pyspark常用算子學(xué)習(xí)筆記

本文的pyspark代碼是在jupyter中執(zhí)行的,我的python環(huán)境用的是anaconda书幕,版本為3.7 阱持。如果你還沒(méi)有搭建環(huán)境的話(huà)可以看我另外兩篇文章
win10安裝anaconda
在Windows上搭建pyspark環(huán)境

image.png

anaconda中自帶jupyter答恶,打開(kāi)就能愉快的編碼了瀑粥。
廢話(huà)不多說(shuō)挣跋,直接上代碼

創(chuàng)建SparkContext

from  pyspark import SparkConf,SparkContext
# 創(chuàng)建spark上下文環(huán)境
conf = SparkConf().setMaster("local[*]").setAppName("wordcount")
sc = SparkContext.getOrCreate(conf)
# 用內(nèi)存中的數(shù)據(jù)創(chuàng)建一個(gè)RDD
list = [1,2,3,4,5]
rdd = sc.parallelize(list)
print(rdd.collect())

[1, 2, 3, 4, 5]

# 打印分區(qū)數(shù)
print(rdd.getNumPartitions())
# 重新分區(qū)并按分區(qū)打印
print(rdd.repartition(3).glom().collect())

4
[[], [1, 3], [2, 4, 5]]

rdd transformation轉(zhuǎn)換算子

numbersRdd = sc.parallelize(range(1,11))
print(numbersRdd.collect())
# map
mapRdd = numbersRdd.map(lambda x : x*x)
print(mapRdd.collect())
#  filter
filterRdd = numbersRdd.filter(lambda x : x%2 == 0)
print(filterRdd.collect())
#  flatMap
flatMapRdd = numbersRdd.flatMap(lambda x : (x,x*x))
print(flatMapRdd.collect())
print(flatMapRdd.distinct())
#  sample
sampleRdd = numbersRdd.sample(withReplacement = True,fraction = 0.5,seed=10)
print(sampleRdd.collect())
#  sortBy
sortedRdd = flatMapRdd.sortBy(keyfunc = lambda x : x,ascending = False)
print(sortedRdd.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]
[1, 1, 2, 4, 3, 9, 4, 16, 5, 25, 6, 36, 7, 49, 8, 64, 9, 81, 10, 100]
PythonRDD[41] at RDD at PythonRDD.scala:53
[5, 9]
[100, 81, 64, 49, 36, 25, 16, 10, 9, 9, 8, 7, 6, 5, 4, 4, 3, 2, 1, 1]

# 在一個(gè)job中連續(xù)使用轉(zhuǎn)換API
def odd(x):
    if x%2 == 1:
        return 2*x
    else:
        return x
    
resultRdd = numbersRdd.map(lambda x: odd(x)).filter(lambda x :x > 6).distinct()
print(resultRdd.collect())

[8, 10, 14, 18]

actin算子

rdd = sc.parallelize(["Hello hello","Hello New York","Hi Beijing"])
pairRdd = (rdd.flatMap(lambda x : x.split(" "))
          .map(lambda word : word.lower())
          .map(lambda word : (word,1)))
# groupByKey
groupRdd = pairRdd.groupByKey()
print(groupRdd.collect())
#  reduceByKey
reduceRdd = pairRdd.reduceByKey(lambda x,y:x+y)
print(reduceRdd.collect())
#  sortByKey
sortedRdd = reduceRdd.sortByKey(ascending = False,keyfunc = lambda x:x)
print(sortedRdd.collect())
# aggregateByKey
zeroValue = 0
seqFunc = lambda a,b : a+b
combFunc = lambda x,y : x+y
aggregateRdd = pairRdd.aggregateByKey(zeroValue,seqFunc,combFunc)
print(aggregateRdd.collect())
#  sampleByKey
sampleRdd = pairRdd.sampleByKey(withReplacement=False,fractions={'hello':0.2,'new':0.1,'hi':0.2,'beijing':0.2,'york':0.1},seed = 81)
print(sampleRdd.collect())

[('hello', <pyspark.resultiterable.ResultIterable object at 0x0000014CA57BB448>), ('hi', <pyspark.resultiterable.ResultIterable object at 0x0000014CA57BB1C8>), ('beijing', <pyspark.resultiterable.ResultIterable object at 0x0000014CA578CB88>), ('new', <pyspark.resultiterable.ResultIterable object at 0x0000014CA578C108>), ('york', <pyspark.resultiterable.ResultIterable object at 0x0000014CA5C16848>)]
[('hello', 3), ('hi', 1), ('beijing', 1), ('new', 1), ('york', 1)]
[('york', 1), ('new', 1), ('hi', 1), ('hello', 3), ('beijing', 1)]
[('hello', 3), ('hi', 1), ('beijing', 1), ('new', 1), ('york', 1)]
[('hello', 1), ('york', 1), ('beijing', 1)]

兩個(gè)RDD之間使用的算子

rdd1 = sc.parallelize([1,2,3])
rdd2 = sc.parallelize([2,3,4])
# 并集union
unionRdd = rdd1.union(rdd2)
print(unionRdd.collect())
# 交集 intersection
intersectionRdd = rdd1.intersection(rdd2)
print(intersectionRdd.collect())
#  差集substract 
subtractRdd = rdd1.subtract(rdd2)
print(subtractRdd.collect())
# 笛卡爾積cartesian
cartesianRdd = rdd1.cartesian(rdd2)
print(cartesianRdd.collect())

[1, 2, 3, 2, 3, 4]
[2, 3]
[1]
[(1, 2), (1, 3), (1, 4), (2, 2), (2, 3), (2, 4), (3, 2), (3, 3), (3, 4)]

rdd1 = sc.parallelize([
    ("Bob","Jack"),
    ("Bob","John"),
    ("lown","jane"),
    ("Boss","Mary")
])
rdd2 = sc.parallelize([
    ("Bob",10),
    ("Boss",7),
    ("hello",6)
])
# 內(nèi)連接
innerRdd = rdd1.join(rdd2)
print(innerRdd.collect())
# 左連接
leftRdd = rdd1.leftOuterJoin(rdd2)
print(leftRdd.collect())
# 右連接
rigthRdd = rdd1.rightOuterJoin(rdd2)
print(rigthRdd.collect())
# 全連接
fullRdd = rdd1.fullOuterJoin(rdd2)
print(fullRdd.collect())

[('Boss', ('Mary', 7)), ('Bob', ('Jack', 10)), ('Bob', ('John', 10))]
[('lown', ('jane', None)), ('Boss', ('Mary', 7)), ('Bob', ('Jack', 10)), ('Bob', ('John', 10))]
[('hello', (None, 6)), ('Boss', ('Mary', 7)), ('Bob', ('Jack', 10)), ('Bob', ('John', 10))]
[('lown', ('jane', None)), ('hello', (None, 6)), ('Boss', ('Mary', 7)), ('Bob', ('Jack', 10)), ('Bob', ('John', 10))]

wordcount詞頻統(tǒng)計(jì)

# 讀取本地文件系統(tǒng)
path = "file:///E:\spark-2.4.6-bin-hadoop2.7\data\mllib\sample_fpgrowth.txt"
rdd = sc.textFile(path)
print(rdd.collect())

result = (rdd.flatMap(lambda x : x.split(" "))
          .map(lambda word : (word,1))
          .repartition(10)
          .reduceByKey(lambda a,b: a+b)
         )
print(result.collect())

['r z h k p', 'z y x w v u t s', 's x o n r', 'x z y m t s q e', 'z', 'x z y r q t p']
[('u', 1), ('m', 1), ('y', 3), ('k', 1), ('t', 3), ('o', 1), ('n', 1), ('e', 1), ('r', 3), ('h', 1), ('p', 2), ('s', 3), ('x', 4), ('q', 2), ('z', 5), ('w', 1), ('v', 1)]

讀寫(xiě)hdfs

# 讀取hdfs文件,生成RDD狞换,spark conf中不加入hdfs相關(guān)的兩個(gè)配置文件的話(huà)默認(rèn)是本地
path = "hdfs://110.141.77.118:8020/user/sjmt_ml/data/mllib/sample_fpgrowth.txt"
rdd = sc.textFile(path)
# print(rdd.collect())
# 詞頻統(tǒng)計(jì)
result = (rdd.flatMap(lambda x : x.split(" "))
          .map(lambda word : (word,1))
          .repartition(10)
          .reduceByKey(lambda a,b: a+b)
         )
result.saveAsTextFile("/user/sjmt_ml/result/wc" + datetime.now().strftime('%Y-%m-%d'))

def func(iter):
    for i in iter:
        return i
    
result.mapPartitions(lambda iter : func(iter)).collect()    

['r z h k p', 'z y x w v u t s', 's x o n r', 'x z y m t s q e', 'z', 'x z y r q t p']

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末避咆,一起剝皮案震驚了整個(gè)濱河市舟肉,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌牌借,老刑警劉巖度气,帶你破解...
    沈念sama閱讀 216,744評(píng)論 6 502
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異膨报,居然都是意外死亡,警方通過(guò)查閱死者的電腦和手機(jī)适荣,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,505評(píng)論 3 392
  • 文/潘曉璐 我一進(jìn)店門(mén)现柠,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái),“玉大人弛矛,你說(shuō)我怎么就攤上這事够吩。” “怎么了丈氓?”我有些...
    開(kāi)封第一講書(shū)人閱讀 163,105評(píng)論 0 353
  • 文/不壞的土叔 我叫張陵周循,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我万俗,道長(zhǎng)湾笛,這世上最難降的妖魔是什么? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 58,242評(píng)論 1 292
  • 正文 為了忘掉前任闰歪,我火速辦了婚禮嚎研,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘库倘。我一直安慰自己临扮,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,269評(píng)論 6 389
  • 文/花漫 我一把揭開(kāi)白布教翩。 她就那樣靜靜地躺著杆勇,像睡著了一般。 火紅的嫁衣襯著肌膚如雪饱亿。 梳的紋絲不亂的頭發(fā)上蚜退,一...
    開(kāi)封第一講書(shū)人閱讀 51,215評(píng)論 1 299
  • 那天,我揣著相機(jī)與錄音路捧,去河邊找鬼关霸。 笑死,一個(gè)胖子當(dāng)著我的面吹牛杰扫,可吹牛的內(nèi)容都是我干的队寇。 我是一名探鬼主播,決...
    沈念sama閱讀 40,096評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼章姓,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼佳遣!你這毒婦竟也來(lái)了识埋?” 一聲冷哼從身側(cè)響起,我...
    開(kāi)封第一講書(shū)人閱讀 38,939評(píng)論 0 274
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤零渐,失蹤者是張志新(化名)和其女友劉穎窒舟,沒(méi)想到半個(gè)月后,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體诵盼,經(jīng)...
    沈念sama閱讀 45,354評(píng)論 1 311
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡惠豺,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,573評(píng)論 2 333
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了风宁。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片洁墙。...
    茶點(diǎn)故事閱讀 39,745評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖戒财,靈堂內(nèi)的尸體忽然破棺而出热监,到底是詐尸還是另有隱情,我是刑警寧澤饮寞,帶...
    沈念sama閱讀 35,448評(píng)論 5 344
  • 正文 年R本政府宣布孝扛,位于F島的核電站,受9級(jí)特大地震影響幽崩,放射性物質(zhì)發(fā)生泄漏苦始。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,048評(píng)論 3 327
  • 文/蒙蒙 一歉铝、第九天 我趴在偏房一處隱蔽的房頂上張望盈简。 院中可真熱鬧,春花似錦太示、人聲如沸柠贤。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 31,683評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)臼勉。三九已至,卻和暖如春餐弱,著一層夾襖步出監(jiān)牢的瞬間宴霸,已是汗流浹背。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 32,838評(píng)論 1 269
  • 我被黑心中介騙來(lái)泰國(guó)打工膏蚓, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留瓢谢,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 47,776評(píng)論 2 369
  • 正文 我出身青樓驮瞧,卻偏偏與公主長(zhǎng)得像氓扛,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,652評(píng)論 2 354