Spark的Python编程－简单示例

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

安装好Spark 后，自带了一些demo, 路径在Spark根目录/examples/src/main/python/

里面有些例子，例如统计字数的 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()

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

写了一个小demo，就是练习一下api的使用，作业务很方便。针对于大数据文件作统计分析的。好比几十兆上百兆的咱们单机处理，上G的就放在hadoop 的 hdfs上。

下面是一个学生成绩单。四列字段：学生，以及三科成绩。其中学生有重复的（好比额外加分的状况，须要合并分析）。

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

固然实际中数据要不少，好比不少列，并且几十万行甚至几百万行。这里是一个demo ,至关于在部署前测试。

在 Spark根目录/example/src/main/python/ 下新建一个 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")
    
    # 加载学生文件，调用map将学生映射成keyValues.其中,key是学生，Value是学生成绩。
    # map后的结果如('yang',(85,90,30))
    # 以后调用 CombineByKey,将相同窗生的成绩相加（合并）。
    # 而后调用cache, 将整个数据缓存，以便屡次进行reduce而无需每次都从新生成。
    lines = sc.textFile(sys.argv[1], 1).map(map_func).combineByKey(f,add,_merge).cache()
    
    #print lines
    count = lines.count()
     
    # 获取学生中三科成绩有满分的，调用filter来实现
    whohas100 = lines.filter(lambda x: filter(has100,x)).collect()
    
    # 获取三科中全部成绩都是0的同窗（缺考）
    whoIs0 = lines.filter(lambda x: filter(allIs0,x)).collect()
    
    # 获取每一个学生的成绩总和
    sumScore = lines.map(lambda x: (x[0],sum(x[1]))).collect()
    
    # 获取三科中，单科最高分
    subM = lines.reduce(subMax)
    
    # 获取学生单科成绩的总和，求单科平均分用
    sumA = lines.reduce(sumAll)
    
    # 总分最高的学生
    maxScore = max(sumScore,key = lambda x: x[1])
    
    # 总分最低的学生
    minScore = min(sumScore,key = lambda x: x[1])
    
    # 全部学生三科成绩平均分
    avgA = [x/count for x in sumA[1]]
    
    # 根据总分进行排序（默认由小而大）
    sorted = lines.sortBy(lambda x: sum(x[1]))
    
    # 排序并附带序号
    sortedWithRank = sorted.zipWithIndex().collect()
    
    # 取出成绩最高的前三名同窗，发奖！
    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
     
    #将结果汇总输出到文件
    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，运行：

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

运行结果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的运行过程会打印出任务执行的开始过程以及结束。表示没研究透，不作陈述。。。

相比hadoop，Spark 是一个内存计算的MapReduce, 经过缓存机制，在性能上要好不少。它自身不带数据系统。可是支持 hdfs,mesos,hbase。文本文件等。从架构和应用角度上看，spark是 一个仅包含计算逻辑的开发库（尽管它提供个独立运行的master/slave服务，但考虑到稳定后以及与其余类型做业的继承性，一般不会被采用），而不 包含任何资源管理和调度相关的实现，这使得spark能够灵活运行在目前比较主流的资源管理系统上，典型的表明是mesos和yarn，咱们称之为 “spark on mesos”和“spark on yarn”。将spark运行在资源管理系统上将带来很是多的收益，包括：与其余计算框架共享集群资源；资源按需分配，进而提升集群资源利用率等