PySpark-RDD

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。不过在此之前，让我们先了解一下 Spark 中的一个基本概念——RDD。

RDD 代表弹性分布式数据集，这些元素在多个节点上运行和操作以在集群上进行并行处理。RDD 是不可变元素，这意味着一旦创建 RDD，就无法更改它。RDD 也具有容错能力，因此如果发生任何故障，它们会自动恢复。您可以对这些 RDD 应用多个操作来完成特定任务。

要对这些 RDD 应用操作，有两种方法 -

转型与
行动

让我们详细了解这两种方式。

转换- 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，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，我们需要首先创建一个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 RDD 单词，其中存储提到的一组单词。

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。

数数（）

返回 RDD 中的元素数量。

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

收集（）

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)

仅返回满足 foreach 内部函数条件的元素。在下面的示例中，我们在 foreach 中调用打印函数，该函数打印 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

过滤器(f)

返回一个包含元素的新 RDD，满足过滤器内的函数。在下面的示例中，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- 过滤器（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'
]

地图（f，保留分区=假）

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为值 1。

----------------------------------------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)
]

减少(f)

执行指定的交换和结合二元运算后，返回RDD中的元素。在下面的示例中，我们从运算符导入 add 包并将其应用于“num”以执行简单的加法操作。

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

加入（其他，numPartitions = 无）

它返回带有一对元素的 RDD，其中包含匹配的键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。连接这两个 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))
]

缓存（）

使用默认存储级别 (MEMORY_ONLY) 保留此 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。