Pyspark库以及环境配置

一、pyspark类库

    类库：一堆别人写好的代码，可以直接导入使用，例如Pandas就是Python的类库。

    框架：可以独立运行，并提供编程结构的一种软件产品，例如Spark就是一个独立的框架。

    PySpark是Spark官方提供的一个Python类库，内置了完全的Spark API，可以通过PySpark类库来编写Spark应用程序，并将其提交到Spark集群中运行。

Pyspark类库和spark对比
功能PySparkSpark底层语言PythonScala（JVM）上层语言支持PythonPython\Java|Scala\R集群化\分布式运行不支持，仅支持单机支持定位Python库（客户端）标准框架（客户端和服务端）是否可以Daemon运行NoYes使用场景本地开发调试Python程序生产环境集群化运行
（1）下载PySpark库

    命令：pip install pyspark -i https://pypi.tuna.tsinghua.edu.cn/simple

    （2）验证Pyspark库

二、window安装anaconda

    （1）下载安装包

    （2）安装anaconda

    （3）下载软件包

命令：pip install pyspark -i https://pypi.tuna.tsinghua.edu.cn/simple

三、配置Pycharm专业版

    （1）新建项目

    （2）配置SSH远程连接

四、程序测试

# coding:utf-8
from pyspark import SparkConf,SparkContext

if __name__ == "__main__":
    conf = SparkConf().setMaster("local[*]").setAppName("wordcount")
    #通过SparkConf对象构建SparkContext对象
    sc = SparkContext(conf=conf)
    #需求：wordcount单从技术，通过读取HDFS上的words.txt文件，对内部的单词统计出现的数量
    #读取文件
    file_rdd = sc .textFile("hdfs://pyspark01:8020/input/words.txt")
    #将单词进行分割，得到一个存储全部单纯的集合对象
    words_rdd = file_rdd.flatMap(lambda line: line.split(" "))
    #将单词转换为元组对象：key是单词，value是数字
    words_with_one_rdd = words_rdd.map(lambda x: (x,1))
    #将元组的value按照key来分组，对所有的value执行聚合操作（相加）
    result_rdd = words_with_one_rdd.reduceByKey(lambda a,b: a + b )
    #通过collect方法手机RDD的数据打印输出结果
    print(result_rdd.collect())

五、python on spark原理

    PySpark宗旨是在不破坏Spark已有的运行时架构，在Spark架构外层包装一层Python API，借助Py4j实现Python和Java的交互，进而实现通过Python编写Spark应用程序，其运行时架构如下图所示。 宗旨是在不破坏已有的运行时架构，在火花架构外层包装一层PythonAPI，借助Py4j实现Python和Java的交互，进而实现通过Python编写应用程序，其运行时架构如下图所示。

python on spark流程：Python -> JVM代码 -> RPC ->调度JVM Executor ->PySpark中转 ->

Python Executor进程

详细流程：

    ①在Driver端，python的Driver代码通过Py4j模块翻译成JVM代码，变成JVM Driver运行。

    ②在Executor端，python启动pyspark守护进程，做一个中转站。

    ③Driver的操作命令发送给JVM Executor，JVM Executor通过pyspark守护进程将指令发送给pyspark守护进程。

    ④PySpark守护进程将指令调度到运行的Python进程上。

    ps：Executor端本质是Python进程在工作，指令是又JVM Executor发送（RPC）而来