更新时间:2022-09-08 GMT+08:00
分享

Python

由于Spark开源版本升级,为避免出现API兼容性或可靠性问题,建议用户使用配套版本的API。

Spark Core常用接口

Spark主要使用到如下这几个类:

  • pyspark.SparkContext:是Spark的对外接口。负责向调用该类的python应用提供Spark的各种功能,如连接Spark集群、创建RDD、广播变量等。
  • pyspark.SparkConf:Spark应用配置类。如设置应用名称,执行模式,executor内存等。
  • pyspark.RDD(Resilient Distributed Dataset):用于在Spark应用程序中定义RDD的类,该类提供数据集的操作方法,如map,filter。
  • pyspark.Broadcast:广播变量类。广播变量允许保留一个只读的变量,缓存在每一台机器上,而非每个任务保存一份拷贝。
  • pyspark.StorageLevel: 数据存储级别。有内存(MEMORY_ONLY),磁盘(DISK_ONLY),内存+磁盘(MEMORY_AND_DISK)等。
  • pyspark.sql.SQLContext:是SparkSQL功能的主入口。可用于创建DataFrame,注册DataFrame为一张表,表上执行SQL等。
  • pyspark.sql.DataFrame:分布式数据集。DataFrame等效于SparkSQL中的关系表,可被SQLContext中的方法创建。
  • pyspark.sql.DataFrameNaFunctions:DataFrame中处理数据缺失的函数。
  • pyspark.sql.DataFrameStatFunctions:DataFrame中统计功能的函数,可以计算列之间的方差,样本协方差等。
RDD上支持两种类型的操作:transformation和action,这两种类型的常用方法如表1表2
表1 Transformation

方法

说明

map(f, preservesPartitioning=False)

对调用map的RDD数据集中的每个element都使用Func,生成新的RDD。

filter(f)

对RDD中所有元素调用Func,生成将满足条件数据集以RDD形式返回。

flatMap(f, preservesPartitioning=False)

先对RDD所有元素调用Func,然后将结果扁平化,生成新的RDD。

sample(withReplacement, fraction, seed=None)

抽样,返回RDD一个子集。

union(rdds)

返回一个新的RDD,包含源RDD和给定RDD的元素的集合。

distinct([numPartitions: Int]): RDD[T]

去除重复元素,生成新的RDD。

groupByKey(): RDD[(K, Iterable[V])]

返回(K,Iterable[V]),将key相同的value组成一个集合。

reduceByKey(func, numPartitions=None)

对key相同的value调用Func。

sortByKey(ascending=True, numPartitions=None, keyfunc=function <lambda>)

按照key来进行排序,是升序还是降序,ascending是boolean类型。

join(other, numPartitions)

当有两个KV的dataset(K,V)和(K,W),返回的是(K,(V,W))的dataset,numPartitions为并发的任务数。

cogroup(other, numPartitions)

将当有两个key-value对的dataset(K,V)和(K,W),返回的是(K, (Iterable[V], Iterable[W]))的dataset,numPartitions为并发的任务数。

cartesian(other)

返回该RDD与其它RDD的笛卡尔积。

表2 Action

API

说明

reduce(f)

对RDD中的元素调用Func。

collect()

返回包含RDD中所有元素的一个数组。

count()

返回的是dataset中的element的个数。

first()

返回的是dataset中的第一个元素。

take(num)

返回前num个elements。

takeSample(withReplacement, num, seed)

takeSample(withReplacement,num,seed)对dataset随机抽样,返回有num个元素组成的数组。withReplacement表示是否使用replacement。

saveAsTextFile(path, compressionCodecClass)

把dataset写到一个text file、HDFS或者HDFS支持的文件系统中,spark把每条记录都转换为一行记录,然后写到file中。

saveAsSequenceFile(path, compressionCodecClass=None)

只能用在key-value对上,然后生成SequenceFile写到本地或者hadoop文件系统。

countByKey()

对每个key出现的次数做统计。

foreach(func)

在数据集的每一个元素上,运行函数。

countByValue()

对RDD中每个不同value出现的次数进行统计。

Spark Streaming常用接口

Spark Streaming中常见的类有:

  • pyspark.streaming.StreamingContext:是Spark Streaming功能的主入口,负责提供创建DStreams的方法,入参中需要设置批次的时间间隔。
  • pyspark.streaming.DStream:是一种代表RDDs连续序列的数据类型,代表连续数据流。
  • dsteam.PariDStreamFunctions:键值对的DStream,常见的操作如groupByKey和reduceByKey。

    对应的Spark Streaming的JAVA API是JavaStreamingContext,JavaDStream和JavaPairDStream。

Spark Streaming的常见方法与Spark Core类似,下表罗列了Spark Streaming特有的一些方法。

表3 Spark Streaming常用接口介绍

方法

说明

socketTextStream(hostname, port, storageLevel)

从TCP源主机:端口创建一个输入流。

start()

启动Spark Streaming计算。

awaitTermination(timeout)

当前进程等待终止,如Ctrl+C等。

stop(stopSparkContext, stopGraceFully)

终止Spark Streaming计算,stopSparkContext用于判断是否需要终止相关的SparkContext,StopGracefully用于判断是否需要等待所有接受到的数据处理完成。

UpdateStateByKey(func)

更新DStream的状态。使用此方法,需要定义State和状态更新函数。

window(windowLength, slideInterval)

根据源DStream的窗口批次计算得到一个新的DStream。

countByWindow(windowLength, slideInterval)

返回流中滑动窗口元素的个数。

reduceByWindow(func, windowLength, slideInterval)

当调用在DStream的KV对上,返回一个新的DStream的KV对,其中每个Key的Value根据滑动窗口中批次的reduce函数聚合得到。

join(other,numPartitions)

实现不同的Spark Streaming之间做合并操作。

SparkSQL常用接口

Spark SQL中在Python中重要的类有:

  • pyspark.sql.SQLContext:是Spark SQL功能和DataFrame的主入口。
  • pyspark.sql.DataFrame:是一个以命名列方式组织的分布式数据集。
  • pyspark.sql.HiveContext:获取存储在Hive中数据的主入口。
  • pyspark.sql.DataFrameStatFunctions:统计功能中一些函数。
  • pyspark.sql.functions:DataFrame中内嵌的函数。
  • pyspark.sql.Window:sql中提供窗口功能。
表4 Spark SQL常用的Action

方法

说明

collect()

返回一个数组,包含DataFrame的所有列。

count()

返回DataFrame中的行数。

describe()

计算统计信息,包含计数,平均值,标准差,最小值和最大值。

first()

返回第一行。

head(n)

返回前n行。

show()

用表格形式显示DataFrame。

take(num)

返回DataFrame中的前num行。

表5 基本的DataFrame Functions

方法

说明

explain()

打印出SQL语句的逻辑计划和物理计划。

printSchema()

打印schema信息到控制台。

registerTempTable(name)

将DataFrame注册为一张临时表,命名为name,其周期和SQLContext绑定在一起。

toDF()

返回一个列重命名的DataFrame。

分享:

    相关文档

    相关产品