Spark作为当前企业覆盖度最广大数据平台,大数据处理能力基本上是每一个算法工程师or数据分析师的必备技能。所以即使不做大数据开发的读者,也很有必要掌握其基本构造以及使用方法。
在使用Spark的API接口时,一般不会限定使用语言,公司内使用Java/Scala/Python语言调用Spark dataframe,在性能上是没有显著差异的。只有在使用底层RDD形式处理数据时,python的性能较差。当然,目前企业中的数据处理的主要方法是dataframe或者SQL语言,所以可以不用担心使用语言的效率问题。
基本结构
Spark可以分为1个driver(笔记本电脑或者集群网关机器上)和若干个executor(在各个节点上),通过SparkContext(简称sc)连接Spark集群、创建RDD、累加器(accumlator)、广播变量(broadcast variables),简单可以认为SparkContext是Spark程序的一个入口,类似于python中的import。
Driver会把计算任务分成一系列小的task,然后送到executor执行。executor之间可以通信,在每个executor完成自己的task以后,所有的信息会被传回。
在Spark里,所有的处理和计算任务都会被组织成一系列Resilient Distributed Dataset(弹性分布式数据集,简称RDD)上的transformations(转换) 和 actions(动作)。
弹性分布式数据集
RDD是一个包含诸多元素、被划分到不同节点上进行并行处理的数据集合,可以将RDD持久化到内存中,这样就可以有效地在并行操作中复用(在机器学习这种需要反复迭代的任务中非常有效)。在节点发生错误时RDD也可以自动恢复。
RDD就像一个NumPy array或者一个Pandas Series,可以视作一个有序的item集合。只不过这些item太大了,并不能存在driver端的内存里,而是被分割成很多个partitions,每个partition的数据存在集群的executor的内存中。
使用python调用非常简单:
import pysparkfrom pyspark import SparkContextfrom pyspark import SparkConf#设定名字和master位置conf=SparkConf().setAppName("miniProject").setMaster("local[*]")#使用已经存在的SparkContextsc=SparkContext.getOrCreate(conf)#存放在当前环境中的list初始化为rdd,切分到不同的节点上rdd = sc.parallelize([1,2,3,4,5])#查看分区状况rdd.glom().collect()
[[1], [2], [3], [4, 5]]
在这个例子中,是一个4-core的CPU笔记本。Spark创建了4个executor,然后把数据分成4个块。
第2种方式当然是直接把文本读到RDD了。你的每一行都会被当做一个item,不过需要注意的一点是,Spark一般默认你的路径是指向HDFS的,如果你要从本地读取文件的话,给一个file://开头的全局路径。
import oscwd = os.getcwd()rdd = sc.textFile("file://" + cwd + "/names/yob1880.txt")#取出一个itermrdd.first()
u'Mary,F,7065'
你甚至可以很粗暴地读入整个文件夹的所有文件。但是要特别注意,这种读法,RDD中的每个item实际上是一个形如 (文件名,文件所有内容) 的元组。咱们来试着读一读所有的文件。
rdd = sc.wholeTextFiles("file://" + cwd + "/names")rdd.first()
(u'file:/home/ds/notebooks/spark/names/yob1880.txt',
u'Mary,F,7065\r\nAnna,F,2604\r\nEmma,F,2003\r\nElizabeth,F,1939\r\nMinnie,F,1746\r\nMargaret,F,1578\r\nIda,F,1472\r\nAlice,F,1414\r\nBertha,F,1320\r\n)
RDD还可以通过其他的方式初始化,包括
1. HDFS上的文件
2. Hive中的数据库与表
3. Spark SQL得到的结果
transformation
我们先给大家提一下RDD上最最常用到的transformation:
map() 对RDD的每一个item都执行同一个操作
flatMap() 对RDD中的item执行同一个操作以后得到一个list,然后以平铺的方式把这些list里所有的结果组成新的list
filter() 筛选出来满足条件的item
distinct() 对RDD中的item去重
sample() 从RDD中的item中采样一部分出来,有放回或者无放回
sortBy() 对RDD中的item进行排序
如果你想看操作后的结果,可以用一个叫做collect()的action把所有的item转成一个Python list。
numbersRDD = sc.parallelize(range(1,10+1))print(numbersRDD.collect())#map和dataframe中用法相同squaresRDD = numbersRDD.map(lambda x: x**2) # Square every numberprint(squaresRDD.collect())filteredRDD = numbersRDD.filter(lambda x: x % 2 == 0) # Only the evensprint(filteredRDD.collect())
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]
[2, 4, 6, 8, 10]
输入一个iterm,输出一个iterm.
然后咱们看看flatMap()的平展功能:
sentencesRDD = sc.parallelize(['Hello world', 'My name is Patrick'])wordsRDD = sentencesRDD.flatMap(lambda sentence: sentence.split(" "))print(wordsRDD.collect())print(wordsRDD.count())
['Hello', 'world', 'My', 'name', 'is', 'Patrick']
6
flatmap后的iterm中括号是被打开的,输入一个iterm,输出多个iterm.
为了做一个小小的对应,咱们看看python里对应的操作大概是什么样的:
l = ['Hello world', 'My name is Patrick']ll = []for sentence in l: ll = ll + sentence.split(" ")ll
['Hello', 'world', 'My', 'name', 'is', 'Patrick']
6
并且Transformation,可以一个接一个地串联,比如:
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]def doubleIfOdd(x): if x % 2 == 1: return 2 * x else: return xresultRDD = (numbersRDD # In parentheses so we can write each .map(doubleIfOdd) # transformation in one line .filter(lambda x: x > 6) .distinct())resultRDD.collect()
如果你手头上有2个RDD了,下面的这些操作能够帮你对他们以各种方式组合得到1个RDD:
rdd1.union(rdd2): 所有rdd1和rdd2中的item组合
rdd1.intersection(rdd2): rdd1 和 rdd2的交集
rdd1.substract(rdd2): 所有在rdd1中但不在rdd2中的item(差集)
rdd1.cartesian(rdd2): rdd1 和 rdd2中所有的元素笛卡尔乘积
numbersRDD = sc.parallelize([1,2,3])moreNumbersRDD = sc.parallelize([2,3,4])numbersRDD.union(moreNumbersRDD).collect()
[1, 2, 3, 2, 3, 4]
numbersRDD.intersection(moreNumbersRDD).collect()
[2, 3]
numbersRDD.subtract(moreNumbersRDD).collect()
[1]
numbersRDD.cartesian(moreNumbersRDD).collect()
[(1, 2), (1, 3), (1, 4), (2, 2), (2, 3), (2, 4), (3, 2), (3, 3), (3, 4)]
特别注意:Spark的一个核心概念是惰性计算。当你把一个RDD转换成另一个的时候,这个转换不会立即生效执行。Spark会把它先记在心里,等到真的需要拿到转换结果的时候,才会重新组织你的transformations(因为可能有一连串的变换)。这样可以避免不必要的中间结果存储和通信。
刚才提到了惰性计算,那么什么东西能让它真的执行转换与运算呢? 是的,就是我们马上提到的Actions,下面是常见的action,当他们出现的时候,表明我们需要执行刚才定义的transform了:
collect(): 计算所有的items并返回所有的结果到driver端,接着 collect()会以Python list的形式返回结果
first(): 和上面是类似的,不过只返回第1个item
take(n): 类似dataframe.head(),但是返回n个item
count(): 计算RDD中item的个数
top(n): 返回头n个items,按照自然结果排序
reduce(): 对RDD中的items做聚合
我们之前已经看过 collect(), first() 和 count() 的例子了。咱们看看 reduce()如何使用。比如Spark里从1加到10你可以这么做。
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]rdd = sc.parallelize(range(1,10+1))rdd.reduce(lambda x, y: x + y)
55
如果你想了解一下reduce的细节的话,其实可能会先在每个分区(partition)里完成reduce操作,然后再全局地进行reduce。这个过程你可以从如下的代码大致理解。
def f(x,y): return x + yl = [1,2,3,4]f(f(f(l[0],l[1]), l[2]), l[3])
10
咱们刚才已经见识到了Spark中最常见的transform和action,但是有时候我们会遇到更复杂的结构,比如非常非常经典的是以元组形式组织的k-v对(key, value)我们把它叫做pair RDDs,而Sark中针对这种item结构的数据,定义了一些transform和action:
reduceByKey(): 对所有有着相同key的items执行reduce操作
groupByKey(): 返回类似(key, listOfValues)元组的RDD,后面的value List 是同一个key下面的
sortByKey(): 按照key排序
countByKey(): 按照key去对item个数进行统计
collectAsMap(): 和collect有些类似,但是返回的是k-v的字典
使用spark中的rdd完成hadoop中的词频统计
rdd = sc.parallelize(["Hello hello", "Hello New York", "York says hello"])resultRDD = ( rdd .flatMap(lambda sentence: sentence.split(" ")) # 分词 .map(lambda word: word.lower()) # 小写 .map(lambda word: (word, 1)) # 统计词频 .reduceByKey(lambda x, y: x + y) # 相同词词频相加(group by 词名))resultRDD.collect()
[('says', 1), ('new', 1), ('hello', 4), ('york', 2)]
以上的展示结果很丑,所以我们将结果以k-v字典的形式返回(collectAsMap)
result = resultRDD.collectAsMap()result
{'hello': 4, 'new': 1, 'says': 1, 'york': 2}
如果你想要出现频次最高的2个词,可以这么做:
print(resultRDD .sortBy(keyfunc=lambda (word, count): count, ascending=False) .take(2))
[('hello', 4), ('york', 2)]