PySpark - RDD 概述

现在我们已经在系统上安装并配置了 PySpark，我们可以在 Apache Spark 上使用 Python 进行编程。 在这样做之前，让我们了解 Spark 中的一个基本概念——RDD。

RDD 代表 Resilient Distributed Dataset，这些是在多个节点上运行和操作以在集群上进行并行处理的元素。 RDD 是不可变元素，这意味着一旦创建了 RDD，就无法更改它。 RDD 也是容错的，因此在发生任何故障时，它们会自动恢复。 您可以对这些 RDD 应用多个操作来完成某个任务。

要对这些 RDD 应用操作，有两种方法 −

• Transformation 与
• Action

让我们详细了解这两种方式。

Transformation − 这些是应用于 RDD 以创建新 RDD 的操作。 Filter、groupBy 和 map 是转换的示例。

Action − 这些是应用于 RDD 的操作，它指示 Spark 执行计算并将结果发送回驱动程序。

要在 PySpark 中应用任何操作，我们需要先创建一个 PySpark RDD。 以下代码块包含 PySpark RDD 类的详细信息 −

class pyspark.RDD (
   jrdd, 
   ctx, 
   jrdd_deserializer = AutoBatchedSerializer(PickleSerializer())
)

让我们看看如何使用 PySpark 运行一些基本操作。 Python 文件中的以下代码创建了 RDD 单词，它存储了一组提到的单词。

words = sc.parallelize (
   ["scala", 
   "java", 
   "hadoop", 
   "spark", 
   "akka",
   "spark vs hadoop", 
   "pyspark",
   "pyspark and spark"]
)

我们现在将对单词进行一些操作。

count()

返回RDD中的元素个数。

----------------------------------------count.py---------------------------------------
from pyspark import SparkContext
sc = SparkContext("local", "count app")
words = sc.parallelize (
   ["scala", 
   "java", 
   "hadoop", 
   "spark", 
   "akka",
   "spark vs hadoop", 
   "pyspark",
   "pyspark and spark"]
)
counts = words.count()
print "Number of elements in RDD -> %i" % (counts)
----------------------------------------count.py---------------------------------------

命令 − count() 的命令是 −

$SPARK_HOME/bin/spark-submit count.py

输出 − 上述命令的输出是 −

Number of elements in RDD → 8

collect()

返回RDD中的所有元素。

----------------------------------------collect.py---------------------------------------
from pyspark import SparkContext
sc = SparkContext("local", "Collect app")
words = sc.parallelize (
   ["scala", 
   "java", 
   "hadoop", 
   "spark", 
   "akka",
   "spark vs hadoop", 
   "pyspark",
   "pyspark and spark"]
)
coll = words.collect()
print "Elements in RDD -> %s" % (coll)
----------------------------------------collect.py---------------------------------------

命令 − collect() 的命令是 −

$SPARK_HOME/bin/spark-submit collect.py

输出 − 上述命令的输出是 −

Elements in RDD -> [
   'scala', 
   'java', 
   'hadoop', 
   'spark', 
   'akka', 
   'spark vs hadoop', 
   'pyspark', 
   'pyspark and spark'
]

foreach(f)

只返回那些满足 foreach 内部函数条件的元素。 在下面的例子中，我们在 foreach 中调用了一个 print 函数，它打印了 RDD 中的所有元素。

----------------------------------------foreach.py---------------------------------------
from pyspark import SparkContext
sc = SparkContext("local", "ForEach app")
words = sc.parallelize (
   ["scala", 
   "java", 
   "hadoop", 
   "spark", 
   "akka",
   "spark vs hadoop", 
   "pyspark",
   "pyspark and spark"]
)
def f(x): print(x)
fore = words.foreach(f) 
----------------------------------------foreach.py---------------------------------------

命令 − foreach(f) 的命令是 −

$SPARK_HOME/bin/spark-submit foreach.py

输出 − 上述命令的输出是 −

scala
java
hadoop
spark
akka
spark vs hadoop
pyspark
pyspark and spark

filter(f)

返回一个新的RDD，其中包含满足过滤器内部函数的元素。 在下面的例子中，我们过滤掉包含''spark"的字符串。

----------------------------------------filter.py---------------------------------------
from pyspark import SparkContext
sc = SparkContext("local", "Filter app")
words = sc.parallelize (
   ["scala", 
   "java", 
   "hadoop", 
   "spark", 
   "akka",
   "spark vs hadoop", 
   "pyspark",
   "pyspark and spark"]
)
words_filter = words.filter(lambda x: 'spark' in x)
filtered = words_filter.collect()
print "Fitered RDD -> %s" % (filtered)
----------------------------------------filter.py----------------------------------------

命令 − filter(f) 的命令是 −

$SPARK_HOME/bin/spark-submit filter.py

输出 − 上述命令的输出是 −

Fitered RDD -> [
   'spark', 
   'spark vs hadoop', 
   'pyspark', 
   'pyspark and spark'
]

map(f, preservesPartitioning = False)

通过对 RDD 中的每个元素应用一个函数来返回一个新的 RDD。 在下面的示例中，我们形成一个键值对，并将每个字符串映射到值为 1 的位置。

----------------------------------------map.py---------------------------------------
from pyspark import SparkContext
sc = SparkContext("local", "Map app")
words = sc.parallelize (
   ["scala", 
   "java", 
   "hadoop", 
   "spark", 
   "akka",
   "spark vs hadoop", 
   "pyspark",
   "pyspark and spark"]
)
words_map = words.map(lambda x: (x, 1))
mapping = words_map.collect()
print "Key value pair -> %s" % (mapping)
----------------------------------------map.py---------------------------------------

命令 − map(f, preservesPartitioning=False) 的命令是 −

$SPARK_HOME/bin/spark-submit map.py

输出 − 上述命令的输出是 −

Key value pair -> [
   ('scala', 1), 
   ('java', 1), 
   ('hadoop', 1), 
   ('spark', 1), 
   ('akka', 1), 
   ('spark vs hadoop', 1), 
   ('pyspark', 1), 
   ('pyspark and spark', 1)
]

reduce(f)

执行指定的交换结合二元运算后，返回RDD中的元素。 在下面的示例中，我们从运算符中导入 add 包并将其应用于"num"以执行简单的加法运算。

----------------------------------------reduce.py---------------------------------------
from pyspark import SparkContext
from operator import add
sc = SparkContext("local", "Reduce app")
nums = sc.parallelize([1, 2, 3, 4, 5])
adding = nums.reduce(add)
print "Adding all the elements -> %i" % (adding)
----------------------------------------reduce.py---------------------------------------

命令 − reduce(f) 的命令是 −

$SPARK_HOME/bin/spark-submit reduce.py

输出 − 上述命令的输出是 −

Adding all the elements -> 15

join(other, numPartitions = None)

它返回 RDD，其中包含一对具有匹配键的元素以及该特定键的所有值。 在下面的示例中，两个不同的 RDD 中有两对元素。 加入这两个 RDD 后，我们得到一个 RDD，其中的元素具有匹配的键及其值。

----------------------------------------join.py---------------------------------------
from pyspark import SparkContext
sc = SparkContext("local", "Join app")
x = sc.parallelize([("spark", 1), ("hadoop", 4)])
y = sc.parallelize([("spark", 2), ("hadoop", 5)])
joined = x.join(y)
final = joined.collect()
print "Join RDD -> %s" % (final)
----------------------------------------join.py---------------------------------------

命令 − join(other, numPartitions = None) 的命令是 −

$SPARK_HOME/bin/spark-submit join.py

输出 − 上述命令的输出是 −

Join RDD -> [
   ('spark', (1, 2)),  
   ('hadoop', (4, 5))
]

cache()

使用默认存储级别 (MEMORY_ONLY) 持久化此 RDD。 您还可以检查 RDD 是否已缓存。

----------------------------------------cache.py---------------------------------------
from pyspark import SparkContext 
sc = SparkContext("local", "Cache app") 
words = sc.parallelize (
   ["scala", 
   "java", 
   "hadoop", 
   "spark", 
   "akka",
   "spark vs hadoop", 
   "pyspark",
   "pyspark and spark"]
) 
words.cache() 
caching = words.persist().is_cached 
print "Words got chached > %s" % (caching)
----------------------------------------cache.py---------------------------------------

命令 − cache() 的命令是 −

$SPARK_HOME/bin/spark-submit cache.py

输出 − 上述程序的输出是 −

Words got cached -> True

这些是在 PySpark RDD 上完成的一些最重要的操作。