd.getNumPartitions()))  # 5
# 3 - 使用rdd创建的第二种方法
file_rdd = sc.textFile("/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/words.txt")
print(file_rdd.collect())
print("rdd numpartitions:{}".format(file_rdd.getNumPartitions()))  # 2
# 4 - 关闭SparkContext
sc.stop()

小文件读取

通过外部数据创建RDD

• 

• http://spark.apache.org/docs/latest/api/python/reference/pyspark.html#rdd-apis

• 

-- coding: utf-8 --

Program function：创建RDD的两种方式

‘’’
1-准备SparkContext的入口，申请资源
2-读取外部的文件使用sc.textFile和sc.wholeTextFile方式
3-关闭SparkContext
‘’’
from pyspark import SparkConf, SparkContext

if name == ‘main’:
print(“=createRDD======”)

1 - 准备SparkContext的入口，申请资源

conf = SparkConf().setAppName(“createRDD”).setMaster(“local[5]”)
sc = SparkContext(conf=conf)

2 - 读取外部的文件使用sc.textFile和sc.wholeTextFile方式\

file_rdd = sc.textFile(“/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/ratings100”)
wholefile_rdd = sc.wholeTextFiles(“/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/ratings100”)
print(“file_rdd numpartitions:{}”.format(file_rdd.getNumPartitions()))#file_rdd numpartitions:100
print(“wholefile_rdd numpartitions:{}”.format(wholefile_rdd.getNumPartitions()))#wholefile_rdd numpartitions:2
print(wholefile_rdd.take(1))# 路径，具体的值

如何获取wholefile_rdd得到具体的值

print(type(wholefile_rdd))#
print(wholefile_rdd.map(lambda x: x[1]).take(1))

3 - 关闭SparkContext

sc.stop()

* 如何查看rdd的分区？getNumPartitions()

扩展阅读：RDD分区数如何确定

• 

• 

-- coding: utf-8 --

Program function：创建RDD的两种方式

‘’’
第一种方式：使用并行化集合，本质上就是将本地集合作为参数传递到sc.pa
第二种方式：使用sc.textFile方式读取外部文件系统，包括hdfs和本地文件系统
1-准备SparkContext的入口，申请资源
2-使用rdd创建的第一种方法
3-使用rdd创建的第二种方法
4-关闭SparkContext
‘’’
from pyspark import SparkConf, SparkContext

if name == ‘main’:
print(“=createRDD======”)

1 - 准备SparkContext的入口，申请资源

conf = SparkConf().setAppName(“createRDD”).setMaster(“local[*]”)

conf.set(“spark.default.parallelism”,10)#重写默认的并行度，10

sc = SparkContext(conf=conf)

2 - 使用rdd创建的第一种方法,

collection_rdd = sc.parallelize([1, 2, 3, 4, 5, 6],5)

2-1 如何使用api获取rdd的分区个数

print(“rdd numpartitions:{}”.format(collection_rdd.getNumPartitions())) #2

总结：sparkconf设置的local5,sc.parallesise直接使用分区个数是5

如果设置spark.default.parallelism，默认并行度，sc.parallesise直接使用分区个数是10

优先级最高的是函数内部的第二个参数 3

2-2 如何打印每个分区的内容

print(“per partition content:”,collection_rdd.glom().collect())

3 - 使用rdd创建的第二种方法

minPartitions最小的分区个数，最终有多少的分区个数，以实际打印为主

file_rdd = sc.textFile(“/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/words.txt”,10)
print(“rdd numpartitions:{}”.format(file_rdd.getNumPartitions()))
print(" file_rdd per partition content:",file_rdd.glom().collect())

如果sc.textFile读取的是文件夹中多个文件，这里的分区个数是以文件个数为主的，自己写的分区不起作用

file_rdd = sc.textFile(“/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/ratings100”, 3)

4 - 关闭SparkContext

sc.stop()

* 首先明确，分区的个数，这里一切以看到的为主，特别在sc.textFile

* ![image-20221108223054898](https://img-blog.csdnimg.cn/img_convert/aa10b4d47fc07da8a15d63ed87d21e27.png)

* ![image-20221108223117161](https://img-blog.csdnimg.cn/img_convert/dfb3251a0d534df307afc6ccd8899f0e.png)

* 重要两个API

* 分区个数getNumberPartitions
* 分区内元素glom().collect()

RDD的操作

函数分类

• *Transformation操作只是建立计算关系，而Action 操作才是实际的执行者*。
• 
• Transformation算子
• 转换算子
• 操作之间不算的转换，如果想看到结果通过action算子触发
• 
• Action算子
• 行动算子
• 触发Job的执行，能够看到结果信息
• 

Transformation函数

• 值类型valueType

• map

• flatMap

• filter

• mapValue

双值类型DoubleValueType

• intersection
• union
• difference
• distinct

Key-Value值类型

• reduceByKey
• groupByKey
• sortByKey
• combineByKey是底层API
• foldBykey
• aggreateBykey

Action函数

• collect
• saveAsTextFile
• first
• take
• takeSample
• top

基础练习[Wordcount快速演示]

Transformer算子

• 单value类型代码

-- coding: utf-8 --

Program function：完成单Value类型RDD的转换算子的演示

from pyspark import SparkConf,SparkContext
import re
‘’’
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
‘’’
if name == ‘main’:

1-创建SparkContext申请资源

conf = SparkConf().setAppName(“mini”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”)#一般在工作中不这么写，直接复制log4j文件

2-map操作

rdd1 = sc.parallelize([1, 2, 3, 4, 5, 6])
rdd__map = rdd1.map(lambda x: x * 2)
print(rdd__map.glom().collect())#[2, 4, 6, 8, 10, 12],#[[2, 4, 6], [8, 10, 12]]

3-filter操作

print(rdd1.glom().collect())
print(rdd1.filter(lambda x: x > 3).glom().collect())

4-flatMap

rdd2 = sc.parallelize([" hello you", “hello me “])
print(rdd2.flatMap(lambda word: re.split(”\s+”, word.strip())).collect())

5-groupBY

x = sc.parallelize([1, 2, 3])
y = x.groupBy(lambda x: ‘A’ if (x % 2 == 1) else ‘B’)
print(y.mapValues(list).collect())#[(‘A’, [1, 3]), (‘B’, [2])]

6-mapValue

x1 = sc.parallelize([(“a”, [“apple”, “banana”, “lemon”]), (“b”, [“grapes”])])
def f(x): return len(x)
print(x1.mapValues(f).collect())

• 双value类型的代码

-- coding: utf-8 --

Program function：完成单Value类型RDD的转换算子的演示

from pyspark import SparkConf, SparkContext
import re

‘’’
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
‘’’
if name == ‘main’:

1-创建SparkContext申请资源

conf = SparkConf().setAppName(“mini2”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”) # 一般在工作中不这么写，直接复制log4j文件

2-对两个RDD求并集

rdd1 = sc.parallelize([1, 2, 3, 4, 5])
rdd2 = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8])
Union_RDD = rdd1.union(rdd2)
print(Union_RDD.collect())
print(rdd1.intersection(rdd2).collect())
print(rdd2.subtract(rdd1).collect())

Return a new RDD containing the distinct elements in this RDD.

print(Union_RDD.distinct().collect())
print(Union_RDD.distinct().glom().collect())

* key-Value算子

* ```python
 

# -*- coding: utf-8 -*-
# Program function：完成单Value类型RDD的转换算子的演示

from pyspark import SparkConf, SparkContext
import re

'''
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
'''
if __name__ == '__main__':
 # 1-创建SparkContext申请资源
 conf = SparkConf().setAppName("mini2").setMaster("local[*]")
 sc = SparkContext.getOrCreate(conf=conf)
 sc.setLogLevel("WARN")  # 一般在工作中不这么写，直接复制log4j文件
 # 2-key和value类型算子
 # groupByKey
 rdd1 = sc.parallelize([("a", 1), ("b", 2)])
 rdd2 = sc.parallelize([("c", 1), ("b", 3)])
 rdd3 = rdd1.union(rdd2)
 key1 = rdd3.groupByKey()
 print("groupByKey:",key1.collect())
 #groupByKey:
 # [('b', ),
 # ('c', ),
 # ('a', )]
 print(key1.mapValues(list).collect())#需要通过mapValue获取groupByKey的值
 print(key1.mapValues(tuple).collect())
 # reduceByKey
 key2 = rdd3.reduceByKey(lambda x, y: x + y)
 print(key2.collect())
 # sortByKey
 print(key2.map(lambda x: (x[1], x[0])).sortByKey(False).collect())#[(5, 'b'), (1, 'c'), (1, 'a')]
 # countByKey
 print(rdd3.countByValue())#defaultdict(, {('a', 1): 1, ('b', 2): 1, ('c', 1): 1, ('b', 3): 1})

Action算子

• 部分操作

-- coding: utf-8 --

Program function：完成单Value类型RDD的转换算子的演示

from pyspark import SparkConf, SparkContext
import re

‘’’
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
‘’’
if name == ‘main’:

1-创建SparkContext申请资源

conf = SparkConf().setAppName(“mini2”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”) # 一般在工作中不这么写，直接复制log4j文件

2-key和value类型算子

groupByKey

rdd1 = sc.parallelize([(“a”, 1), (“b”, 2)])
rdd2 = sc.parallelize([(“c”, 1), (“b”, 3)])

print(rdd1.first())
print(rdd1.take(2))
print(rdd1.top(2))
print(rdd1.collect())

rdd3 = sc.parallelize([1, 2, 3, 4, 5])
from operator import add
from operator import mul

print(rdd3.reduce(add))
print(rdd3.reduce(mul))

rdd4 = sc.parallelize(range(0, 10))

能否保证每次抽样结果是一致的，使用seed随机数种子

print(rdd4.takeSample(True, 3, 123))
print(rdd4.takeSample(True, 3, 123))
print(rdd4.takeSample(True, 3, 123))
print(rdd4.takeSample(True, 3, 34))

* 其他补充算子

* ```python
 

# -*- coding: utf-8 -*-
# Program function：完成单Value类型RDD的转换算子的演示

from pyspark import SparkConf, SparkContext
import re

'''
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
'''


def f(iterator):  # 【1,2,3】 【4，5】
 for x in iterator:  # for x in 【1,2,3】  x=1,2,3 print 1.2.3
     print(x)


def f1(iterator):  # 【1,2,3】 【4，5】  sum（1+2+3） sum(4+5)
 yield sum(iterator)


if __name__ == '__main__':
 # 1-创建SparkContext申请资源
 conf = SparkConf().setAppName("mini2").setMaster("local[*]")
 sc = SparkContext.getOrCreate(conf=conf)
 sc.setLogLevel("WARN")  # 一般在工作中不这么写，直接复制log4j文件
 # 2-foreach-Applies a function to all elements of this RDD.
 rdd1 = sc.parallelize([("a", 1), ("b", 2)])
 print(rdd1.glom().collect())
 # def f(x):print(x)
 rdd1.foreach(lambda x: print(x))
 # 3-foreachPartition--Applies a function to each partition of this RDD.
 # 从性能角度分析，按照分区并行比元素更加高效
 rdd1.foreachPartition(f)
 # 4-map---按照元素进行转换
 rdd2 = sc.parallelize([1, 2, 3, 4])
 print(rdd2.map(lambda x: x * 2).collect())
 # 5-mapPartiton-----按照分区进行转换
 # Return a new RDD by applying a function to each partition of this RDD.
 print(rdd2.mapPartitions(f1).collect())  # [3, 7]

重要函数

• 

基本函数

• 基础的transformation
• 和action操作

分区操作函数

• mapPartition
• foreachPartition

重分区函数

-- coding: utf-8 --

Program function：完成单Value类型RDD的转换算子的演示

from pyspark import SparkConf, SparkContext
import re
‘’’
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
alt+6 可以调出来所有TODO，
TODO是Python提供了预留功能的地方
‘’’
if name == ‘main’:
#TODO: 1-创建SparkContext申请资源
conf = SparkConf().setAppName(“mini2”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”) # 一般在工作中不这么写，直接复制log4j文件
#TODO: 2-执行重分区函数–repartition
rdd1 = sc.parallelize([1, 2, 3, 4, 5, 6], 3)
print(“partitions num:”,rdd1.getNumPartitions())
print(rdd1.glom().collect())#[[1, 2], [3, 4], [5, 6]]
print(“repartition result:”)
#TODO: repartition可以增加分区也可以减少分区，但是都会产生shuflle，如果减少分区的化建议使用coalesc避免发生shuffle
rdd__repartition1 = rdd1.repartition(5)
print(“increase partition”,rdd__repartition1.glom().collect())#[[], [1, 2], [5, 6], [3, 4], []]
rdd__repartition2 = rdd1.repartition(2)
print(“decrease partition”,rdd__repartition2.glom().collect())#decrease partition [[1, 2, 5, 6], [3, 4]]
#TODO: 3-减少分区–coalese
print(rdd1.coalesce(2).glom().collect())#[[1, 2], [3, 4, 5, 6]]
print(rdd1.coalesce(5).glom().collect())#[[1, 2], [3, 4], [5, 6]]
print(rdd1.coalesce(5,True).glom().collect())#[[], [1, 2], [5, 6], [3, 4], []]

结论：repartition默认调用的是coalese的shuffle为True的方法

TODO: 4-PartitonBy,可以调整分区，还可以调整分区器(一种hash分区器(一般打散数据)，一种range分区器(排序拍好的))

此类专门针对RDD中数据类型为KeyValue对提供函数

rdd五大特性中有第四个特点key-value分区器，默认是hashpartitioner分区器

rdd__map = rdd1.map(lambda x: (x, x))
print(“partitions length:”,rdd__map.getNumPartitions())#partitions length: 3
print(rdd__map.partitionBy(2).glom().collect())

聚合函数

* ![image-20221108223315036](https://img-blog.csdnimg.cn/img_convert/711c0c31a63d5098f049beccc6cccde0.png)

* 代码：

* ```python
 

# -*- coding: utf-8 -*-
# Program function：完成单Value类型RDD的转换算子的演示
from pyspark import SparkConf, SparkContext
import re

'''
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
alt+6 可以调出来所有TODO，
TODO是Python提供了预留功能的地方
'''
def addNum(x,y):
 return x+y
if __name__ == '__main__':
 # TODO:  1-创建SparkContext申请资源
 conf = SparkConf().setAppName("mini2").setMaster("local[*]")
 sc = SparkContext.getOrCreate(conf=conf)
 sc.setLogLevel("WARN")  # 一般在工作中不这么写，直接复制log4j文件
 # TODO:   2-使用reduce进行聚合计算
 rdd1 = sc.parallelize([1, 2, 3, 4, 5, 6], 3)
 from operator import add

 # 直接得到返回值-21
 print(rdd1.reduce(add))
 # TODO： 3-使用fold进行聚合计算
 # 第一个参数zeroValue是初始值，会参与分区的计算
 # 第二个参数是执行运算的operation
 print(rdd1.fold(0, add))  # 21
 print(rdd1.getNumPartitions())  # 3
 print(rdd1.glom().collect())
 print("fold result:", rdd1.fold(10, add))
 # TODO： 3-使用aggreate进行聚合计算
 # seqOp分区内的操作, combOp分区间的操作
 print(rdd1.aggregate(0, add, add))  # 21
 print(rdd1.glom().collect())
 print("aggregate result:", rdd1.aggregate(1, add, add))  # aggregate result: 25
 # 结论：fold是aggregate的简化版本，fold分区内和分区间的函数是一致的
 print("aggregate result:", rdd1.aggregate(1, addNum, addNum))  # aggregate result: 25

• byKey类的聚合函数

• groupByKey----如何获取value的数据？------答案：result.mapValue(list).collect

• reduceByKey

• foldBykey

• 

• aggregateByKey

• CombineByKey：这是一个更为底层实现的bykey 聚合算子，可以实现更多复杂功能

• 

• 案例1:

# -*- coding: utf-8 -*-

# Program function：完成单Value类型RDD的转换算子的演示

from pyspark import SparkConf, SparkContext
import re

'''
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
alt+6 可以调出来所有TODO，
TODO是Python提供了预留功能的地方
'''

'''
对初始值进行操作
'''
def createCombiner(value): #('a',[1])
  return [value]

# 这里的x=createCombiner得到的[value]结果

def mergeValue(x,y): #这里相同a的value=y=1
  x.append(y)#('a', [1, 1]),('b', [1])
  return x

def mergeCombiners(a,b):
  a.extend(b)
  return a

if name == ‘main’:

TODO: 1-创建SparkContext申请资源

conf = SparkConf().setAppName(“mini2”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”) # 一般在工作中不这么写，直接复制log4j文件

TODO: 2-基础数据处理

from operator import add

rdd = sc.parallelize([(“a”, 1), (“b”, 1), (“a”, 1)])

[(a:[1,1]),(b,[1,1])]

print(sorted(rdd.groupByKey().mapValues(list).collect()))

使用自定义集聚合函数组合每个键的元素的通用功能。

- createCombiner, which turns a V into a C (e.g., creates a one-element list)

对初始值进行操作

- mergeValue, to merge a V into a C (e.g., adds it to the end ofa list)

对分区内的元素进行合并

- mergeCombiners, to combine two C’s into a single one (e.g., merges the lists)

对分区间的元素进行合并

by_key_result = rdd.combineByKey(createCombiner, mergeValue, mergeCombiners)
print(sorted(by_key_result.collect()))#[(‘a’, [1, 1]), (‘b’, [1])]

* 案例2

* ```python
 

-- coding: utf-8 --

Program function：完成单Value类型RDD的转换算子的演示

from pyspark import SparkConf, SparkContext
import re

‘’’
分区内：一个rdd可以分为很多分区，每个分区里面都是有大量元素，每个分区都需要线程执行
分区间：有一些操作分区间做一些累加
alt+6 可以调出来所有TODO，
TODO是Python提供了预留功能的地方
‘’’

‘’’
对初始值进行操作
[value,1],value指的是当前学生成绩，1代表的是未来算一下一个学生考了几次考试
(“Fred”, 88)---------->[88,1]
‘’’

def createCombiner(value): #
return [value, 1]

‘’’
x代表的是 [value,1]值，x=[88,1]
y代表的相同key的value，比如(“Fred”, 95)的95，执行分区内的累加
‘’’

def mergeValue(x, y):
return [x[0] + y, x[1] + 1]

‘’’
a = a[0] value,a[1] 几次考试
‘’’

def mergeCombiners(a, b):
return [a[0] + b[0], a[1] + b[1]]

if name == ‘main’:

TODO: 1-创建SparkContext申请资源

conf = SparkConf().setAppName(“mini2”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”) # 一般在工作中不这么写，直接复制log4j文件

TODO: 2-基础数据处理

from operator import add

这里需要实现需求：求解一个学生的平均成绩

x = sc.parallelize([(“Fred”, 88), (“Fred”, 95), (“Fred”, 91), (“Wilma”, 93), (“Wilma”, 95), (“Wilma”, 98)], 3)
print(x.glom().collect())

第一个分区(“Fred”, 88), (“Fred”, 95)

第二个分区(“Fred”, 91), (“Wilma”, 93),

第三个分区(“Wilma”, 95), (“Wilma”, 98)

reduceByKey

reduce_by_key_rdd = x.reduceByKey(lambda x, y: x + y)
print(“reduceBykey:”, reduce_by_key_rdd.collect()) # [(‘Fred’, 274), (‘Wilma’, 286)]

如何求解平均成绩？

使用自定义集聚合函数组合每个键的元素的通用功能。

- createCombiner, which turns a V into a C (e.g., creates a one-element list)

对初始值进行操作

- mergeValue, to merge a V into a C (e.g., adds it to the end ofa list)

对分区内的元素进行合并

- mergeCombiners, to combine two C’s into a single one (e.g., merges the lists)

对分区间的元素进行合并

combine_by_key_rdd = x.combineByKey(createCombiner, mergeValue, mergeCombiners)
print(combine_by_key_rdd.collect()) # [(‘Fred’, [274, 3]), (‘Wilma’, [286, 3])]

接下来平均值如何实现–(‘Fred’, [274, 3])—x[0]=Fred x[1]= [274, 3],x[1][0]=274,x[1][1]=3

print(combine_by_key_rdd.map(lambda x: (x[0], int(x[1][0] / x[1][1]))).collect())

* ​

* 面试题：

* [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0jT58qk8-1667918253411)(3-SparkBase-基础2.assets/image-20210911160023982.png)]

* 关联函数

SparkCore案例

PySpark实现SouGou统计分析

• jieba分词：

• pip install jieba 从哪里下载pypi

• 

• 三种分词模式

• 精确模式，试图将句子最精确地切开，适合文本分析；默认的方式

• 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；

• 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

• 

-- coding: utf-8 --

Program function：测试结巴分词

import jieba
import re

jieba.cut

方法接受四个输入参数:

需要分词的字符串；

cut_all 参数用来控制是否采用全模式；

HMM 参数用来控制是否使用 HMM 模型；

use_paddle 参数用来控制是否使用paddle模式下的分词模式，paddle模式采用延迟加载方式，通过enable_paddle接口安装paddlepaddle-tiny，并且import相关代码；

str = “我来到北京清华大学”
print(list(jieba.cut(str))) # [‘我’, ‘来到’, ‘北京’, ‘清华大学’],默认的是精确模式
print(list(jieba.cut(str, cut_all=True))) # [‘我’, ‘来到’, ‘北京’, ‘清华’, ‘清华大学’, ‘华大’, ‘大学’] 完全模式

准备的测试数据

str1 = “00:00:00 2982199073774412 [360安全卫士] 8 3 download.it.com.cn/softweb/software/firewall/antivirus/20067/17938.html”
print(re.split(“\s+”, str1)[2]) # [360安全卫士]
print(re.sub(“[|]”, “”, re.split(“\s+”, str1)[2])) #360安全卫士
print(list(jieba.cut(re.sub(“[|]”, “”, re.split(“\s+”, str1)[2])))) # [360安全卫士] —>[‘360’, ‘安全卫士’]

* ![image-20221108223457030](https://img-blog.csdnimg.cn/img_convert/49a4478c79fd99a192fdab1f7c36173b.png)

* 数据认知：数据集来自于搜狗实验室，日志数据

* ***\*日志\****库设计为包括约1个月(2008年6月)Sogou搜索引擎部分**网页查询需求**及**用户点击情况的网页查询日志**数据集合。

* ![image-20221108223523340](https://img-blog.csdnimg.cn/img_convert/55e8381a5b2aa15fc32578f6d77f4800.png)

* ![image-20221108223649207](https://img-blog.csdnimg.cn/img_convert/aca01680f96e82474287e16a5daaf0f1.png)

* 需求

* 1-首先需要将数据读取处理，形成结构化字段进行相关的分析

* 2-如何对搜索词进行分词，使用jieba或hanlp

* jieba是中文分词最好用的工具

* ![image-20221108223707630](https://img-blog.csdnimg.cn/img_convert/490315863f2f94985090fd6fb9bc443b.png)

* 步骤

* 1-读取数据

* 2-完成需求1：搜狗关键词统计

* 3-完成需求2：用户搜索点击统计

* 4-完成需求3：搜索时间段统计

* 5-停止sparkcontext

* 代码

* ```python
 

-- coding: utf-8 --

Program function：搜狗分词之后的统计

‘’’

• 1-读取数据
• 2-完成需求1：搜狗关键词统计
• 3-完成需求2：用户搜索点击统计
• 4-完成需求3：搜索时间段统计
• 5-停止sparkcontext
  ‘’’
  from pyspark import SparkConf, SparkContext
  import re
  import jieba

if name == ‘main’:

准备环境变量

conf = SparkConf().setAppName(“sougou”).setMaster(“local[*]”)
sc = SparkContext.getOrCreate(conf=conf)
sc.setLogLevel(“WARN”)

TODO*1 - 读取数据

sougouFileRDD = sc.textFile(“/export/data/pyspark_workspace/PySpark-SparkCore_3.1.2/data/sougou/SogouQ.reduced”)

print(“sougou count is:”, sougouFileRDD.count())#sougou count is: 1724264

00:00:00 2982199073774412 [360安全卫士] 8 3 download.it.com.cn/softweb/software/firewall/antivirus/20067/17938.html

resultRDD=sougouFileRDD
.filter(lambda line:(len(line.strip())>0) and (len(re.split(“\s+”,line.strip()))==6))
.map(lambda line:(
re.split(“\s+”, line)[0],
re.split(“\s+”, line)[1],
re.sub(“[|]”, “”, re.split(“\s+”, line)[2]),
re.split(“\s+”, line)[3],
re.split(“\s+”, line)[4],
re.split(“\s+”, line)[5]
))

print(resultRDD.take(2))

#(‘00:00:00’, ‘2982199073774412’, ‘360安全卫士’, ‘8’, ‘3’, ‘download.it.com.cn/softweb/software/firewall/antivirus/20067/17938.html’)
#(‘00:00:00’, ‘07594220010824798’, ‘哄抢救灾物资’, ‘1’, ‘1’, ‘news.21cn.com/social/daqian/2008/05/29/4777194_1.shtml’)

TODO*2 - 完成需求1：搜狗关键词统计

print(“=完成需求1：搜狗关键词统计======”)
recordRDD = resultRDD.flatMap(lambda record: jieba.cut(record[2]))

print(recordRDD.take(5))

sougouResult1=recordRDD
.map(lambda word:(word,1))
.reduceByKey(lambda x,y:x+y)
.sortBy(lambda x:x[1],False)

print(sougouResult1.take(5))

TODO*3 - 完成需求2：用户搜索点击统计

print(“=完成需求2：用户搜索点击统计======”)

根据用户id和搜索的内容作为分组字段进行统计

sougouClick = resultRDD.map(lambda record: (record[1], record[2]))
sougouResult2=sougouClick
.map(lambda tuple:(tuple,1))
.reduceByKey(lambda x,y:x+y) #key,value

打印一下最大的次数和最小的次数和平均次数

print(“max count is:”,sougouResult2.map(lambda x: x[1]).max())
print(“min count is:”,sougouResult2.map(lambda x: x[1]).min())
print(“mean count is:”,sougouResult2.map(lambda x: x[1]).mean())

如果对所有的结果排序

print(sougouResult2.sortBy(lambda x: x[1], False).take(5))

TODO*4 - 完成需求3：搜索时间段统计

print(“=完成需求3：搜索时间段-小时-统计======”)
#00:00:00
hourRDD = resultRDD.map(lambda x: str(x[0])[0:2])
sougouResult3=hourRDD
.map(lambda word:(word,1))
.reduceByKey(lambda x,y:x+y)
.sortBy(lambda x:x[1],False)
print(“搜索时间段-小时-统计”,sougouResult3.take(5))

TODO*5 - 停止sparkcontext

sc.stop()

• 总结
• 重点关注在如何对数据进行清洗，如何按照需求进行统计
• 今日作业：
• 1-rdd的创建的两种方法，必须练习
• 2-rdd的练习将基础的案例先掌握。map。flatMap。reduceByKey
• 3-sougou的案例需要联系2-3遍
• 练习流程：
• 首先先要将代码跑起来
• 然后在理解代码，这一段代码做什么用的
• 在敲代码，需要写注释之后敲代码