《PySpark大数据分析实战》-05.PySpark库介绍

博主简介

• 作者简介：大家好，我是wux_labs。
  热衷于各种主流技术，热爱数据科学、机器学习、云计算、人工智能。
  通过了TiDB数据库专员（PCTA）、TiDB数据库专家（PCTP）、TiDB数据库认证SQL开发专家（PCSD）认证。
  通过了微软Azure开发人员、Azure数据工程师、Azure解决方案架构师专家认证。
  对大数据技术栈Hadoop、Hive、Spark、Kafka等有深入研究，对Databricks的使用有丰富的经验。
• 个人主页：wux_labs，如果您对我还算满意，请关注一下吧~
• 个人社区：数据科学社区，如果您是数据科学爱好者，一起来交流吧~
• 请支持我：欢迎大家 点赞+收藏⭐️+吐槽，您的支持是我持续创作的动力~

《PySpark大数据分析实战》-05.PySpark库介绍

前言

大家好！今天为大家分享的是《PySpark大数据分析实战》第1章第5节的内容：PySpark库介绍。

PySpark库介绍

Spark是用Scala语言编写的，运行在JVM上，也就是Spark的任务都是以JVM的进程来运行的。Python是机器学习的首选语言，Python编写的代码运行在Python进程里面。在Python代码中想要调用Spark的API，就涉及到Python进程与JVM进程之间的通信与交互，想要实现这样不同进程之间的交互，就需要用到远程过程调用（RPC）。Py4j是一个非常有趣的RPC库，它可以在JVM进程开辟一个ServerSocket来监听客户端的连接，在Python进程端启动一个连接池连接到JVM，所有的远程调用都被封装成消息指令，通过连接池中的连接将消息指令发送到JVM远程执行。Py4j实现了让Python自由操纵Java，借助Py4j就可以实现在Python代码中调用Spark的API，但是，每次调用Spark的API都让开发人员自己编写RPC代码，效率低下且不易使用，这时PySpark就诞生了。
为了让Spark支持Python，Apache Spark社区发布了一个工具库PySpark，PySpark是Python中Apache Spark的接口。SparkContext作为Spark应用程序的入口，执行Spark应用程序会优先在Driver端创建SparkContext。在Python Driver端，SparkContext利用Py4j启动一个JVM并创建JavaSparkContext，借助Py4j实现Python代码与JavaSparkContext的通信。Python环境下的RDD会被映射成Java环境下的PythonRDD。在Executor端，PythonRDD对象会启动一些子进程，并与这些子进程通信，以此来发送数据和执行代码。PySpark的架构如图所示。

大多数数据科学家和数据分析师都熟悉Python，并使用它来实现机器学习，PySpark允许他们在大规模分布式数据集上使用自己最熟悉的语言。

结束语

好了，感谢大家的关注，今天就分享到这里了，更多详细内容，请阅读原书或持续关注专栏。