【Python】PySpark 数据处理 ② ( 安装 PySpark | PySpark 数据处理步骤 | 构建 PySpark 执行环境入口对象 )

雨点打透心脏的1/2处 2023-10-14 09:43 50阅读 0赞

#### 文章目录 ####

*  一、安装 PySpark
 *   *  1、使用 pip 安装 PySpark
     *  2、国内代理镜像
     *  3、PyCharm 中安装 PySpark
 *  二、PySpark 数据处理步骤
 *  三、构建 PySpark 执行环境入口对象
 *  四、代码示例

## 一、安装 PySpark ##

--------------------

### 1、使用 pip 安装 PySpark ###

执行 Windows + R , 运行 cmd 命令行提示符 ,

![在这里插入图片描述][05ef99256034413c95d9229b818e841b.png]

在命令行提示符终端中 , 执行

pip install pyspark

命令 , 安装 PySpark , 安装过程中 , 需要下载 310 M 的安装包 , 耐心等待 ;

![在这里插入图片描述][ea52b4f05bd04020a839d304210b6c9c.png]

**安装完毕 :**

![在这里插入图片描述][0f722faebdc14a04ba11dd5aa969ff27.png]

**命令行输出 :**

C:\Users\octop>pip install pyspark
    Collecting pyspark
      Downloading pyspark-3.4.1.tar.gz (310.8 MB)
         |████████████████████████████████| 310.8 MB 126 kB/s
    Collecting py4j==0.10.9.7
      WARNING: Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by 'ProtocolError('Connection aborted.', ConnectionResetError(10054, '远程主机强迫关闭了一个现有的连接。', None, 10054, None))': /packages/10/30/a58b32568f1623aaad7db22aa9eafc4c6c194b429ff35bdc55ca2726da47/py4j-0.10.9.7-py2.py3-none-any.whl
      Downloading py4j-0.10.9.7-py2.py3-none-any.whl (200 kB)
         |████████████████████████████████| 200 kB 1.1 MB/s
    Using legacy setup.py install for pyspark, since package 'wheel' is not installed.
    Installing collected packages: py4j, pyspark
        Running setup.py install for pyspark ... done
    Successfully installed py4j-0.10.9.7 pyspark-3.4.1
    WARNING: You are using pip version 20.1.1; however, version 23.2.1 is available.
    You should consider upgrading via the 'y:\001_developtools\015_python\python37\python.exe -m pip install --upgrade pip' command.
    
    C:\Users\octop>

### 2、国内代理镜像 ###

如果使用 官方的源 下载安装 PySpark 的速度太慢 ,

可以使用 国内的 镜像网站 [https://pypi.tuna.tsinghua.edu.cn/simple/][https_pypi.tuna.tsinghua.edu.cn_simple] ,

这是清华大学提供的源 ;

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

### 3、PyCharm 中安装 PySpark ###

也可以参考 [【Python】pyecharts 模块 ② ( 命令行安装 pyecharts 模块 | PyCharm 安装 pyecharts 模块 )][Python_pyecharts _ _ _ _ pyecharts _ _ PyCharm _ pyecharts _] 博客 , 在 PyCharm 中 , 安装 PySpark ;

尝试导入 pyspack 模块中的类 , 如果报错 , 使用报错修复选项 , PyCharm 会自动安装 PySpark ;

![在这里插入图片描述][df9dcc180d1a46bda0bf39bd4c115622.png]

## 二、PySpark 数据处理步骤 ##

--------------------

PySpark 编程时 , 先要构建一个 PySpark 执行环境入口对象 , 然后开始执行数据处理操作 ;

**数据处理的步骤如下 :**

**首先 ,** **要进行数据输入** , 需要读取要处理的原始数据 , 一般通过 SparkContext 执行环境入口对象 执行 数据读取操作 , 读取后得到 RDD 类实例对象 ;

**然后 , 进行 数据处理计算 ,** 对 RDD 类实例对象 成员方法进行各种计算处理 ;

**最后 , 输出 处理后的结果 ,** RDD 对象处理完毕后 , 写出文件 , 或者存储到内存中 ;

![在这里插入图片描述][9b6f2a7afb7c48c98ec8c7c8910dddfc.png]

数据的初始形态 , 一般是 JSON 文件 , 文本文件 , 数据库文件 ;

通过 SparkContext 读取 原始文件 到 RDD 中 , 进行数据处理 ;

数据处理完毕后 , 存储到 内存 / 磁盘 / 数据库 中 ;

![在这里插入图片描述][547b01d592b349998ab86df2773de9cb.png]

## 三、构建 PySpark 执行环境入口对象 ##

--------------------

**如果想要使用 PySpark 进行数据处理 , 必须构建一个 PySpark 执行环境入口对象 ;**

**PySpark 执行环境 入口对象 是 SparkContext 类实例对象 ;**

**首先 ,** 导入相关包 ;

# 导入 PySpark 相关包
    from pyspark import SparkConf, SparkContext

**然后 ,** 创建 SparkConf 实例对象 , 该对象用于配置 Spark 任务 , 各种配置可以在链式调用中设置 ;

*  调用 SparkConf\#setMaster 函数 , 可以设置运行模式 , 单机模式 / 集群模式 ;
 *  调用 SparkConf\#setAppName函数 , 可以设置 Spark 程序 名字 ;

# 创建 SparkConf 实例对象 , 该对象用于配置 Spark 任务
    # setMaster("local[*]") 表示在单机模式下 本机运行
    # setAppName("hello_spark") 是给 Spark 程序起一个名字
    sparkConf = SparkConf()\
        .setMaster("local[*]")\
        .setAppName("hello_spark")

**再后 ,** 创建 PySpark 执行环境 入口对象 ;

# 创建 PySpark 执行环境 入口对象
    sparkContext = SparkContext(conf=sparkConf)

**最后 ,** 执行完 数据处理 任务后 , 调用 SparkContext\#stop 方法 , 停止 Spark 程序 ;

# 停止 PySpark 程序
    sparkContext.stop()

## 四、代码示例 ##

--------------------

**代码示例 :**

"""
    PySpark 数据处理
    """
    
    # 导入 PySpark 相关包
    from pyspark import SparkConf, SparkContext
    
    # 创建 SparkConf 实例对象 , 该对象用于配置 Spark 任务
    # setMaster("local[*]") 表示在单机模式下 本机运行
    # setAppName("hello_spark") 是给 Spark 程序起一个名字
    sparkConf = SparkConf()\
        .setMaster("local[*]")\
        .setAppName("hello_spark")
    
    # 创建 PySpark 执行环境 入口对象
    sparkContext = SparkContext(conf=sparkConf)
    
    # 打印 PySpark 版本号
    print(sparkContext.version)
    
    # 停止 PySpark 程序
    sparkContext.stop()

**执行结果 :**

Y:\002_WorkSpace\PycharmProjects\pythonProject\venv\Scripts\python.exe Y:/002_WorkSpace/PycharmProjects/HelloPython/hello.py
    23/07/29 23:08:04 WARN Shell: Did not find winutils.exe: java.io.FileNotFoundException: java.io.FileNotFoundException: HADOOP_HOME and hadoop.home.dir are unset. -see https://wiki.apache.org/hadoop/WindowsProblems
    Setting default log level to "WARN".
    To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
    23/07/29 23:08:04 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
    3.4.1
    
    Process finished with exit code 0

![在这里插入图片描述][b4db67cdfffc4460b6e6601957fe6b31.png]

[05ef99256034413c95d9229b818e841b.png]: https://img-blog.csdnimg.cn/05ef99256034413c95d9229b818e841b.png
[ea52b4f05bd04020a839d304210b6c9c.png]: https://img-blog.csdnimg.cn/ea52b4f05bd04020a839d304210b6c9c.png
[0f722faebdc14a04ba11dd5aa969ff27.png]: https://img-blog.csdnimg.cn/0f722faebdc14a04ba11dd5aa969ff27.png
[https_pypi.tuna.tsinghua.edu.cn_simple]: https://pypi.tuna.tsinghua.edu.cn/simple/
[Python_pyecharts _ _ _ _ pyecharts _ _ PyCharm _ pyecharts _]: https://blog.csdn.net/shulianghan/article/details/131817730
[df9dcc180d1a46bda0bf39bd4c115622.png]: https://img-blog.csdnimg.cn/df9dcc180d1a46bda0bf39bd4c115622.png
[9b6f2a7afb7c48c98ec8c7c8910dddfc.png]: https://img-blog.csdnimg.cn/9b6f2a7afb7c48c98ec8c7c8910dddfc.png
[547b01d592b349998ab86df2773de9cb.png]: https://img-blog.csdnimg.cn/547b01d592b349998ab86df2773de9cb.png
[b4db67cdfffc4460b6e6601957fe6b31.png]: https://img-blog.csdnimg.cn/b4db67cdfffc4460b6e6601957fe6b31.png