park安裝略，下載解壓配置下就OK?我使用的是spark-2.2.0-bin-hadoop2.7

安裝完畢后需要配置一下SPARK_HOME:

SPARK_HOME=C:\spark\spark-2.2.0-bin-hadoop2.7

Path里也要記得添加一下：

Path=XXXX;%SPARK_HOME%\bin;

Python與Spark交互主要用到pyspark這個模塊，所以需要準備好擴展包，詳細請參考《

Whl安裝好后，能得到一個py4j文件夾，但是還需要pyspark模塊這個文件夾里的內容，pyspark的獲得更簡單，直接去復制spark-2.2.0-bin-hadoop2.7/python/pyspark就好了。

PS：在某些版本的pyspark調用時會出現，自己稍微查下原因，網上都有配套的py文件可以覆蓋，這里不是本文的重點，所以略過。

我們在《Spark原理詳解》中介紹過，RDD分為轉化(transformation)和動作(action)兩種操作。RDD是基于當前的partitions生成新的partitions；動作是基于當前的partitions生成返回對象(數值、集合、字典等)。所以在通過python調用spark的API時需要搞清楚返回值是什么。如果返回的是partitions，調用collect()函數可以拿到封裝后的數據集，分區部分對客戶端是透明的，也可以調用glom()來關心具體的分區情況。如果調用的是action那么就簡單得多，API直接返回結果內容。

Map、Reduce API：

最典型，也是最基本的入門API

from pyspark import SparkContext

sc = SparkContext('local')

#第二個參數2代表的是分區數，默認為1

old=sc.parallelize([1,2,3,4,5],2)

newMap = old.map(lambda x:(x,x**2))

newReduce = old.reduce(lambda a,b : a+b)

print(newMap.glom().collect())

print(newReduce)

[[(1, 1), (2, 4)], [(3, 9), (4, 16), (5, 25)]]

15

SparkContext是代碼的核心，初始化時需要設置spark的啟動類型，分為local、Mesos、YARN、Standalone模式(詳見

Map和reduce里都要設置一個function，我們這里用了lambda匿名函數來實現。從結果可以看將前兩和后三個分別放在了1個分區中，reduce是個action直接返回的是key的sum。

預留問題：能否reduce按第二行進行求和合并，how？

flatMap、filter、distinc API：

數據的拆分、過濾和去重

sc = SparkContext('local')

old=sc.parallelize([1,2,3,4,5])

#新的map里將原來的每個元素拆成了3個

newFlatPartitions = old.flatMap(lambda x : (x, x+1, x*2))

#過濾，只保留小于6的元素

newFilterPartitions = newFlatPartitions.filter(lambda x: x<6)

#去重

newDiscinctPartitions = newFilterPartitions.distinct()

print(newFlatPartitions.collect())

print(newFilterPartitions.collect())

print(newDiscinctPartitions.collect())

[1, 2, 2, 2, 3, 4, 3, 4, 6, 4, 5, 8, 5, 6, 10]

[1, 2, 2, 2, 3, 4, 3, 4, 4, 5, 5]

[1, 2, 3, 4, 5]

Sample、taskSample、sampleByKey API：

數據的抽樣，在機器學習中十分實用的功能，而它們有的是傳輸有的是動作，需要留意這個區別。

代碼：

sc = SparkContext('local')

old=sc.parallelize(range(8))

samplePartition = [old.sample(withReplacement=True, fraction=0.5) for i in range(5)]

for num, element in zip(range(len(samplePartition)), samplePartition) :

print('sample: %s y=%s' %(str(num),str(element.collect())))

taskSamplePartition = [old.takeSample(withReplacement=False, num=4) for i in range(5)]

for num, element in zip(range(len(taskSamplePartition)), taskSamplePartition) :

#注意因為是action，所以element是集合對象，而不是rdd的分區

print('taskSample: %s y=%s' %(str(num),str(element)))

mapRdd = sc.parallelize([('B',1),('A',2),('C',3),('D',4),('E',5)])

y = [mapRdd.sampleByKey(withReplacement=False,

fractions={'A':0.5, 'B':1, 'C':0.2, 'D':0.6, 'E':0.8}) for i in range(5)]

for num, element in zip(range(len(y)), y) :

#注意因為是action，所以element是集合對象，而不是rdd的分區

print('y: %s y=%s' %(str(num),str(element.collect())))

sample: 0 y=[2, 5]

sample: 1 y=[0, 3, 3, 6]

sample: 2 y=[0, 4, 7]

sample: 3 y=[1, 3, 3, 3, 6, 7]

sample: 4 y=[2, 4, 6]

taskSample: 0 y=[3, 4, 1, 6]

taskSample: 1 y=[2, 5, 3, 4]

taskSample: 2 y=[7, 1, 2, 5]

taskSample: 3 y=[6, 3, 1, 2]

taskSample: 4 y=[4, 6, 5, 0]

y: 0 y=[('B', 1)]

y: 1 y=[('B', 1), ('D', 4), ('E', 5)]

y: 2 y=[('B', 1), ('A', 2), ('C', 3), ('E', 5)]

y: 3 y=[('B', 1), ('A', 2), ('D', 4), ('E', 5)]

y: 4 y=[('B', 1), ('A', 2), ('C', 3), ('E', 5)]

有幾個參數需要說明下：

withReplacement代表取值后是否重新放回元素池，也就決定了某元素能否重復出現。

Fraction代表每個元素被取出來的概率。

Num代表取出元素的個數。

交集intersection、并集union、排序sortBy API：

sc = SparkContext('local')

rdd1 = sc.parallelize(['C','A','B','B'])

rdd2 = sc.parallelize(['A','A','D','E','B'])

rdd3 = rdd1.union(rdd2)

rdd4 = rdd1.intersection(rdd2)

print(rdd3.collect())

print(rdd4.collect())

print(rdd3.sortBy(lambda x : x[0]).collect())

['C', 'A', 'B', 'B', 'A', 'A', 'D', 'E', 'B']

['A', 'B']

['A', 'A', 'A', 'B', 'B', 'B', 'C', 'D', 'E']

flod折疊、aggregate聚合API：

這倆都是action，雖然pyspark提供了max、min、sum、count、mean、stdev(標準差，反應平均值的離散程度)、sampleStdev(與stdev意義相同，stdev分母N-1，sampleStdev分母N)、sampleVariance(方差，所有值平方和除N-1)、top、countByValue、first、collectAsMap等內置的統計函數，但是在某型特殊場景下還是希望能人工訂制聚合的公式，需要用到這兩個動作。

代碼：

sc = SparkContext('local')

rdd1 = sc.parallelize([2,4,6,1])

rdd2 = sc.parallelize([2,4,6,1],4)

zeroValue = 0

foldResult = rdd1.fold(zeroValue,lambda element, accumulate : accumulate+element)

zeroValue = (1,2)

seqOp = lambda accumulate,element : (accumulate[0] + element, accumulate[1] * element)

combOp = lambda accumulate,element : (accumulate[0]+element[0], accumulate[1] * element[1])

aggregateResult = rdd1.aggregate(zeroValue,seqOp,combOp)

print(foldResult)

print(aggregateResult)

aggregateResult = rdd2.aggregate(zeroValue,seqOp,combOp)

print(foldResult)

print(aggregateResult)

13

(15, 192)

13

(18, 1536)

Fold略簡單，但是agregate的理解非常難，不同的分區場景會得到不同的結果，這里用圖來解釋說明下：

默認1個partition的情況：

4個partition的情況：

reduceByKey、reduceByKeyLocal API：

這兩個要計算的效果是一樣的，但是前者是傳輸，后者是動作，使用時候需要注意：

sc = SparkContext('local')

oldRdd=sc.parallelize([('Key1',1),('Key3',2),('Key1',3),('Key2',4),('Key2',5)])

newRdd = oldRdd.reduceByKey(lambda accumulate,ele : accumulate+ele)

newActionResult = oldRdd.reduceByKeyLocally(lambda accumulate,ele : accumulate+ele)

print(newRdd.collect())

print(newActionResult)

[('Key1', 4), ('Key3', 2), ('Key2', 9)]

{'Key1': 4, 'Key3': 2, 'Key2': 9}

回到前面map、reduce尾巴留的那個思考題，實現的方式不止一種，我這里給出兩種解題思路：

方案A：

sc = SparkContext('local')

#第二個參數2代表的是分區數，默認為1

old=sc.parallelize([1,2,3,4,5])

newMapRdd = old.map(lambda x : (str(x),x**2))

print(newMapRdd.collect())

mergeRdd = newMapRdd.values()

print(mergeRdd.sum())

sc = SparkContext('local')

oldRdd=sc.parallelize([1,2,3,4,5])

newListRdd = oldRdd.map(lambda x : x**2)

newMapRdd = oldRdd.zip(newListRdd)

print(newMapRdd.values().sum())

之所以給出這些思路，是因為我們在使用?pyspark?的時候，除了要關心?transformation?和?action?之分，還需要注意你要處理的?rdd?里的數據是?list?還是?map?，因為對于他們實用的方法又是不同的。如果有必要，可以像這樣做?list?和?map?的轉換。

總結

以上是生活随笔為你收集整理的python连接spark_python如何通过pyspark的API操作spark的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。