PySpark进阶--深入剖析wordcount.py-创新互联

在本文中，我们借由深入剖析wordcount.py, 来揭开Spark内部各种概念的面纱。我们再次回顾wordcount.py代码来回答如下问题

成都创新互联公司专注于企业成都营销网站建设、网站重做改版、夏津网站定制设计、自适应品牌网站建设、H5技术、成都做商城网站、集团公司官网建设、成都外贸网站制作、高端网站制作、响应式网页设计等建站业务，价格优惠性价比高，为夏津等各大城市提供网站开发制作服务。

对于大多数语言的Hello Word示例，都有main()函数， wordcount.py的main函数，或者说调用Spark的main() 在哪里
数据的读入，各个RDD数据如何转换
map与flatMap的工作机制，以及区别
reduceByKey的作用

WordCount.py 的代码如下：

from __future__ import print_functionimport sysfrom operator import add# SparkSession：是一个对Spark的编程入口，取代了原本的SQLContext与HiveContext，方便调用Dataset和DataFrame API# SparkSession可用于创建DataFrame，将DataFrame注册为表，在表上执行SQL，缓存表和读取parquet文件。from pyspark.sql import SparkSessionif __name__ == "__main__": # Python 常用的简单参数传入 if len(sys.argv) != 2: print("Usage: wordcount ", file=sys.stderr) exit(-1) # appName 为 Spark 应用设定一个应用名，改名会显示在 Spark Web UI 上 # 假如SparkSession 已经存在就取得已存在的SparkSession，否则创建一个新的。 spark = SparkSession\ .builder\ .appName("PythonWordCount")\ .getOrCreate() # 读取传入的文件内容，并写入一个新的RDD实例lines中，此条语句所做工作有些多，不适合初学者，可以截成两条语句以便理解。 # map是一种转换函数，将原来RDD的每个数据项通过map中的用户自定义函数f映射转变为一个新的元素。原始RDD中的数据项与新RDD中的数据项是一一对应的关系。 lines = spark.read.text(sys.argv[1]).rdd.map(lambda r: r[0]) # flatMap与map类似，但每个元素输入项都可以被映射到0个或多个的输出项，最终将结果”扁平化“后输出 counts = lines.flatMap(lambda x: x.split(' ')) \ .map(lambda x: (x, 1)) \ .reduceByKey(add) # collect() 在驱动程序中将数据集的所有元素作为数组返回。这在返回足够小的数据子集的过滤器或其他操作之后通常是有用的。由于collect 是将整个RDD汇聚到一台机子上，所以通常需要预估返回数据集的大小以免溢出。 output = counts.collect() for (word, count) in output: print("%s: %i" % (word, count)) spark.stop()

Spark 入口 SparkSession

Spark2.0中引入了SparkSession的概念，它为用户提供了一个统一的切入点来使用Spark的各项功能，这边不妨对照Http Session，在此Spark就在充当Web service的角色，程序调用Spark功能的时候需要先建立一个Session。因此看到getOrCreate()就很容易理解了，表明可以视情况新建session或利用已有的session。

spark = SparkSession\ .builder\ .appName("PythonWordCount")\ .getOrCreate()

既然将Spark 想象成一个Web server，也就意味着可能用多个访问在进行，为了便于监控管理，对应用命名一个恰当的名称是个好办法。Web UI并不是本文的重点，有兴趣的同学可以参考 Spark Application’s Web Console

加载数据

在建立SparkSession之后，就是读入数据并写入到Dateset中。

lines = spark.read.text(sys.argv[1]).rdd.map(lambda r: r[0])

为了更好的分解执行过程，是时候借助PySpark了， PySpark是python调用Spark的 API，它可以启动一个交互式Python Shell。为了方便脚本调试，暂时切换到Linux执行

# pysparkPython 2.7.6 (default, Jun 22 2015, 17:58:13) [GCC 4.8.2] on linux2 Type "help", "copyright", "credits" or "license" for more information. Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties Setting default log level to "WARN". To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel). 17/02/23 08:30:26 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable 17/02/23 08:30:31 WARN ObjectStore: Version information not found in metastore. hive.metastore.schema.verification is not enabled so recording the schema version 1.2.0 17/02/23 08:30:31 WARN ObjectStore: Failed to get database default, returning NoSuchObjectException 17/02/23 08:30:32 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException Welcome to ____ __ / __/__ ___ _____/ /__ _\ \/ _ \/ _ `/ __/ '_/ /__ / .__/\_,_/_/ /_/\_\ version 2.1.0 /_/ Using Python version 2.7.6 (default, Jun 22 2015 17:58:13) SparkSession available as 'spark'.>>> ds = spark.read.text('/home/spark2.1/spark/examples/src/main/python/a.txt')>>> type(ds) >>> print ds DataFrame[value: string]>>> lines = ds.rdd

交互式Shell的好处是可以方便的查看变量内容和类型。此刻文件a.txt已经加载到lines中，它是RDD(Resilient Distributed Datasets)弹性分布式数据集的实例。

RDD操作

RDD在内存中的结构可以参考论文，理解RDD有两点比较重要：

一是RDD一种只读、只能由已存在的RDD变换而来的共享内存，然后将所有数据都加载到内存中，方便进行多次重用。

二是RDD的数据默认情况下存放在集群中不同节点的内存中，本身提供了容错性，可以自动从节点失败中恢复过来。即如果某个节点上的RDD partition，因为节点故障，导致数据丢了，那么RDD会自动通过自己的数据来源重新计算该partition。

为了探究RDD内部的数据内容，可以利用collect()函数，它能够以数组的形式，返回RDD数据集的所有元素。

>>> lines = ds.rdd>>> for i in lines.collect():... print i... Row(value=u'These examples give a quick overview of the Spark API. Spark is built on the concept of distributed datasets, which contain arbitrary Java or Python objects.')

lines存储的是Row object类型，而我们希望的是对String类型进行处理，所以需要利用map api进一步转换RDD

>>> lines_map = lines.map(lambda x: x[0])>>> for i in lines_map.collect():... print i... These examples give a quick overview of the Spark API. Spark is built on the concept of distributed datasets, which contain arbitrary Java or Python objects.

为了统计每个单词的出现频率，需要对每个单词分别统计，那么第一步需要将上面的字符串以空格作为分隔符将单词提取出来，并为每个词设置一个计数器。比如 These出现次数是1, 我们期望的数据结构是['There', 1]。但是如何将包含字符串的RDD转换成元素为类似 ['There', 1] 的RDD呢？

>>> flat_map = lines_map.flatMap(lambda x: x.split(' '))>>> rdd_map = flat_map.map(lambda x: [x, 1])>>> for i in rdd_map.collect():... print i... [u'These', 1] [u'examples', 1] [u'give', 1] [u'a', 1] [u'quick', 1]

下图简要的讲述了flatMap 和 map的转换过程。

PySpark进阶--深入剖析wordcount.py

transfrom.png

不难看出，map api只是为所有出现的单词初始化了计数器为1，并没有统计相同词，接下来这个任务由reduceByKey()来完成。在rdd_map 中，所有的词被视为一个key，而key相同的value则执行reduceByKey内的算子操作，因为统计相同key是累加操作，所以可以直接add操作。

>>> from operator import add>>> add_map = rdd_map.reduceByKey(add)>>> for i in add_map.collect():... print i... (u'a', 1) (u'on', 1) (u'of', 2) (u'arbitrary', 1) (u'quick', 1) (u'the', 2) (u'or', 1)>>> print rdd_map.count()26>>> print add_map.count()23

根据a.txt 的内容，可知只有 of 和 the 两个单词出现了两次，符合预期。

总结

以上的分解步骤，可以帮我们理解RDD的操作，需要提示的是，RDD将操作分为两类：transformation与action。无论执行了多少次transformation操作，RDD都不会真正执行运算，只有当action操作被执行时，运算才会触发。也就是说，上面所有的RDD都是通过collect()触发的，那么如果将上述的transformation放入一条简练语句中, 则展现为原始wordcount.py的书写形式。

counts = lines.flatMap(lambda x: x.split(' ')) \ .map(lambda x: (x, 1)) \ .reduceByKey(add)

而真正的action 则是由collect()完成。

output = counts.collect()

至此，已经完成了对wordcount.py的深入剖析，但是有意的忽略了一些更底层的执行过程，比如DAG, stage, 以及Driver程序。

作者：或然子
链接：https://www.jianshu.com/p/067907b23546
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

另外有需要云服务器可以了解下创新互联cdcxhl.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。

本文标题：PySpark进阶--深入剖析wordcount.py-创新互联
本文网址：http://dzwzjz.com/article/ccchjo.html

大橙子网站建设，新征程启航

PySpark进阶--深入剖析wordcount.py-创新互联

Spark 入口 SparkSession

加载数据

RDD操作

总结

其他资讯