安装好Spark 后，官方自带了一些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Spary 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，做业务很方便。针对于大数据文件做统计分析的。比如几十兆上百兆的我们单机处理，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（比如额外加分的情况，需要合并分析）。
yang 85 90 30 wang 20 60 50 zhang 90 90 90 li 100 54 0 yanf 0 0 0 yang 12 0 0
当然实际中数据要很多，比如很多列，而且几十万行甚至几百万行。这里是一个demo ,相当于在部署前测试。
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))
# 之后调用 CombineByKey,将相同学生的成绩相加（合并）。然后调用cache, 将整个数据缓存，以便多次进行reduce而无需每次都重新生成。
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()
# 获取三科中所有成绩都是0的同学（缺考）
whoIs0 = lines.filter(lambda x: filter(allIs0,x)).collect()
# 获取每个学生的成绩总和
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])
# 所有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学，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：
[[email protected] spark-1.1.1]# ./bin/spark-submit examples/src/main/python/students.py temp/student.txt
运行结果result.txt如下：
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，不做陈述。。。相比hadoop，Spark 是一个内存计算的MapReduce, 通过缓存机制，在性能上要好很多。它自身不带数据系统。但是支持 hdfs,mesos,hbase。文本文件等。它就是一个MapReduce框架。
深入了解可以看这篇文章 http://spark.apache.org/docs/latest/programming-guide.html
时间： 2024-10-10 06:25:10