Spark与Python结合：PySpark初学者指南

Apache Spark是目前处理和使用大数据的最广泛使用的框架之一，Python是数据分析，机器学习等最广泛使用的编程语言之一。那么，为什么不一起使用它们呢？这就是Spark与python也被称为PySpark的原因。

Apache Spark开发人员每年的平均年薪为110,000美元。毫无疑问，Spark在这个行业中已经被广泛使用。由于其丰富的库集，Python今天被大多数数据科学家和分析专家使用。

将Python与Spark集成是开源社区的主要礼物。 Spark是用Scala语言开发的，与Java非常相似。它将程序代码编译为用于Spark大数据处理的JVM的字节码。为了支持Spark和Python，Apache Spark社区发布了PySpark。在本文中，我们将讨论以下主题：

1、Apache Spark简介及其功能
2、为什么选择Python？
3、使用Python设置Spark（PySpark）
4、PySpark SparkContext和数据流
5、PySpark KDD用例

Apache Spark是Apache Software Foundation开发的用于实时处理的开源集群计算框架。 Spark提供了一个接口，用于编程具有隐式数据并行和容错功能的集群。

下面是Apache Spark的一些特性，它比其它的大数据框架的优势在于：

1、速度：比传统的大型数据处理框架快100倍。

2、强大的缓存：简单的编程层提供了强大的缓存和磁盘持久性功能。

3、部署：可以通过Mesos，通过Yarn的Hadoop或Spark自己的集群管理器进行部署。

4、实时：由于内存中的计算，实时计算和低延迟。

5、多语言：这是该框架最重要的特性之一，因为它可以在Scala，Java，Python和R语言中编程。

虽然Spark是在Scala中设计的，但它的速度比Python快10倍，但只有当使用的内核数量少时，Scala才会更快。由于现在大多数分析和处理都需要大量内核，因此Scala的性能优势并不大。

对于程序员来说，由于其语法和标准库，Python相对来说更容易学习。而且，它是一种动态类型语言，这意味着RDD可以保存多种类型的对象。

尽管Scala拥有SparkMLlib，但它没有足够的库和工具来实现机器学习和NLP目的。此外，Scala缺乏数据可视化。

使用Python设置Spark（PySpark）

我们应该如何下载Spark并安装它，当你已经解压缩了spark文件，安装它并将其添加到.bashrc文件的路径中，输入：source .bashrc

export SPARK_HOME = /usr/lib/hadoop/spark-2.1.0-bin-hadoop2.7

export PATH = $PATH:/usr/lib/hadoop/spark-2.1.0-bin-hadoop2.7/bin

要打开PySpark shell，输入命令：./bin/pyspark

Apache Spark由于它具有令人惊叹的功能，如内存处理，polyglot和快速处理等，被许多公司用于各种行业：

Yahoo！使用Apache Spark的机器学习功能来个性化其新闻和网页以及推荐式广告。使用Spark和Python来找出哪些新闻用户有兴趣阅读和分类新闻报道，以找出哪类用户有兴趣阅读哪些新闻类别。

TripAdvisor使用Apache Spark通过比较数百个网站为其客户找到最佳酒店价格，向数百万旅客提供建议。以可读格式阅读和处理酒店评论所需的时间是在Apache Spark的帮助下完成的。

阿里巴巴运营着全球最大的Apache Spark集群，以便在其电子商务平台上分析数百PB以上的数据。

PySpark SparkContext与数据流

用Python来连接Spark，使用RD4s可以通过库Py4j来实现。 PySpark Shell将Python API链接到Spark Core并初始化Spark Context。 Spark上下文是任何Spark应用程序的核心。

1、Spark Context设置内部服务并建立到Spark执行环境的连接。

2、驱动程序中的Spark Context对象协调所有分布式进程并允许资源分配。

3、集群管理器提供执行程序，它们是具有逻辑的JVM进程。

4、Spark Context对象将应用程序发送给执行者。

5、Spark Context在每个执行器中执行任务。

PySpark KDD用例

现在让我们来看一个用例：KDD'99 Cup（国际知识发现和数据挖掘工具竞赛）。这里我们将取数据集的一部分，因为原始数据集太大。

import urllib

f = urllib.urlretrieve ("http://kdd.ics.uci.edu/databases/kddcup99/kddcup.data_10_percent.gz", "kddcup.data_10_percent.gz")

创建 RDD:

现在我们用这个下载的文件来创建RDD。

data_file = "./kddcup.data_10_percent.gz"

raw_data = sc.textFile(data_file)

过滤

假设我们要计算在数据集中有多少正常的相互作用。我们可以按如下过滤raw_data RDD。

from time import time

t0 = time()

normal_count = normal_raw_data.count()

tt = time() - t0

print "There are {} 'normal' interactions".format(normal_count)

print "Count completed in {} seconds".format(round(tt,3))

统计:

现在我们来计算新RDD中有多少元素：

from time import time

t0 = time()

normal_count = normal_raw_data.count()

tt = time() - t0

print "There are {} 'normal' interactions".format(normal_count)

print "Count completed in {} seconds".format(round(tt,3))

输出结果如下:

There are 97278 'normal' interactions

Count completed in 5.951 seconds

映射:

在这种情况下，我们想要将数据文件作为CSV格式文件读取。我们可以通过对RDD中的每个元素应用lambda函数来做到这一点，如下所示。这里我们使用map()和take()函数转换。

from pprint import pprint

csv_data = raw_data.map(lambda x: x.split(","))

t0 = time()

head_rows = csv_data.take(5)

tt = time() - t0

print "Parse completed in {} seconds".format(round(tt,3))

pprint(head_rows[0])

输出结果:

Parse completed in 1.715 seconds

[u'0',

 u'tcp',

 u'http',

 u'SF',

 u'181',

 u'5450',

 u'0',

 u'0',

 u'normal.']

拆分：

现在我们希望将RDD中的每个元素都作为键值对（其中键是标记）（例如normal），并且该值是表示CSV格式文件中的行的整个元素列表。可以按如下进行，这里我们用line.split()和map()函数。

def parse_interaction(line):

elems = line.split(",")

tag = elems[41]

return (tag, elems)

key_csv_data = raw_data.map(parse_interaction)

head_rows = key_csv_data.take(5)

pprint(head_rows[0])

输出结果如下:

(u'normal.',

 [u'0',

  u'tcp',

  u'http',

  u'SF',

  u'181',

  u'5450',

  u'0',

  u'0',

  u'0.00',

  u'1.00',

  u'normal.'])

收集行为：

这里我们将使用collect()行为。它会将RDD的所有元素存入内存。因此，使用大型RDD时必须小心使用。

t0 = time()

all_raw_data = raw_data.collect()

tt = time() - t0

print "Data collected in {} seconds".format(round(tt,3))

输出结果如下:

Data collected in 17.927 seconds

当然，这比我们之前使用的其他任何动作花费的时间要长。每个具有RDD片段的Spark工作节点都必须进行协调，以便检索其部分，然后将所有内容缩小到一起。

作为结合前面所有内容的最后一个例子，我们希望收集所有常规交互作为键值对。

# get data from file

data_file = "./kddcup.data_10_percent.gz"

raw_data = sc.textFile(data_file)

# parse into key-value pairs

key_csv_data = raw_data.map(parse_interaction)

# filter normal key interactions

normal_key_interactions = key_csv_data.filter(lambda x: x[0] == "normal.")

# collect all

t0 = time()

all_normal = normal_key_interactions.collect()

tt = time() - t0

normal_count = len(all_normal)

print "Data collected in {} seconds".format(round(tt,3))

print "There are {} 'normal' interactions".format(normal_count)

输出结果如下 :

Data collected in 12.485 seconds

There are 97278 normal interactions

希望你喜欢Python这篇文章，如果已经在阅读完全部内容，恭喜你不再是PySpark的新手了。

周末愉快。

创建 RDD:

统计:

映射:

拆分：

更多相关文章

随机推荐