Python之PySpark简单应用

一、介绍

PySpark是Apache Spark的Python API，它允许开发人员使用Python编写并运行分布式大数据处理应用程序。通过PySpark，开发人员可以利用Spark的强大功能和高性能，同时享受Python编程语言的灵活性和易用性。

1.准备工作

pip install pyspark

2. 创建SparkSession对象：

from pyspark.sql import SparkSession

spark = SparkSession.builder \
    .appName("example-app") \
    .getOrCreate()

3. 读取数据：

df = spark.read.csv("test.csv", header=True)

4. 数据处理与分析：

result = df.groupBy("column").count().show()

5. 停止SparkSession：

spark.stop()

二、示例

1.读取解析csv数据

下面是一个简单的示例，演示了如何使用PySpark进行数据处理和分析：

from pyspark.sql import SparkSession

# 创建SparkSession对象
spark = SparkSession.builder.appName("example").getOrCreate()

# 读取CSV文件
df = spark.read.csv("C:/Users/39824/Desktop/test.csv", header=True)

# 对数据进行筛选和聚合操作
result = df.filter(df["age"] > 25).groupBy("department").count()
# 显示结果
result.show()
# 停止SparkSession
spark.stop()

在这个示例中，我们首先创建了一个SparkSession对象，然后使用该对象读取了一个CSV文件。接着，我们对数据进行了筛选和聚合操作，并最终显示了结果。最后，我们停止了SparkSession以释放资源。
输出：

2.解析计算序列数据map\flatmap

from pyspark import SparkConf, SparkContext

conf = SparkConf().setAppName("create rdd").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9])

rdd1 = rdd.map(lambda x: x * 10)
print(rdd1.collect())

rdd_str = sc.parallelize(["java.io.FileNotFoundException", "sc.setLogLevel(newLevel)", "hadoop.home.dir"])

rdd_str1 = rdd_str.map(lambda x: x.split("."))
print(f"map解析的结果是：{rdd_str1.collect()}")

rdd_str2 = rdd_str.flatMap(lambda x: x.split("."))
print(f"flatMap解析的结果是：{rdd_str2.collect()}")

输出：

[10, 20, 30, 40, 50, 60, 70, 80, 90]
map解析的结果是：[['java', 'io', 'FileNotFoundException'], ['sc', 'setLogLevel(newLevel)'], ['hadoop', 'home', 'dir']]
flatMap解析的结果是：['java', 'io', 'FileNotFoundException', 'sc', 'setLogLevel(newLevel)', 'hadoop', 'home', 'dir']

使用 PySpark 创建了一个 RDD，并对其进行了 map 和 flatMap 转换：

1. 使用 sc.parallelize() 方法创建了一个整数类型的 RDD，其中包含数字1到9。
2. 对 RDD 进行 map 转换，将每个元素乘以10。
3. 使用 print 函数输出 map 后的结果。
4. 使用 sc.parallelize() 方法创建了一个字符串类型的 RDD，其中包含三个字符串。
5. 对 RDD 进行 map 转换，将每个字符串按照 “.” 分隔成多个子字符串。
6. 使用 print 函数输出 map 后的结果。
7. 对 RDD 进行 flatMap 转换，将每个字符串按照 “.” 分隔成多个子字符串，并将所有子字符串扁平化为一维列表。

总结：

• map 函数将输入 RDD 的每个元素应用于给定的函数，并返回一个新的 RDD，其中包含函数应用后的结果。
• flatMap 函数与 map 函数类似，但它的输出是一个扁平化的结果。也就是说，对于每个输入元素，函数可以返回一个或多个输出元素，并将所有输出元素进行扁平化。
• 可以使用 collect() 函数将 RDD 中的所有元素收集到本地计算机上，并将其作为列表返回。需要注意的是，如果 RDD 中的元素非常多，则可能会导致内存不足或性能问题。

PySpark提供了丰富的数据处理和分析功能，同时也具备了Python编程语言的灵活性和易用性，使得开发人员能够以简洁的方式编写大规模数据处理应用程序。

三、问题总结

1.代码问题

报错：

Traceback (most recent call last):
  File "D:\demo\pyspark_demo\demo.py", line 3, in <module>
    conf = SparkConf.setAppName("create rdd").setMaster("local[*]")
TypeError: SparkConf.setAppName() missing 1 required positional argument: 'value'

报错中直接指出具体报错行，经过检查发现SparkConf没有写括号
更正代码：

conf = SparkConf().setAppName("create rdd").setMaster("local[*]")

2.配置问题

报错：

java.io.IOException: Cannot run program "python3": CreateProcess error=3, 系统找不到指定的路径。

解决方式：
找到本地的python.exe，copy之后改名字python3.exe。重启解决~~~~（真是意想不到！！！！）