1.前言介绍

学习目标：了解什么是Speak、

建议使用国内代理镜像网站下载更快。如果指定路径之后还是没有解决的，可能是因为pycharm版本太新，降低版本就行了，建议是pycharm3.10

对于简单函数我们可以使用lambda匿名函数。

结果是一样的

链式调用

总结

flatMap方法

学习目标：掌握RDD的flatMap方法对数据进行计算。

RDD就和列表等数据容器差不多

python数据容器转RDD对象

parallelize成员方法把数据容器存入RDD对象

如果要查看RDD里面有什么内容，需要用collect()方法

字符串会把每一个字符都拆出来，存入RDD对象，字典仅有key被存入RDD对象

读取文件转RDD对象

总结

4.数据计算

map方法

学习目标：掌握RDD的map方法

map会把传入的每一个参数都返回一个值

你会发现报错了，报错的原因是spark没有找到python解释器

给他指定一条路径，这样就没有问题了。

通过map，可以看到尽管我们把数据分成一个一个的，但是还是存在嵌套，依旧被嵌套在list当中

当我们使用了flatMap方法后，发现解除了嵌套

from pyspark import SparkConf,SparkContextimport osos.environ['PYSPARK_PYTHON'] ="D:/python/venv/Scripts/python.exe"conf = SparkConf().setMaster("local[*]").setAppName("test_spark")sc = SparkContext(conf=conf)# 准备一个RDDrdd = sc.parallelize(["ikun 22","ikun 3","ik unh hhhh"])# 需求：将RDD数据里面的一个个单词提取出来rdd2 = rdd.flatMap(lambda x: x.split(" ")) # 使用空格进行切分print(rdd2.collect())

使用flatMap可以解除内部嵌套，语法与map一样

总结：

reduceByKey方法

学习目标：掌握RDD的reduceByKey方法    

二元元组指的是元组里面存储的只有两个元素

KV型的RDD一般是两个元素，把第一个元素当成key，第二个当成value，自动按照key分组，然后根据你传入的逻辑计算value

（v,v)->(v)  意思是传入两个相同类型的参数，返回一个返回值，类型和传入要求一致

自动分组并且组内求和

总结

可以完成按key进行分组，并且组内进行逻辑计算

练习案例1

学习目标：完成使用PySpark进行单词计数的案例

数据文件

取出所有的单词，flatMap是把单词一个一个取出来，map是把单词一行一行取出来，一行是一个列表。

 简化代码，本质上是同一个意思，链式结构，链式调用化简程序 基本原则，就是我不管调用什么方法，我的返回值都是同一个对象啊

代码展示："""演示获取pyspark的执行环境入库对象：SparkContext并通过SparkContext对象获取当前PySpark的版本"""# 导包from pyspark import SparkConf,SparkContext# 创建SparkConf类对象  setMaster是描写运行模式   setAppName是设置当前Spark任务的名字conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")# 同一个意思，链式结构，链式调用化简程序# 基本原则，就是我不管调用什么方法，我的返回值都是同一个对象啊# 基于SparkConf类对象创建SparkContext对象sc = SparkContext(conf=conf)# 打印PySpark的运行版本print(sc.version)# 停止SparkContext对象的运行（停止PySpark程序）sc.stop()

spark需要启动时间，所以代码的运行一小会，3.5.3就是当前spark的运行版本

这个sc非常非常重要哦，后续给大家讲解。

为什么要学习pyspark呢？

总结

2.基础准备

学习目标：掌握pyspark库的安装，掌握pyspark执行环境入口对象的构建，理解pyspark的编程模型。

把单词转换成二元元组

完整代码

"""完成练习案例：单词计数统计"""from pyspark import SparkConf,SparkContextimport os# 1.构建执行环境入口对象os.environ['PYSPARK_PYTHON'] ="D:/python/venv/Scripts/python.exe"conf = SparkConf().setMaster("local[*]").setAppName("test_spark")sc = SparkContext(conf=conf)# 2.读取数据文件rdd = sc.textFile("D:/word.txt")# 3.取出全部单词word_rdd = rdd.flatMap(lambda x: x.split(" "))# 4.将所有单词都转换成二元元组，单词为key，value设置为1# (hello,1) (spark,1) (itheima,1) (itcast,1)word_with_one_rdd = word_rdd.map(lambda word: (word,1))# 5.分组并求和result_rdd = word_with_one_rdd.reduceByKey(lambda a,b:a+b)# 6.打印输出结果print(result_rdd.collect())

filter方法

学习目标：掌握RDD的filter方法

True被保留，False被丢弃

总结

distinct方法

学习目标：掌握RDD的distinct方法

不需要传入参数，功能简单就是去重操作

总结

sortBy方法

学习目标：掌握RDD的sortBy方法进行内容的排序

接收函数传入参数并且有一个返回值

目前我们没有解除到分布式，就先写上numPartitions=1

之前写过一个读取文件，统计单词的个数，现在让我们对他进行排序

可以自己控制升序或者降序，True升序，False降序

from pyspark import SparkConf,SparkContextimport os# 1.构建执行环境入口对象os.environ['PYSPARK_PYTHON'] ="D:/python/venv/Scripts/python.exe"conf = SparkConf().setMaster("local[*]").setAppName("test_spark")sc = SparkContext(conf=conf)# 2.读取数据文件rdd = sc.textFile("D:/word.txt")# 3.取出全部单词word_rdd = rdd.flatMap(lambda x: x.split(" "))# 4.将所有单词都转换成二元元组，单词为key，value设置为1# (hello,1) (spark,1) (itheima,1) (itcast,1)word_with_one_rdd = word_rdd.map(lambda word: (word,1))# 5.分组并求和result_rdd = word_with_one_rdd.reduceByKey(lambda a,b:a+b)# 6.对结果进行排序final_rdd = result_rdd.sortBy(lambda x:x[1],ascending=False,numPartitions=1)print(final_rdd.collect())

总结：

练习案例2

学习目标：完成练习案例2的开发

完整代码：

"""完成练习案例：json商品统计"""# 1.各个城市销售额排名，从小到大# 2.全部城市，有哪些商品类别在售卖# 3.北京市有哪些商品类别在售卖from pyspark import SparkConf,SparkContextimport osimport jsonos.environ['PYSPARK_PYTHON'] ='D:/python/venv/Scripts/python.exe'conf = SparkConf().setMaster("local[*]").setAppName("test_spark")sc = SparkContext(conf=conf)# 需求1：城市销售额排名# 1.1 读取文件得到RDDfile_rdd = sc.textFile("D:/2222.txt")# 1.2 取出一个个json字符串json_str_rdd = file_rdd.flatMap(lambda x: x.split("|"))# 1.3 将一个个json字符串转换为字典dict_rdd = json_str_rdd.map(lambda x: json.loads(x))# 1.4 取出城市和销售额数据city_with_money_rdd = dict_rdd.map(lambda x: (x['areaName'],int(x['money'])))# 1.5 按城市分组按销售额聚合city_result_rdd = city_with_money_rdd.reduceByKey(lambda a,b:a+b)# 1.6 按销售额聚合结果进行排序result1_rdd = city_result_rdd.sortBy(lambda x:x[1],ascending=False,numPartitions=1)print("需求1的结果：",result1_rdd.collect())# 需求2：全部城市有哪些商品类别在售卖# 2.1 取出全部的商品类别# 2.2 对全部商品类别进行去重category_rdd = dict_rdd.map(lambda x: x['category']).distinct()print("需求2的结果：",category_rdd.collect())# 需求3：北京市有哪些商品类别在售卖# 3.1 过滤北京市的数据beijing_data_rdd = dict_rdd.filter(lambda x: x['areaName'] == '北京')# 3.2 取出全部商品类别# 3.3 进行商品类别去重result3_rdd = beijing_data_rdd.map(lambda x: x['category']).distinct()print("需求3的结果：",result3_rdd.collect())

5.数据输出

输出为python对象

学习目标：掌握将RDD的结果输出为python对象的各类方法

collect算子

reduce算子

reduce和reducebykey的区别是reducebykey是获取key然后组内计算，reduce是单纯的直接计算

take算子

就是取前N个元素

count算子

总结

from pyspark import SparkConf,SparkContextimport osimport jsonos.environ['PYSPARK_PYTHON'] ='D:/python/venv/Scripts/python.exe'conf = SparkConf().setMaster("local[*]").setAppName("test_spark")sc = SparkContext(conf=conf)# 准备RDDrdd = sc.parallelize([1,2,3,4,5])# collect算子，输出RDD为list对象rdd_list:list = rdd.collect()print(rdd_list)print(type(rdd_list))# reduce算子，对RDD进行两两融合num = rdd.reduce(lambda a,b: a+b)print(num)# take算子，取出RDD前N个元素，组成list返回take_list = rdd.take(3)print(take_list)# count，统计rdd内有多少条数据，返回值为数字num_count = rdd.count()print(f"rdd内有{num_count}个元素")sc.stop()

输出到文件中

学习目标：掌握将RDD的内容输出到文件中，了解如何更改RDD的分区数为1

报错了，原因是配置的问题，接下来我们给他配置