Spark的Python編程－簡單示例

連接：http://spark.apache.org/docs/latest/programming-guide.html

安裝好Spark 後，自帶了一些demo, 路徑在Spark根目錄/examples/src/main/python/

裏面有些例子，例如統計字數的 wordcount.py

import sys
from operator import add
 
from pyspark import SparkContext
 
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
 
if __name__ == "__main__":
    if len(sys.argv) != 2:
        print >> sys.stderr, "Usage: wordcount <file>"
        exit(-1)
    sc = SparkContext(appName="PythonWordCount")
    lines = sc.textFile(sys.argv[1], 1)
    counts = lines.flatMap(lambda x: x.split(' ')) \
                  .map(lambda x: (x, 1)) \
                  .reduceByKey(add)
    output = counts.collect()
    for (word, count) in output:
        print "%s: %i" % (word, count)
 
    sc.stop()

另外參考Spark的python api: http://spark.apache.org/docs/latest/api/python/pyspark.html

寫了一個小demo，就是練習一下api的使用，作業務很方便。針對於大數據文件作統計分析的。好比幾十兆上百兆的咱們單機處理，上G的就放在hadoop 的 hdfs上。

下面是一個學生成績單。四列字段：學生，以及三科成績。其中學生有重複的（好比額外加分的狀況，須要合併分析）。

yang    85  90  30
wang    20  60  50
zhang   90  90  90
li  100 54  0
yanf    0   0   0   
yang 12 0 0

固然實際中數據要不少，好比不少列，並且幾十萬行甚至幾百萬行。這裏是一個demo ,至關於在部署前測試。

在 Spark根目錄/example/src/main/python/ 下新建一個 students.py :

#coding=utf-8
 
import sys
from operator import add
from pyspark import SparkContext
 
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
 
def map_func(x):
    s = x.split()
    return (s[0],[int(s[1]),int(s[2]),int(s[3])])
 
def f(x):
    return x
    rank = sc.parallelize(range(0,sorted.count()))
 
def add(a,b):
    return [a[r]+ b[r] for r in range(len(a))]
 
def _merge(a,b):
    print '****'
    return [a[r]+ b[r] for r in range(len(a))]
 
#the students who has one score is 100
def has100(x):
    for y in x:
        if(y==100):
            return True
    return False
 
def allIs0(x):
    if(type(x) == list and sum(x) == 0):
        return True
    return False
 
def subMax(x,y):
    m = [x[1][i] if(x[1][i] > y[1][i]) else y[1][i] for i in range(3)]
    return('',m)
 
def sumAll(x,y):
    return ('',[x[1][i]+y[1][i] for i in range(3)])
 
 
if __name__ == "__main__":
    if len(sys.argv) != 2:
        print >> sys.stderr, "Usage: students <file>"
        exit(-1)
    sc = SparkContext(appName="Students")
    
    # 加載學生文件，調用map將學生映射成keyValues.其中,key是學生，Value是學生成績。
    # map後的結果如('yang',(85,90,30))
    # 以後調用 CombineByKey,將相同窗生的成績相加（合併）。
    # 而後調用cache, 將整個數據緩存，以便屢次進行reduce而無需每次都從新生成。
    lines = sc.textFile(sys.argv[1], 1).map(map_func).combineByKey(f,add,_merge).cache()
    
    #print lines
    count = lines.count()
     
    # 獲取學生中三科成績有滿分的，調用filter來實現
    whohas100 = lines.filter(lambda x: filter(has100,x)).collect()
    
    # 獲取三科中全部成績都是0的同窗（缺考）
    whoIs0 = lines.filter(lambda x: filter(allIs0,x)).collect()
    
    # 獲取每一個學生的成績總和
    sumScore = lines.map(lambda x: (x[0],sum(x[1]))).collect()
    
    # 獲取三科中，單科最高分
    subM = lines.reduce(subMax)
    
    # 獲取學生單科成績的總和，求單科平均分用
    sumA = lines.reduce(sumAll)
    
    # 總分最高的學生
    maxScore = max(sumScore,key = lambda x: x[1])
    
    # 總分最低的學生
    minScore = min(sumScore,key = lambda x: x[1])
    
    # 全部學生三科成績平均分
    avgA = [x/count for x in sumA[1]]
    
    # 根據總分進行排序（默認由小而大）
    sorted = lines.sortBy(lambda x: sum(x[1]))
    
    # 排序並附帶序號
    sortedWithRank = sorted.zipWithIndex().collect()
    
    # 取出成績最高的前三名同窗，發獎！
    first3 = sorted.takeOrdered(3,key = lambda x: -sum(x[1]))
    
    #print '*'*50
    print whohas100
    print maxScore
    print whoIs0
    print subM
    print avgA
    print sorted.collect()
    print sortedWithRank
    print first3
     
    #將結果彙總輸出到文件
    file = open('/home/yanggaofei/downloads/result.txt','w')
    file.write('students num:'+`count`+ '\n')
    file.write('who has a 100 scores:' + str(whohas100) + '\n')
    file.write('who all is 0:' + str(whoIs0) + '\n')
    file.write('the max score of each subject:' + str(subM) + '\n')
    file.write('the avg score of each subject:' + str(avgA) + '\n')
    file.write('sorted the students:' + str(sorted.collect()) + '\n')
    file.write('sorted the students with the rank:' + str(sortedWithRank) + '\n')
    file.write('the first 3 who will get the award:' + str(first3) + '\n')
    file.close()

好了，運行：

[root@cyouemt spark-1.1.1]
# ./bin/spark-submit examples/src/main/python/students.py temp/student.txt

運行結果result.txt以下：

students num:5
who has a 100 scores:[(u'li', [100, 54, 0])]
who all is 0:[(u'yanf', [0, 0, 0])]
the max score of each subject:('', [100, 90, 90])
the avg score of each subject:[61, 58, 34]
sorted the students:[(u'yanf', [0, 0, 0]), (u'wang', [20, 60, 50]), 
                     (u'li', [100, 54, 0]), (u'yang', [97, 90, 30]), 
                     (u'zhang', [90, 90, 90])]
sorted the students with the rank:[
                ((u'yanf', [0, 0, 0]), 0), ((u'wang', [20, 60, 50]), 1), 
                ((u'li', [100, 54, 0]), 2), ((u'yang', [97, 90, 30]), 3), 
                ((u'zhang', [90, 90, 90]), 4)]
the first 3 who will get the award:[
                (u'zhang', [90, 90, 90]), 
                (u'yang', [97, 90, 30]), 
                (u'li', [100, 54, 0])]

Spark的運行過程會打印出任務執行的開始過程以及結束。表示沒研究透，不作陳述。。。

相比hadoop，Spark 是一個內存計算的MapReduce, 經過緩存機制，在性能上要好不少。它自身不帶數據系統。可是支持 hdfs,mesos,hbase。文本文件等。從架構和應用角度上看，spark是 一個僅包含計算邏輯的開發庫（儘管它提供個獨立運行的master/slave服務，但考慮到穩定後以及與其餘類型做業的繼承性，一般不會被採用），而不 包含任何資源管理和調度相關的實現，這使得spark能夠靈活運行在目前比較主流的資源管理系統上，典型的表明是mesos和yarn，咱們稱之爲 「spark on mesos」和「spark on yarn」。將spark運行在資源管理系統上將帶來很是多的收益，包括：與其餘計算框架共享集羣資源；資源按需分配，進而提升集羣資源利用率等