Python3：Python+spark编程实战总结

柔情只为你懂 2023-06-17 14:53 9阅读 0赞

win10安装spark:[https://blog.csdn.net/songhaifengshuaige/article/details/79480491][https_blog.csdn.net_songhaifengshuaige_article_details_79480491]

> 不宜妄自菲薄，引喻失义。

# 0、前提 #

## 0.1 配置 ##

**可参考：**  
[windows上配置 Python+spark开发环境][windows_ Python_spark]

## 0.2 有关spark ##

**说明：**  
安装注意版本

# 一、实例分析 #

### 1.1 数据 student.txt ###

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

### 1.2 代码 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3JvY2xpbmc_size_16_color_FFFFFF_t_70][]

#r = reduce(lambda x, y: x+y, [4,4,5,5])  # 使用 lambda 匿名函数
    from functools import reduce 
    def add(x, y) :            # 两数相加
        return x + y
    
    print(reduce(add, [1,2,3,4,5]))
    
    print(reduce(lambda x,y:x+y,[1,2,3,4,5]))
    
    print(type(1))
    
    print(type([2]))
    
    class y(object):
        z=5
    
    x=type('y',(object,),dict(z=5))
    print(x)
    
    '''
    def map_func(x):
        s = x.split()
        return (s[0], [int(s[1]),int(s[2]),int(s[3])]) #返回为（key,vaklue）格式，其中key:x[0],value:x[1]且为有三个元素的列表
        #return (s[0],[int(s[1],s[2],s[3])])   #注意此用法不合法
    
    from pyspark import SparkContext   #导入模块
    sc=SparkContext(appName='Student')  #命名
    lines=sc.textFile("student.txt").map(lambda x:map_func(x)).cache() #导入数据且保持在内存中，其中cache()：数据保持在内存中
    count=lines.count()  #对RDD中的数据个数进行计数；其中，RDD一行为一个数据集
    print(count)
    '''
    
    #studentExample 例子 练习
    def map_func(x):
        s = x.split()
        return (s[0], [int(s[1]),int(s[2]),int(s[3])]) #返回为（key,vaklue）格式，其中key:x[0],value:x[1]且为有三个元素的列表
        #return (s[0],[int(s[1],s[2],s[3])])   #注意此用法不合法
    
    def has100(x):
        for y in x:
            if(y == 100):  #把x、y理解为 x轴、y轴
                return True
            return False
    
    def allis0(x):
        if(type(x)==list and sum(x) == 0): #类型为list且总分为0 者为true；其中type(x)==list :判断类型是否相同
            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('Maximum subject score', m)
    
    def sumSub(x,y):
        n = [x[1][i]+y[1][i] for i in range(3)]
        #或者 n = ([x[1][0]+y[1][0],x[1][1]+y[1][0],x[1][2]+y[1][2]])
        return('Total subject score', n)
    
    def sumPer(x):
        return (x[0],sum(x[1]))
    
    
    #停止之前的SparkContext，不然重新运行或者创建工作会失败；另外，只有 sc.stop()也可以，但是首次运行会有误
    try:
        sc.stop()
    except:
        pass
    
    from pyspark import SparkContext   #导入模块
    sc=SparkContext(appName='Student')  #命名
    lines=sc.textFile("student.txt").map(lambda x:map_func(x)).cache() #导入数据且保持在内存中，其中cache()：数据保持在内存中
    count=lines.count()  #对RDD中的数据个数进行计数；其中，RDD一行为一个数据集
    
    
    #RDD'转换'运算 （筛选 关键字filter）
    whohas100 = lines.filter(lambda x: has100(x[1])).collect() #注意：处理的是value列表，也就是x[1]
    whois0 = lines.filter(lambda x: allis0(x[1])).collect()
    sumScore = lines.map(lambda x: (x[0],sum(x[1]))).collect()
    
    #‘动作’运算
    maxScore = max(sumScore,key=lambda x: x[1]) #总分最高者
    minScore = min(sumScore,key=lambda x: x[1]) #总分最低者
    sumSubScore = lines.reduce(lambda x,y: sumSub(x,y))
    avgScore = [x/count for x in sumSubScore[1]]#单科成绩平均值
    
    #RDD key-value‘转换’运算
    subM = lines.reduce(lambda x,y: subMax(x,y))
    redByK = lines.reduceByKey(lambda x,y: [x[i]+y[i] for i in range(3)]).collect() #合并key相同的value值x[0]+y[0],x[1]+y[1],x[2]+y[2]
    
    #RDD'转换'运算
    sumPerSore = lines.map(lambda x: sumPer(x)).collect() #每个人的总分 #sumSore = lines.map(lambda x: (x[0],sum(x[1]))).collect()
    sorted = lines.sortBy(lambda x: sum(x[1])) #总成绩低到高的学生成绩排序
    sortedWithRank = sorted.zipWithIndex().collect()#按总分排序
    first3 = sorted.takeOrdered(3,key=lambda x:-sum(x[1])) #总分前三者
    
    
    #限定以空格的形式输出到文件中
    first3RDD = sc.parallelize(first3)\
    .map(lambda x:str(x[0])+' '+str(x[1][0])+' '+str(x[1][1])+' '+str(x[1][2])).saveAsTextFile("result")

#print(lines.collect())
    print("数据集个数（行）:",count)
    print("单科满分者：",whohas100)
    print("单科零分者:",whois0)
    print("单科最高分者：",subM)
    print("单科总分：",sumSubScore)
    print("合并名字相同的分数：",redByK)
    print("总分/（人）",sumPerSore)
    print("最高总分者：",maxScore)
    print("最低总分者：",minScore)
    print("每科平均成绩：",avgScore)
    print("总分倒序：",sortedWithRank)
    print("总分前三者：",first3)
    print(first3RDD)
    sc.stop()

### 1.3 结果展示 ###

数据集个数（行）: 7
    单科满分者： [('li', [100, 54, 0]), ('li', [100, 54, 0])]
    单科零分者: [('yanf', [0, 0, 0])]
    单科最高分者： ('Maximum subject score', [100, 90, 100])
    单科总分： ('Total subject score', [485, 438, 280])
    合并名字相同的分数： [('zhang', [180, 180, 200]), ('li', [200, 108, 0]), ('yang', [85, 90, 30]), ('wang', [20, 60, 50]), ('yanf', [0, 0, 0])]
    总分/（人） [('yang', 205), ('wang', 130), ('zhang', 280), ('zhang', 280), ('li', 154), ('li', 154), ('yanf', 0)]
    最高总分者： ('zhang', 280)
    最低总分者： ('yanf', 0)
    每科平均成绩： [69.28571428571429, 62.57142857142857, 40.0]
    总分倒序： [(('yanf', [0, 0, 0]), 0), (('wang', [20, 60, 50]), 1), (('li', [100, 54, 0]), 2), (('li', [100, 54, 0]), 3), (('yang', [85, 90, 30]), 4), (('zhang', [90, 90, 100]), 5), (('zhang', [90, 90, 100]), 6)]
    总分前三者： [('zhang', [90, 90, 100]), ('zhang', [90, 90, 100]), ('yang', [85, 90, 30])]
    None

# 二、代码解析 #

### 2.1函数解析 ###

### 2.1.1 collect() ###

**RDD的特性**

![RDD特性][RDD]

在进行基本RDD“转换”运算时不会立即执行，结果不会显示在显示屏中，collect（）是一个“动作”运算，会立刻执行，显示结果。

### 2.1.2 reduce() ###

说明

reduce()函数会对参数序列中的元素进行累积。

语法

**reduce(function, iterable\[, initializer\])**

参数

*  function – 函数，有两个参数
 *  iterable – 可迭代对象
 *  initializer – 可选，初始参数

实例

说明：Python3的内建函数移除了reduce函数，reduce函数放在functools模块

In [24]:
    
    #r = reduce(lambda x, y: x+y, [4,4,5,5])  # 使用 lambda 匿名函数
    from functools import reduce 
    def add(x, y) :            # 两数相加
        return x + y
    reduce(add, [1,2,3,4,5])
    Out[24]:
    15
    In [25]:
    
    reduce(lambda x, y: x+y, [1,2,3,4,5])  # 使用 lambda 匿名函数
    Out[25]:
    15

### 2.1.3 type() ###

语法

**class type(name, bases, dict)**

参数

*  name – 类的名称。
 *  bases – 基类的元组。
 *  dict – 字典，类内定义的命名空间变量。

### 返回值 ###

一个参数返回对象类型, 三个参数，返回新的类型对象。

**实例**

# 一个参数实例
    
    In [1]:
    
    type(1)
    Out[1]:
    int
    In [2]:
    
    type([2])
    Out[2]:
    list
    In [3]:
    
    type({3:'three'})
    Out[3]:
    dict
    In [5]:
    
    x = 5
    type(x) == list #判断x的类型是否为list
    Out[5]:
    False

# 三个参数实例
    
    class y(object):
        z = 5
    
    x = type('y',(object,),dict(z=5))
    
    print(x)
    
    <class '__main__.y'>  #产生一个新的类型

# 三、问题分析 #

An error occurred while calling z:org.apache.spark.api.python.PythonRDD.collectAndServe.
    : org.apache.spark.SparkException: Job aborted due to stage failure: Task 1 in stage 2.0 failed 1 times, most recent failure: Lost task 1.0 in stage 2.0 (TID 5, localhost, executor driver): org.apache.spark.api.python.PythonException: Traceback (most recent call last):

### 解析 ###

> 1、检查拼写是否有误  
> 2、检查缩进是否合规  
> 3、检查（）是否一一配对

# 四、实例 小练 #

### 4.1 数据 user\_small(注意没有后缀) ###

1441900799.728000	1441900802.452000	8618245698655	0134730038729312	2	1	1	IPHONE_5	17999	20693	10.67.23.157	111.13.34.100	6	58986	80	GET	mmsns.qpic.cn	/mmsns/PdibpV1sFDHdaOTqNXb8VGSNicyYpOVa9R7icxSr4BkwbsSyzJbBTmE5Zz5aZichejbkKuia7twzraqk/150?tp=webp&length=1136&width=640	weixin.qq.com/?version=369229843&uin=2925174340&nettype=0&scene=moment	WeChat/6.2.0.19 CFNetwork/711.3.18 Darwin/14.0.0	200	59	image/webp	7504	706	8212	7	1827
    1441900750.023000	1441900754.063000	8613836044032	0136210021269713	2	1	1	IPHONE_5	17752	25632	10.67.21.71	117.144.242.26	6	52941	80	POST	short.weixin.qq.com	http://short.weixin.qq.com/cgi-bin/micromsg-bin/tenpay	-	MicroMessenger Client	-	-	-	-	715	0	7	1827
    1441900755.480472	1441900756.762000	8618246899077	0131830068670612	2	1	1	IPHONE_4S	17875	61433	10.67.43.51	120.192.84.86	6	58684	31271	GET	i.gtimg.cn	http://i.gtimg.cn/qqshow/admindata/comdata/vip_emoji_aio_ios_new_config/xydata.json	-	QQ/5.7.0.469 CFNetwork/672.0.8 Darwin/14.0.0	304	83	x-json	-	0	0	18	1041
    1441900754.860000	1441900755.480472	8618246899077	0131830068670612	2	1	1	IPHONE_4S	17875	61433	10.67.43.51	120.192.84.86	6	58684	31271	GET	i.gtimg.cn	http://i.gtimg.cn/club/item/avatar/zip/0/i0/all.zip	-	QQ/5.7.0.469 CFNetwork/672.0.8 Darwin/14.0.0	404	210	text/html	85	487	411	18	1041
    1441900753.786000	1441900755.726000	8618246195634	9900026543899411	2	1	1	IPHONE_4S	17783	19302	10.67.29.55	111.40.194.207	6	49412	80	GET	sb.symcd.com	/MFYwVKADAgEAME0wSzBJMAkGBSsOAwIaBQAEFDmvGLQcAh85EJZW%2FcbTWO90hYuZBBROQ8gddu83U3pP8lhvlPM44tW93wIQd9jUM82by0%2FVy957MNapGQ%3D%3D	-	securityd (unknown version) CFNetwork/672.0.2 Darwin/14.0.0	-	-	-	-	522	0	18	1041
    1441900761.308739	1441900761.408000	8615045213668	0127590050857822	2	1	1	IPHONE_4	17772	50621	10.67.63.219	183.232.95.61	6	49337	80	POST	szminorshort.weixin.qq.com	http://szminorshort.weixin.qq.com/cgi-bin/micromsg-bin/rtkvreport	-	MicroMessenger Client	-	-	-	-	500	16	7	1827
    1441900696.427624	1441900761.308739	8615045213668	0127590050857822	2	1	1	IPHONE_4	17772	50621	10.67.63.219	183.232.95.61	6	49337	80	POST	szminorshort.weixin.qq.com	http://szminorshort.weixin.qq.com/cgi-bin/micromsg-bin/rtkvreport	-	MicroMessenger Client	-	-	-	-	500	16	7	1827
    1441900693.219000	1441900696.427624	8615045213668	0127590050857822	2	1	1	IPHONE_4	17772	50621	10.67.63.219	183.232.95.61	6	49337	80	POST	szminorshort.weixin.qq.com	http://szminorshort.weixin.qq.com/cgi-bin/micromsg-bin/rtkvreport	-	MicroMessenger Client	-	-	-	-	502	16	7	1827
    1441900750.845345	1441900753.537000	8618246195634	9900026543899411	2	1	1	IPHONE_4S	17783	19302	10.67.29.55	117.135.169.124	6	49411	80	GET	b227.photo.store.qq.com	/psb?/V12jlwSP30SPej/VE1V5LlXFMzHeg5gTzpyuCueaEVEGV*0X6BbSyJZRhs!/b/dCWGUIc.HQAA&ek=1&kp=1&pt=0&bo=yAD6AAAAAAABBxI!&t=5	v1_iph_sq_5.6.0_1_app_a-4-2	QQ/5.6.0.438 CFNetwork/672.0.2 Darwin/14.0.0	-	-	-	-	792	0	18	1041
    1441900748.094000	1441900750.845345	8618246195634	9900026543899411	2	1	1	IPHONE_4S	17783	19302	10.67.29.55	117.135.169.124	6	49411	80	GET	b227.photo.store.qq.com	/psb?/V12jlwSP30SPej/VE1V5LlXFMzHeg5gTzpyuCueaEVEGV*0X6BbSyJZRhs!/b/dCWGUIc.HQAA&ek=1&kp=1&pt=0&bo=yAD6AAAAAAABBxI!&t=5	v1_iph_sq_5.6.0_1_app_a-4-2	QQ/5.6.0.438 CFNetwork/672.0.2 Darwin/14.0.0	-	-	-	-	792	0	18	1041

### 4.2 用户上网记录统计(一行为一条记录).（用户：第3列） ###

#test 1_1 用户上网记录统计
    from pyspark import SparkContext
    sc = SparkContext(appName='test1')
    rdd = sc.textFile('user_small')\
        .map(lambda x:x.split('\t'))\
        .map(lambda x:(x[3],1))\
        .reduceByKey(lambda x,y:x+y)\
        .map(lambda x:str(x[0])+' '+str(x[0][1])).collect()
        #.saveAsTextFile('text1_1')  #限定为空格键输出到文件
    print(rdd)
    sc.stop()

运行结果：

['0127590050857822 1', '0134730038729312 1', '0136210021269713 1', '0131830068670612 1', '9900026543899411 9']

### 4.2用户流量统计。分别统计上行流量及下行流量并将结果各列以空格键隔开输出到文件。（用户：第3列；上行流量：第25列；下行流量：第26列） ###

#test 1_2 统计用户上网  分别为上、下行流量
    def map_func(x):
        s = x.split('\t')
        return (s[2],[int(s[24]),int(s[25])])#返回为（key,vaklue）格式，其中key:x[0],value:x[1]且为有三个元素的列表
        #return (s[0],[int(s[1],s[2],s[3])])   #注意此用法不合法
    
    try:
        sc.stop()  #停止之前的SparkContext，不然重新运行或者创建工作会失败
    except:
        pass
    
    from pyspark import SparkContext
    sc=SparkContext(appName='test')
    lines=sc.textFile("user_small").map(lambda x:map_func(x)).cache()
    redByK = lines.reduceByKey(lambda x,y: (x[0]+y[0],x[1]+y[1]))
    sum_flow = redByK.map(lambda x:str(x[0])+' '+str(x[1][0])+' '+str(x[1][1]))\
        .saveAsTextFile('text1_2')
    sc.stop()

### 4.3 统计用户总流量 ###

#test 1_2 统计用户上网  总流量
    try:
        sc.stop()  #停止之前的SparkContext，不然重新运行或者创建工作会失败
    except:
        pass
    
    from pyspark import SparkContext
    sc = SparkContext(appName='test1')
    rdd = sc.textFile('user_small')\
        .map(lambda x:x.split('\t'))\
        .map(lambda x:(x[2],int(x[24])+int(x[25])))\
        .reduceByKey(lambda x,y:x+y)\
        .map(lambda x:str(x[0])+' '+str(x[1])).collect()
    print(rdd)
    sc.stop()

运行结果：

['8618246899077 898', '8615045213668 1550', '8618245698655 8918', '8613836044032 715', '8618246195634 2106']

### 4.4、微信APP流量统计。（微信APP特征MicroMessenger，位于第20列，统计对应的下行流量值——第26列的数值。） ###

# test 1_3
    from pyspark import SparkContext
    
    sc = SparkContext(appName='test1')
    rdd = sc.textFile('user_small') \
        .map(lambda x: x.split('\t')) \
        .map(lambda x: (x[19], int(x[25]))) \
        .filter(lambda x: 'WeChat' or 'MicroMessenger' in x[1])\
        .reduceByKey(lambda x, y: x + y) \
        .map(lambda x: str(x[0]) + ' ' + str(x[1])).collect()
    
    print(rdd)

运行结果：

> \['QQ/5.7.0.469 CFNetwork/672.0.8 Darwin/14.0.0 411', 'securityd (unknown version) CFNetwork/672.0.2 Darwin/14.0.0 0', 'QQ/5.6.0.438 CFNetwork/672.0.2 Darwin/14.0.0 0', 'WeChat/6.2.0.19 CFNetwork/711.3.18 Darwin/14.0.0 8212', 'MicroMessenger Client 48'\]

[https_blog.csdn.net_songhaifengshuaige_article_details_79480491]: https://blog.csdn.net/songhaifengshuaige/article/details/79480491
[windows_ Python_spark]: https://blog.csdn.net/quintind/article/details/79604591
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3JvY2xpbmc_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/2019112914182225.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3JvY2xpbmc=,size_16,color_FFFFFF,t_70
[RDD]: https://img-blog.csdn.net/20180408153608612?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3Byb3BsdW1l/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70