PySpark初级教程——第一步大数据分析(附代码实现)

简介

我们正在以前所未有的速度生成数据。老实说，我跟不上世界各地里产生的巨大数据量!我敢肯定你已经了解过当今时代数据的产量。McKinsey, Gartner, IBM,等公司都给出了他们公司的数据。

这里有一些令人难以置信的数字供你参考。有超过5亿条推文、900亿封电子邮件、6500万条WhatsApp消息，以上这些都是在一天之内发送的!Facebook在24小时内能生成4PB的数据。这是难以置信的!

当然，这也带来了挑战。一个数据科学团队如何捕获这么多的数据?你如何处理它并从中建立机器学习模型?如果你是一名数据科学家或数据工程师，这些都是令人兴奋的问题。

Spark正能应对这些问题。Spark是用Scala编写的，它提供了Scala、JAVA、Python和R的接口. PySpark一起工作的API。PySpark是用Python编写的Python API用来支持Spark的。

 

处理大数据的一种传统方式是使用像Hadoop这样的分布式框架，但这些框架需要在硬盘上执行大量的读写操作。事实上时间和速度都非常昂贵。计算能力同样是一个重要的障碍。

PySpark以一种高效且易于理解的方式处理这一问题。因此，在本文中，我们将开始学习有关它的所有内容。我们将了解什么是Spark，如何在你的机器上安装它，然后我们将深入研究不同的Spark组件。本文附有代码。

目录

1. Spark是什么?
2. 在你的计算机上安装Apache Spark
3. 什么是Spark应用程序?
4. 什么是Spark会话?
5. Spark的分区
6. 转换
7. 惰性计算
8. Spark中的数据类型

1.Spark是什么?

Apache Spark是一个开源的分布式集群计算框架，用于快速处理、查询和分析大数据。

它是当今企业中最有效的数据处理框架。使用Spark的成本很高，因为它需要大量的内存进行计算，但它仍然是数据科学家和大数据工程师的最爱。在本文中，你将看到为什么会出现这种情况。

 

通常依赖于Map-Reduce的框架的组织现在正在转向Apache Spark框架。Spark执行内存计算，比Hadoop等Map Reduce框架快100倍。Spark在数据科学家中很受欢迎，因为它将数据分布和缓存放入了内存中，并且帮助他们优化大数据上的机器学习算法。

我建议查看Spark的官方页面，了解更多细节。它有大量的文档，是Spark很好参考教程：https://spark.apache.org/

2.安装Apache Spark

2.1. 下载Apache Spark

安装Spark的一个简单方法是通过pip。但是，根据Spark的官方文档，这不是推荐的方法，因为Spark的Python包并不打算取代所有其他情况。

在实现基本功能时，你很可能会遇到很多错误。它只适用于与现有集群(独立的Spark、YARN或Mesos)进行交互。

因此，第一步是从这里下载Apache Spark的最新版本。解压并移动压缩文件:

tar xzvf spark-2.4.4-bin-hadoop2.7.tgz 
mv spark-2.4.4-bin-hadoop2.7 spark
sudo mv spark/ /usr/lib/

 

2.2. 安装JAVA

确保在系统中安装了JAVA。我强烈推荐JAVA 8，因为众所周知，Spark2在JAVA 9和其他方面存在问题:

sudo apt install default-jre
sudo apt install openjdk-8-jdk

2.3. 安装Scala构建工具(SBT)

当你处理一个包含很少源代码文件的小型项目时，手动编译它们会更容易。但是，如果你正在处理一个包含数百个源代码文件的大型项目呢?在这种情况下，你需要使用构建工具。

SBT是Scala构建工具的缩写，它管理你的Spark项目以及你在代码中使用的库的依赖关系。

请记住，如果你使用的是PySpark，就不需要安装它。但是如果你使用JAVA或Scala构建Spark应用程序，那么你需要在你的机器上安装SBT。运行以下命令安装SBT:

echo "deb https://dl.bintray.com/sbt/debian /" | sudo tee -a /etc/apt/sources.list.d/sbt.list
curl -sL "https://keyserver.ubuntu.com/pks/lookup?op=get&search=0x2EE0EA64E40A89B84B2DF73499E82A75642AC823" | sudo apt-key add
sudo apt-get update
sudo apt-get install sbt

2.4. 配置SPARK

接下来，打开Spark的配置目录，复制默认的Spark环境模板。它已经以spark-env.sh.template的形式出现了。使用编辑器打开:

cd /usr/lib/spark/conf/ 
cp spark-env.sh.template spark-env.sh 
sud