1.1、Pyspark模块介绍.

pyspark是Spark的python API，提供了使用python编写并提交大数据处理作业的接口。

在pyspark里大致分为5个主要的模块

1. pyspark模块，这个模块四最基础的模块，里面实现了最基础的编写Spark作业的API。这个模块里面有以下内容：

Sparkcontext:它是编写Spark程序的主入口

RDD：分布式弹性数据集，是Spark内部中最重要的抽象

Broadcast：在各个任务task中重复使用的广播变量

Accumulator：一个只能增加的累加器，在各个任务中都可以进行累加，最终进行全局累加

SparkConf：一个配置对象，用来对Spark中的例如资源，内核个数，提交模式等的配置

SparkFiles：文件访问API

StorageLevel：它提供了细粒度的对于数据的缓存、持久化级别

TaskContext：实验性质的API，用于获取运行中任务的上下文信息。

2.pyspark.sql模块，这个模块是架构在RDD之上的高级模块，提供了SQL的支持，包含以下内容：

SparkSession：SparkSQL的主入口，其内部仍然是调用SparkContext的

DataFrame：分布式的结构化的数据集，最终的计算仍然转换为RDD上的计算

Column：DataFrame中的列

Row：DataFrame中的行

GroupedData：这里提供聚合数据的一些方法

DataFrameNaFunctions:处理缺失数据的方法

DataFrameStatFunctions：提供统计数据的一些方法

functions：内建的可用于DataFrame的方法

types：可用的数据类型

Window:提供窗口函数的支持

3.pyspark.streaming这个模块主要是用来处理流数据，从外部的消息中间件如kafka，flume或者直接从网络接收数据，来进行实时的流数据处理。其内部会将接收到的数据转换为DStream，DStream的内部实际上就是RDD。pyspark.streaming对流数据的支持还不是很完善，不如原生的Scala语言和Java语言。

4.pyspark.ml这个模块主要是做机器学习的，里面实现了很多机器学习算法，包括分类、回归、聚类、推荐。这个的内容我们会囊括最主要的机器学习算法。pyspark.ml这个模块现已经成为主要的机器学习模块，其内部实现是基于DataFrame数据框。

5.pyspark.mllib这个模块也是做机器学习的，但是这个模块底层使用的RDD，RDD在性能上优化的余地较少，因此现在最新的机器学习算法都是用基于DataFrame的API来实现。但这个模块里面也有很多有用的机器学习算法，我们可以适当的把玩一下。