pyspark spark 快速入门 懒人版本
pyspark spark 快速入门 懒人版本
安装
docker 安装方式
最简单的是直接docker，有一下几个比较快速的安装方式参考：
- https://github.com/actionml/docker-spark
- https://github.com/wongnai/docker-spark-standalone
- https://github.com/epahomov/docker-spark
- https://towardsdatascience.com/a-journey-into-big-data-with-apache-spark-part-1-5dfcc2bccdd2
如果是进一步的简化，那就选择安装spark standalone version， 不依赖hadoop
安装完成后，就可以启动 sbin的脚本
./start-all.sh
其web的界面效果（这里有两个worker）：
注意:
由于上述的docker用的是基础镜像 openjdk:8-alpine，比较适合scala的环境，pyspark 需要python3 ，所以要在Dockerfile，另外处理python3 的安装
直接官网下载bin
https://spark.apache.org/downloads.html
运行例子
最简单直接在安装的目标主机上，运行,(否则把localhost替换成spark host)
# Run a Python application on a Spark standalone cluster
./bin/spark-submit \
--master spark://localhost:7077 \
examples/src/main/python/pi.py \
1000
观察CPU，利用了多个核
pyspark
./bin/pyspark
运行pyspark的wordcount (helloworld)
>>> p='/usr/local/spark/README.md'
>>> text_file = sc.textFile(p)
>>> counts = text_file.flatMap(lambda line: line.split(" ")).map(lambda word: (word, 1)).reduceByKey(lambda a, b: a + b)
>>> counts
PythonRDD[6] at RDD at PythonRDD.scala:53
>>> counts.collect()
[Stage 0:> (0 + 2) / 2]/usr/local/spark/python/lib/pyspark.zip/pyspark/shuffle.py:60: UserWarning: Please install psutil to have better support with spilling
/usr/local/spark/python/lib/pyspark.zip/pyspark/shuffle.py:60: UserWarning: Please install psutil to have better support with spilling
[('#', 1), ('Apache', 1), ('Spark', 15), ('', 73), ('is', 7), ('unified', 1), ('analytics', 1), ('engine', 2), ('It', 2), ('provides', 1), ('high-level', 1), ('APIs', 1), ('in', 6), ('Scala,', 1), ('Java,', 1), ('an', 4), ('optimized', 1), ('supports', 2), ('computation', 1), ('analysis.', 1), ('set', 2), ('of', 5), ('tools', 1), ('SQL', 2
...
注意点：
- counts 的数据类型是RDD
- counts = text_file.flatMap(lambda line: line.split(" ")).map(lambda word: (word, 1)).reduceByKey(lambda a, b: a + b) 的时候没有真正跑， count.collect()的时候才真正运行任务。
这是spark特色：需要真正用到变量的时候才运行 - sc 是启动pyspark 后自动初始化的变量
RDD (resilient distributed dataset )
RDD 是提供一直操作collection里面每个元素的方法，该方法可以在集群的各个node 并行运行。
例子教程：
注意：看起来这个RDD用处像是dataframe （除了跨node 并行计算），他是spark dataframe ，但实际语法与pandas的dataframe是不一样的。
这就带来一个问题，我需要重新熟悉学习他的用法。
为了解决这个问题，databricks社区有一个方案 Koalas
用了这个之后，就可以转化到类普通pandas 的熟悉的dataframe处理
kdf = ks.from_pandas(pdf) #pandas的dataframe -> koalas
kdf = sdf.to_koalas() # spark dataframe ->koalas的dataframe
参考：
- https://www.iteblog.com/archives/2549.html
- https://koalas.readthedocs.io/en/latest/getting_started/10min.html
提交任务
上面最简单的例子是提交一个python 文件到spark ， 但实际我们需要多个files ，并且有依赖，事实上这里比较多坑
- 最简单的依赖例子1 - 无第三方依赖的case：
[klg@ira-r740 wade-test]$ ls
application requirements.txt t.py
[klg@ira-r740 wade-test]$ tree application
application
└── myfile.py
0 directories, 1 file
t.py
from pyspark.sql import SparkSession
SPARK_MASTER_HOST = 'ira-r740'
SPARK_MASTER_PORT = 7077
def test(x):
from application.myfile import simple_function
return simple_function(x)
if __name__ == "__main__":
spark = SparkSession\
.builder\
.config('spark.master', 'spark://{spark_master_host}:{spark_master_port}' \
.format(spark_master_host=SPARK_MASTER_HOST, spark_master_port=SPARK_MASTER_PORT)) \
.appName("PythonPiwade")\
.getOrCreate()
# test by mapping function over RDD
rdd = spark.sparkContext.parallelize(range(1,100))
result = rdd.map(lambda x: test(x)).collect()
print("result", result)
spark.stop()
先压缩，后提交
$cd wade-test
$zip -rq application.zip
$./bin/spark-submit --py-files /home/klg/pyspark/wade-test/application.zip /home/klg/pyspark/wade-test/t.py
- 最简单的依赖例子 - 有第三方依赖的case
t.py
...
if __name__ == "__main__":
...
rdd = spark.sparkContext.parallelize(range(1,100))
result = rdd.map(lambda x: test(x)).collect()
print("result", result)
import bs4 ### 变动在这里
print(bs4.__version__) ### 变动在这里
spark.stop()
[klg@ira-r740 wade-test]$ ls
application application.zip requirements.txt t.py venv venv.zip
先压缩，后提交
$cd wade-test
$python3 -m venv venv # 建立虚拟环境
$source venv/bin/activate
$pip install -r requirements.txt
$zip -rq venv.zip venv # 打包依赖
$export PYSPARK_PYTHON="venv/bin/python"
$spark-submit \
--name "Sample Spark Application" \
--conf "spark.yarn.appMasterEnv.SPARK_HOME=$SPARK_HOME" \
--conf "spark.yarn.appMasterEnv.PYSPARK_PYTHON=$PYSPARK_PYTHON" \
--archives "venv.zip#venv" \
--py-files "application.zip" \
t.py
注意:这里有个命令 export PYSPARK_PYTHON="venv/bin/python" , 指定了PYSPARK_PYTHON 的变量，以便运行的时候指定了python的路径、依赖的包的路径。不然会有找不到依赖包
-
最简单的依赖例子 - 有第三方依赖的case (推荐的解决方案) , 弊端是多worker 需要重复操作。看自己balance, 为快速懒人入门：
- 只在少量worker or甚至1台worker 的情况下，直接在宿主机安装spark
- 安装后需要依赖报的，直接在宿主机的 运行pip3 install -r requirements.txt
更多参考：https://github.com/massmutual/sample-pyspark-application
实战例子
处理csv ：
csv.py
import pandas as pd
SPARK_MASTER_HOST = 'ira-r740'
SPARK_MASTER_PORT = 7077
spark = SparkSession\
.builder\
.config('spark.master', 'spark://{spark_master_host}:{spark_master_port}' \
.format(spark_master_host=SPARK_MASTER_HOST, spark_master_port=SPARK_MASTER_PORT)) \
.appName("PythonSmsWade")\
.getOrCreate()
def trs2(x):
try:
if( x and (x['smsContent'] )):
return (str(x['smsContent']).upper(),0)
else:
return ('',-1)
except Exception as e:
return ('',-1)
#normal quick way
df1=(spark.read.format("csv").options(header="true").load("/home/klg/pyspark/py/100k.csv")) #normal
result=spark.sparkContext.parallelize(df1.collect()).map(lambda x: trs2(x)).collect()
print(len(result))
设置环境spark 的path变量后（简化提交），
$spark-submit csv.py
注意：
官网例子的文件路径大部分是 hdfs，这里为了简化懒人，简化架构，不依赖hive 分布式存储，file 可以有这么的选项:
- copy 到各个worker 机器上
- 从db 读取（推荐）
- 放在某一台机器上后，其他worker mount 到这个目录 （推荐）
自己需要balance的点： 没有利用到分布式存储对速度上的优势，但大部分case 下面我们需要的处理时间在于多核的cpu 计算时间。
从db 读取数据
import pandas as pd
def test2( x):
# method 1 : we reinit the var here , simple
# method 2 : we use global share var
from pymongo import MongoClient
client = MongoClient()
client = MongoClient('10.10.20.60', 31111)
query = {}
docs = list(client['cash_loan']['user'].find(query).limit(200).skip(x*10))
# do the job
# ...
return docs
SPARK_MASTER_HOST = 'ira-r740'
SPARK_MASTER_PORT = 7077
spark = SparkSession\
.builder\
.config('spark.master', 'spark://{spark_master_host}:{spark_master_port}' \
.format(spark_master_host=SPARK_MASTER_HOST, spark_master_port=SPARK_MASTER_PORT)) \
.appName("Pythonsmswade")\
.getOrCreate()
n=5
result=spark.sparkContext.parallelize(range(1,n)).map(lambda x: test2(x)).collect()
注意：
- return 的might be list of list if test2 return list [limit]*[n] （因为test2方法里面list 化返回值）
- 在test2 里面重新初始MongoClient 变量，以避免全局、共享变量问题
全局变量（共享变量）
To be continue...
那些年踩过的坑
To be continue...
