合作专线:17362615757
行业资讯

AI资讯

当前位置:首页 > 行业资讯 > AI资讯

Spark入门级别系类(二)| 1小时学会了RDD编程学习


作者 | 梁云1991转载自Python与算法之美(ID:Python_Ai_Road)导读:本文为 Spark入门系列的第二篇文章,主要介绍 RDD 编程,实操性较强,感兴趣的同学可以动手实现一下。
RDD 是弹性分布式数据集(Resilient Distributed Dataset),是 Spark 对数据的核心抽象。RDD 其实是分布式的元素集合,当 Spark 对数据操作和转换时,会自动将RDD中的数据分发到集群,并将操作并行化执行。每个 RDD 都被分为多个分区,这些分区运行在集群中的不同节点。
一、编程环境
以下为Mac系统上单机版Spark练习编程环境的配置方法。
注意:仅配置练习环境无需安装Hadoop,无需安装Scala。
1,安装Java8

注意避免安装其它版本的jdk,否则会有不兼容问题。

2,下载spark并解压


解压到以下路径:
Users/yourname/ProgramFiles/spark-2.4.3-bin-hadoop2.7

3,配置spark环境
vim ~/.bashrc
插入下面两条语句

export SPARK_HOME=/Users/yourname/ProgramFiles/spark-2.4.3-bin-hadoop2.7export PATH=$PATH:$SPARK_HOME/bin
4,配置jupyter支持
若未有安装jupyter可以下载Anaconda安装之。使用toree可以安装jupyter环境下的Apache Toree-Scala内核,以便在jupyter环境下运行Spark。
pip install toreejupyter toree install --spark_home=Users/yourname/ProgramFiles/spark-2.4.3-bin-hadoop2.7
二、运行Spark

Spark可以通过以下一些方式运行。

1,通过spark-shell进入Spark交互式环境,使用Scala语言。

2,通过spark-submit提交Spark应用程序进行批处理。
这种方式可以提交Scala或Java语言编写的代码编译后生成的jar包,也可以直接提交Python脚本。

3,通过pyspark进入pyspark交互式环境,使用Python语言。
这种方式可以指定jupyter或者ipython为交互环境。

4,通过zepplin notebook交互式执行。
zepplin是jupyter notebook的apache对应产品。

5,安装Apache Toree-Scala内核。
可以在jupyter 中运行spark-shell。
使用spark-shell运行时,还可以添加两个常用的两个参数。

一个是master指定使用何种分布类型。

第二个是jars指定依赖的jar包。#local本地模式运行,默认使用4个逻辑CPU内核spark-shell
#local本地模式运行,使用全部内核,添加 code.jar到classpathspark-shell --master local[*] --jars code.jar
#local本地模式运行,使用4个内核spark-shell --master local[4]
#standalone模式连接集群,指定url和端口号spark-shell --master spark://master:7077
#客户端模式连接YARN集群,Driver运行在本地,方便查看日志,调试时推荐使用。spark-shell --master yarn-client
#集群模式连接YARN集群,Driver运行在集群,本地机器计算和通信压力小,批量任务时推荐使用。spark-shell --master yarn-cluster#提交scala写的任务./bin/spark-submit --class org.apache.spark.examples.SparkPi \ --master yarn \ --deploy-mode cluster \ --driver-memory 4g \ --executor-memory 2g \ --executor-cores 1 \ --queue thequeue \ examples/jars/spark-examples*.jar 10#提交python写的任务spark-submit --master yarn \--executor-memory 6G \--driver-memory 6G \--deploy-mode cluster \--num-executors 600 \--conf spark.yarn.maxAppAttempts=1 \--executor-cores 1 \--conf spark.default.parallelism=2000 \--conf spark.task.maxFailures=10 \--conf spark.stage.maxConsecutiveAttempts=10 \test.py
三、创建RDD
创建RDD的基本方式有两种,第一种是使用textFile加载本地或者集群文件系统中的数据。第二种是使用parallelize方法将Driver中的数据结构并行化成RDD。
1,textFile


2,parallelize(或makeRDD)


四、常用Action操作
Action操作将触发基于RDD依赖关系的计算。
1,collect

2,take


3,takeSample

4,first


5,count

6,reduce


7,foreach

8,coutByKey

9,saveAsFile

五、常用Transformation操作
Transformation转换操作具有懒惰执行的特性,它只指定新的RDD和其父RDD的依赖关系,只有当Action操作触发到该依赖的时候,它才被计算。
1,map


2,filter

3,flatMap

4,sample

5,distinct

6,subtract

7,union

8,intersection

9,cartesian

10,sortBy


11,pipe


六、常用PairRDD转换操作
PairRDD指的是数据为Tuple2数据类型的RDD,其每个数据的第一个元素被当做key,第二个元素被当做value。
1,reduceByKey

2,groupByKey

3,sortByKey

4,join

5,leftOuterJoin

6,rightOuterJoin


7,cogroup

8,subtractByKey

9,foldByKey

七、持久化操作
如果一个RDD被多个任务用作中间量,那么对其进行cache,缓存到内存中会对加快计算非常有帮助。

声明对一个RDD进行cache后,该RDD不会被立即缓存,而是等到它第一次因为某个Action操作触发后被计算出来时才进行缓存。

可以使用persist明确指定存储级别,常用的存储级别是MEMORY_ONLY和MEMORY_AND_DISK。
1,cache


2,persist

八、共享变量
当Spark集群在许多节点上运行一个函数时,默认情况下会把这个函数涉及到的对象在每个节点生成一个副本。但是,有时候需要在不同节点或者节点和Driver之间共享变量。
Spark提供两种类型的共享变量,广播变量和累加器。

广播变量是不可变变量,实现在不同节点不同任务之间共享数据。广播变量在每个节点上缓存一个只读的变量,而不是为每个task生成一个副本,可以减少数据的传输。
累加器主要用于不同节点和Driver之间共享变量,只能实现计数或者累加功能。累加器的值只有在Driver上是可读的,在节点上只能执行add操作。
1,broadcast

2,Accumulator


九、分区操作
分区操作包括改变分区方式,以及和分区相关的一些转换操作。
1,coalesce

2,repartition


3,partitionBy


4,mapPartitions

5,mapPartitionsWithIndex


6,foreachPartitions

7,aggregate


8,aggregateByKey




◆精彩推荐◆


“只讲技术,拒绝空谈!”2019 AI开发者大会将于9月6日-7日在北京举行,这一届AI开发者大会有哪些亮点?一线公司的大牛们都在关注什么?AI行业的风向是什么?2019 AI开发者大会,倾听大牛分享,聚焦技术实践,和万千开发者共成长。
目前,大会早鸟票限量发售中~扫码购票,领先一步!
推荐阅读AI“配”5G,能“生”出怎样的未来?什么限制了GNN的能力?首篇探究GNN普适性与局限性的论文出炉!2019年最新华为、BAT、美团、头条、滴滴面试题目及答案汇总10分钟学会用Pandas做多层级索引中国第一程序员,微软得不到他就要毁了他!透析《长安十二时辰》里的望楼,人类在唐朝就有 5G 愿望了?首批 8 款 5G 手机获 3C 认证;iPhone6 系列停产;Android Q Beta 5 发布 | 极客头条"别太乐观, 冲破黑暗还很远呀! "
你点的每个“在看”,我都认真当成了喜欢
Auto_z