计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
弹性伸缩 AS
镜像服务 IMS
专属主机 DeH
函数工作流 FunctionGraph
云手机服务器 CPH
Huawei Cloud EulerOS
网络
虚拟私有云 VPC
弹性公网IP EIP
虚拟专用网络 VPN
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
VPC终端节点 VPCEP
云连接 CC
企业路由器 ER
企业交换机 ESW
全球加速 GA
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
边缘安全 EdgeSec
威胁检测服务 MTD
CDN与智能边缘
内容分发网络 CDN
CloudPond云服务
智能边缘云 IEC
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
云搜索服务 CSS
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
数据可视化 DLV
数据湖工厂 DLF
湖仓构建 LakeFormation
企业应用
云桌面 Workspace
应用与数据集成平台 ROMA Connect
云解析服务 DNS
专属云
专属计算集群 DCC
IoT物联网
IoT物联网
设备接入 IoTDA
智能边缘平台 IEF
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
国际站常见问题
ICP备案
我的凭证
支持计划
客户运营能力
合作伙伴支持计划
专业服务
区块链
区块链服务 BCS
Web3节点引擎服务 NES
解决方案
SAP
高性能计算 HPC
视频
视频直播 Live
视频点播 VOD
媒体处理 MPC
实时音视频 SparkRTC
数字内容生产线 MetaStudio
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
存储容灾服务 SDRS
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
专属分布式存储服务 DSS
容器
云容器引擎 CCE
容器镜像服务 SWR
应用服务网格 ASM
华为云UCS
云容器实例 CCI
管理与监管
云监控服务 CES
统一身份认证服务 IAM
资源编排服务 RFS
云审计服务 CTS
标签管理服务 TMS
云日志服务 LTS
配置审计 Config
资源访问管理 RAM
消息通知服务 SMN
应用运维管理 AOM
应用性能管理 APM
组织 Organizations
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
应用身份管理服务 OneAccess
数据库
云数据库 RDS
文档数据库服务 DDS
数据管理服务 DAS
数据复制服务 DRS
云数据库 GeminiDB
云数据库 GaussDB
分布式数据库中间件 DDM
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
人脸识别服务 FRS
图引擎服务 GES
图像识别 Image
内容审核 Moderation
文字识别 OCR
AI开发平台ModelArts
图像搜索 ImageSearch
对话机器人服务 CBS
华为HiLens
视频智能分析服务 VIAS
语音交互服务 SIS
应用中间件
分布式缓存服务 DCS
API网关 APIG
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
多活高可用服务 MAS
事件网格 EG
企业协同
华为云会议 Meeting
云通信
消息&短信 MSGSMS
云生态
合作伙伴中心
云商店
开发者工具
SDK开发指南
API签名指南
Terraform
华为云命令行工具服务 KooCLI
其他
产品价格详情
系统权限
管理控制台
客户关联华为云合作伙伴须知
消息中心
公共问题
开发与运维
应用管理与运维平台 ServiceStage
软件开发生产线 CodeArts
需求管理 CodeArts Req
部署 CodeArts Deploy
性能测试 CodeArts PerfTest
编译构建 CodeArts Build
流水线 CodeArts Pipeline
制品仓库 CodeArts Artifact
测试计划 CodeArts TestPlan
代码检查 CodeArts Check
代码托管 CodeArts Repo
云应用引擎 CAE
开天aPaaS
云消息服务 KooMessage
云手机服务 KooPhone
云空间服务 KooDrive

Spark Python接口介绍

更新时间:2024-12-10 GMT+08:00

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开源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

方法

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,返回由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。
  • dstream.PariDStreamFunctions:键值对的DStream,常见的操作如groupByKey和reduceByKey。

    对应的Spark Streaming的JAVA API是JavaSteamingContext,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Streaming计算。

awaitTermination(timeout)

当前进程等待终止,如Ctrl+C等。

stop(stopSparkContext, stopGraceFully)

终止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收到的数据处理完成。

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。

我们使用cookie来确保您的高速浏览体验。继续浏览本站,即表示您同意我们使用cookie。 详情

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容