Python大数据之PySpark

1、Spark与PySpark

Apache Spark是一种用于大规模数据处理的多语言分布式引擎，用于在单节点机器或集群上执行数据工程、数据科学和机器学习

Spark官网：https://spark.apache.org/

按照官网描述，Spark关键特征包括：

• 批/流处理
  
  Spark支持您使用喜欢的语言：Python、SQL、Scala、Java或R，统一批量和实时流处理数据

• SQL分析
  
  执行快速、分布式ANSI SQL查询以进行BI仪表板和临时报告。运行速度比大多数数据仓库更快

• 大规模数据科学
  
  对PB级数据执行探索性数据分析（EDA），而无需采用降采样（缩减采样）

• 机器学习
  
  在笔记本电脑上训练机器学习算法，并使用相同的代码扩展到数千台机器的容错集群

Apache Spark与多种框架集成，有助于将其扩展到数千台机器：

Apache Spark支持的存储和基础设施有：

根据Spark官网，Spark支持Python语言编程

PySpark是Spark为Python开发者提供的API。它不仅允许您使用Python API编写Spark应用程序，还提供PySpark shell用于在分布式环境中交互式分析数据。PySpark支持Spark的大部分功能，例如Spark Core、Spark SQL、Spark Streaming、Spark MLlib

• Spark Core是Spark平台的底层通用执行引擎，所有其他功能都构建在其之上。它提供了RDD（弹性分布式数据集）和内存计算能力

• Spark SQL和DataFrame是用于结构化数据处理的Spark模块。它提供了一个称为DataFrame的编程抽象，也可以充当分布式SQL查询引擎

• Spark中的流功能运行在Spark之上，支持跨流数据和历史数据的强大交互式和分析应用程序，同时继承了Spark的易用性和容错特性

• MLlib构建于Spark之上，是一个可扩展的机器学习库，它提供了一组统一的高级API，可帮助用户创建和调整实用的机器学习管道

PySpark依赖于Py4J，Py4J是一个用Python和Java编写的库。通过Py4J，Python程序能够动态访问Java虚拟机中的Java对象，Java程序也能够回调Python对象

PySpark是Spark官方提供的基于Python语言开发的类库，仅支持在本地Local模式环境下供Python用户开发使用

PySpark官网文档：https://spark.apache.org/docs/3.1.2/api/python/getting_started

2、PySpark开发环境搭建

前提：确保已经安装配置了Java和Scala

1）Hadoop的Windows环境配置

由于Hadoop主要基于Linux编写，而Hive、Spark等依赖于Hadoop，因此，Hadoop在Windows上运行需要winutils.exe和hadoop.dll等环境文件的支持，winutils.exe和hadoop.dll等文件必须放置在bin目录下，主要用于模拟Linux下的目录环境

官方文档说明：https://cwiki.apache.org/confluence/display/HADOOP2/WindowsProblems

配置Hadoop的Windows环境变量：

HADOOP_HOME=D:\Software\Hadoop\hadoop-2.7.7
Path=%HADOOP_HOME%\bin

将hadoop.dll（winutils.exe可不用拷贝）文件拷贝到C:\Windows\System32目录中，重启电脑

PS：各版本hadoop.dll和winutils.exe下载：https://github.com/cdarlint/winutils/tree/master/hadoop-3.1.2

PySpark开发环境搭建常见问题及解决：传送门

2）PySpark环境搭建

在PyCharm终端安装PySpark模块：

pip install pyspark==3.1.2

配置PySpark的Windows环境变量：

PYSPARK_PYTHON=python
PYSPARK_DRIVER_PYTHON=jupyter
PYSPARK_DRIVER_PYTHON_OPTS=lab

如果您未配置PySpark的Windows环境变量，将出现如下报错：

解决：至少确保配置PYSPARK_PYTHON=python该Windows系统环境变量（配置后需要重启PyCharm）

3）PySpark环境验证

Windows+R，输入cmd回车执行如下命令：

spark-shell

成功打印Spark版本说明环境配置成功

3、PySpark的工作机制

Spark的主要组件包括Driver、Executor、Cluster Manager、Task等

其中Driver是客户端任务，Executor负责执行具体Task，用户将Spark任务程序Driver提交给资源管理系统（如Yarn、K8s等），Spark会将程序分解为一个个的Task交给Executor执行

为了不影响现有Spark的运行架构，Spark在外围包装了一层Python的API，借助Py4j实现Python和Java的交互，即通过Py4j将PySpark代码“解析”到JVM中去运行

在Driver端，Python通过Py4j来调用Java方法，将用户使用Python写的程序映射到JVM中，比如，用户在PySpark中实例化一个Python的SparkContext对象，最终会在JVM中实例化Scala的SparkContext对象

在Executor端，都启动一个Python守护进程，当Task收到任务请求后，交给底层的Python进程去执行

4、PySpark批处理

SparkConf是Spark批处理程序的主入口

PySpark批处理使用案例：单词统计

from pyspark import SparkContext, SparkConf

conf = SparkConf().setMaster("local[*]").setAppName("WordCount")
sc = SparkContext(conf=conf)
rdd_lines = sc.textFile(r'C:\Users\cc\Desktop\temp\HarryPotter.txt')
rdd_lines.flatMap(lambda line: re.split("\\s+", re.sub("\\W+", " ", line.lower())))\
    .filter(lambda w: w.strip() != "")\
    .map(lambda w: (w, 1))\
    .reduceByKey(lambda v1, v2: v1+v2)\
    .sortBy(lambda t: t