PySpark 从入门到精通

PySpark简介

发展背景

您好,根据我们前面的讨论,我重新总结一下PySpark的发展背景:

• 2009年 - Spark诞生,使用Scala语言开发。
• 2010年 - Spark成为Apache孵化器项目。
• 2013年 - PySpark模块首次引入,可以使用Python开发Spark应用。
• 2014年 - Spark成为Apache顶级项目。
• 2015年 - Databricks公司成立。
• 2016年 - PySpark成为Spark的官方子项目之一。
• 2017年 - PySpark开始支持DataFrame API。
• 2019年 - PySpark开始支持Python 3.7及更高版本。
• 2023年6月23日 - PySpark发布3.4.1版本。

版本特性

PySpark 3.0

• 升级至Spark 3.0
• 支持Python 3.6+
• 引入 Pandas UDF
• Dataframe API性能提升

PySpark 3.1

• Spark 3.1版本特性
• 改进Pandas UDF
• 新增StructTypeInference
• 支持图运算和程序解析

PySpark 3.2

• Spark 3.2版本特性
• 支持R language绑定
• 进一步扩展ML能力
• 改进Streaming连接性

PySpark 3.3

• Spark 3.3版本特性
• 改进DataFrame性能
• 优化内存管理
• 加强Pipeline API

PySpark 3.4

• Spark 3.4版本特性
• 改进数据加载性能
• Broadcast Join优化
• 支持Apple M系列芯片

综上所述,PySpark通过与Spark版本同步,不断吸收新特性,并优化性能、扩展功能,已经发展成为非常成熟可靠的Spark Python API。

使用场景

PySpark是一个非常流行和强大的Python API,主要应用场景包括:

1. 大数据处理

利用Spark的内存计算和分布式引擎进行PB级数据的高效处理。

2. 流式计算

基于Spark Streaming构建低延迟、高吞吐的流式应用。

3. 机器学习

使用MLlib等组件进行分布式机器学习,如分类、聚类等。

4. 数据分析

利于Python的生态进行交互式数据分析和可视化。

5. ETL处理

大规模数据抽取转化加载处理。

6. 科学计算

与SciPy, NumPy等集成进行科学、工程计算。

7. 实时数据仓库

构建实时分析数据仓库。

8. 图分析

利用Spark GraphX进行复杂网路与图分析。

9. 深度学习

结合TensorFlowOnSpark进行分布式深度学习。

PySpark可以应用到很多需要利用Spark做大规模数据处理和分析的场景,是构建数据密集型应用的不二之选。

环境配置

安装Spark和PySpark

您好,这里我简要概述一下安装Spark和PySpark的主要步骤:

1. 安装JDK

Spark基于JVM,需要首先安装JDK,如OpenJDK 8。

2. 下载Spark

可以在官网下载预编译的Spark安装包。也可以自己从源码构建。

3. 配置环境变量

主要配置SPARK_HOME指向Spark根目录,并将bin目录加入PATH。

4. 安装Python

确保已经安装了Python 3.6+版本。

5. 安装PySpark

使用pip安装PySpark:

pip install pyspark

也可以直接从源码安装。

6. 初始化SparkContext

可以在Python交互 shell中创建SparkContext测试:

from pyspark import SparkContext

sc = SparkContext() 

初始化SparkContext

在PySpark程序中初始化SparkContext的方法:

1. 设置SparkConf

SparkConf用于配置Spark应用的运行参数:

conf = SparkConf()
conf.setAppName("appName") 
conf.setMaster("spark://...")

2. 创建SparkContext

传入SparkConf来创建context:

sc = SparkContext(conf=conf)

3. 从SparkSession创建

如果是通过SparkSession启动,可以直接获取SparkContext:

spark = SparkSession.builder.getOrCreate() 
sc = spark.sparkContext

4. 重要参数

• appName:应用程序名称
• master:集群管理器URL
• deploy-mode:部署模式(client|cluster)
• executor-memory:executor内存大小

5. 关闭context

应用完成后关闭context:

sc.stop()

初始化SparkContext是编写PySpark应用的基础,正确配置对性能和资源调度非常重要。

RDD编程

RDD概念

在PySpark中,RDD(弹性分布式数据集)是一个核心概念,主要涵义如下:

• RDD表示一个不可变、可分区、里面的元素可并行运算的集合。
• RDD具有确定性、容错性和依赖性追踪等特性。
• RDD拥有丰富的转换操作(transformation)和行动操作(action)。
• RDD之间存在血缘关系,构成DAG有向无环图。
• RDD支持持久化将数据缓存到内存或磁盘。
• RDD可运行在集群节点上,进行并行、分布式计算。
• RDD是PySpark编程模型的基础抽象。

总结起来,RDD是Spark/PySpark实现分布式计算的关键抽象,也是我们构建应用的基本工具。

RDD创建

PySpark中常见的RDD创建方式包括:

1. 从集合创建

data = [1, 2, 3, 4] 
rdd = sc.parallelize(data)

2. 从外部存储创建

rdd = sc.textFile("/tmp/data.txt") 

3. 转换现有RDD

new_rdd = rdd.filter(lambda x: x > 10)

4. 空RDD

rdd = sc.emptyRDD()

5. 外部数据集

rdd = sc.pickleFile(file)
rdd = sc.sequenceFile(file) 

6. 自定义创建

通过继承RDD类并实现相应方法。

这些是PySpark中常见的RDD创建方式。转换现有RDD是构建DAG依赖的关键。

RDD转换

PySpark RDD的常见转换操作包括:

• map:对RDD中每个元素应用函数
• filter:过滤RDD中元素
• flatMap:将每个元素映射到多个输出
• groupByKey:按照键值分组
• reduceByKey:按键聚合
• sortByKey:按键排序
• join:不同RDD进行join连接
• distinct:去除重复元素
• cartesian:笛卡尔乘积
• sample:随机采样
• union:合并多个RDD
• intersection:取多个RDD的交集 这些转换操作可以链式组合,构建RDD之间的依赖关系,并进行并行计算。

掌握RDD转换是进行分布式数据处理的关键。

RDD操作

PySpark RDD常见的行动操作包括:

• reduce:聚合RDD元素
• collect:将RDD数据收集到本地
• count:返回RDD元素个数
• first:返回RDD第一个元素
• take:返回RDD前N个元素
• takeSample:随机抽样N个元素
• takeOrdered:返回RDD排序后前N个元素
• saveAsTextFile:保存为文本文件
• saveAsSequenceFile:保存为Sequence文件
• saveAsObjectFile:保存为序列化对象文件
• countByKey:计数按键的频率
• foreach:遍历RDD执行函数 这些行动操作会触发RDD的实际计算,返回结果给Driver程序或者保存到存储系统。

掌握RDD的行动操作可以让我们利用并行运算的结果。

RDD持久化

PySpark中可以通过持久化(Persistence)来缓存RDD,主要方式包括:

• persist():默认持久化,缓存到内存
• persist(StorageLevel.DISK_ONLY):只缓存到磁盘
• persist(StorageLevel.MEMORY_ONLY):只缓存到内存
• persist(StorageLevel.MEMORY_AND_DISK):既缓存到内存也缓存到磁盘
• cache():默认持久化到内存
• unpersist():移除持久化,释放缓存

持久化的主要目的是为了在多个行动操作中重用RDD,避免重复计算。

需要注意的是,持久化占用额外内存/磁盘资源,需要根据实际情况选择最佳策略。

例如对于一次性使用的RDD,不需要持久化。

DataFrame和Dataset

DataFrame介绍

PySpark 中 DataFrame的主要特征:

• DataFrame是在RDD的基础上引入的高层数据抽象。
• DataFrame类似关系型数据库中的表格,带有列名和行索引。
• DataFrame中的数据被组织成名为Schema的列构成。
• 每一列都有名称和类型,可以看作关系模型中的“字段”。
• 使用DataFrame可以更方便地进行关系型操作,如SELECT,WHERE,GROUP BY等。
• DataFrame建立在Spark SQL执行引擎之上,可以高效地运行SQL查询。
• 与RDD相比,DataFrame的执行效率更高,并且代码更简洁。
• DataFrame使得Spark也支持传统的批处理流程和算法。
• 用户可以很方便地与Pandas DataFrame进行转换和互操作。

PySpark DataFrame在RDD之上提供了更高层的关系型抽象,使得数据处理和分析更加简单高效。它是Spark Core API和SQL API的桥梁。

构建DataFrame

在PySpark中,常见的构建DataFrame的方法包括:

1. 从RDD转换得到

df = spark.createDataFrame(rdd)

2. 从Hive表查询结果构建

df = spark.sql("SELECT * FROM hive_table")

3. 从结构化数据文件读取

df = spark.read.json("/path/to/json_file")

4. 从CSV、Parquet等文件读取

df = spark.read.load("users.parquet") 

5. 从外部数据库读取

df = spark.read \
    .format("jdbc") \
    .option("url", jdbc_url) \
    .option("dbtable", table_name) \
    .load()

6. 从字典列表创建

data = [{"a": 1}, {"a": 2}]
df = spark.createDataFrame(data) 

7. 从Pandas DataFrame转换

pdf = pd.DataFrame(data)
df = spark.createDataFrame(pdf)

这些方法构建的DataFrame可以用于后续的分析操作。

DataFrame转换

PySpark 中 DataFrame 的常见转换操作包括:

• select:选择某些列

df.select("col1", "col2")

• filter:过滤行

df.filter(df.age > 20)

• orderBy:排序

df.orderBy("salary", ascending=False)

• dropDuplicates:删除重复行

df.dropDuplicates(["id"])

• union:合并DataFrame

df1.union(df2)

• withColumn:添加列

df.withColumn("age", df.age + 10)

• groupBy:分组聚合

df.groupBy("dep").avg("salary")

• join:连接两个DataFrame

df1.join(df2, "id")

这些转换可以灵活组合,对DataFrame进行各种 shuffle 和计算,从而实现复杂的数据处理流程。

DataFrame操作

PySpark DataFrame的常见操作包括:

• show:展示DataFrame内容

df.show()

• printSchema:打印DataFrame的Schema

df.printSchema()

• describe:查看列的统计信息

df.describe()

• head/tail:查看首尾几行

df.head(3)

• take:获取几行

df.take(5)

• count:获取行数

df.count()

• columns:获取所有的列名

df.columns

• dtypes:查看每列的数据类型

df.dtypes

这些操作可以让我们直观了解DataFrame的结构和数据,进行必要的验证。

与RDD转换

在PySpark中,DataFrame和RDD可以进行互相转换:

DataFrame 转 RDD

rdd = df.rdd

• 将DataFrame转为对应的RDD表示

RDD 转 DataFrame

df = spark.createDataFrame(rdd)

• 从RDD创建DataFrame,需要指定schema
• 可以使用StructType定义schema

DataFrame 转 Pandas DataFrame

pdf = df.toPandas()

• 将Spark DataFrame转为Pandas DataFrame

Pandas DataFrame 转 Spark DataFrame

df = spark.createDataFrame(pdf)

• 从Pandas DataFrame创建Spark DataFrame
• 需要指定spark session环境

RDD和DataFrame都可以表示分布式数据,转换之间可以利用两者的优势进行不同的计算。

Spark SQL

Spark SQL概述

Spark SQL的主要功能和特点:

1. Spark SQL是Spark用于结构化数据(structured data)处理的模块。它提供了一个编程抽象叫Dataset,是DataFrame的扩展。
2. Spark SQL可以连接Hive metastore,直接对Hive表进行SQL查询。查询的执行是由Spark Catalyst优化器负责,可以重用已经缓存的数据。
3. Spark SQL支持标准的ANSI SQL语法,还提供了Dataframe API用于构建查询。
4. Spark SQL是 Spark 处理结构化数据的统一入口,支持多种数据源比如 Parquet, JSON, Hive等。
5. Spark SQL提供了高级的组件Spark MLlib来进行机器学习和图计算。
6. 通过Catalyst优化器,Spark SQL可以智能地优化SQL查询计划。
7. Spark SQL支持流处理和批处理两种模式,基于同一套API和运行时。

Spark SQL为结构化数据处理提供了非常友好、统一的接口。它结合了SQL和程序性API的优点,可以应对交互式数据分析和企业级分析任务。

DataFrame API

1. 查询语法层面

• DataFrame API

df.select("name").filter(df["age"] > 20).orderBy("salary") 

• SQL

SELECT name FROM table WHERE age > 20 ORDER BY salary

2. 查询构建过程

• DataFrame API

df = spark.read.json("data.json")
df.createOrReplaceTempView("table")

• SQL

CREATE TEMPORARY VIEW table USING json OPTIONS (path 'data.json')

3. 查询执行过程

• DataFrame API和SQL的执行计划生成过程相同

4. 性能区别

• DataFrame API

df = df.repartition(100) //调整分区数

5. 编程环境

• DataFrame API - 编程和脚本
• SQL - Shell和Notebook

6. 用户对象

• DataFrame API

def my_func(col):
    ...

df.withColumn("newCol", my_func(df["col"]))

• SQL

CREATE TEMP FUNCTION my_func AS ...
SELECT my_func(col) FROM table

SQL查询

PySpark中使用SQL查询的常见方式:

1. 通过SparkSession执行SQL

spark.sql("SELECT * FROM table")

2. 在DataFrame上调用sql方法

df.sql("SELECT col FROM table WHERE col > 10")

3. 创建临时视图后查询

df.createOrReplaceTempView("table")
spark.sql("SELECT col FROM table") 

4. 创建全局视图后查询

df.createGlobalTempView("table")
spark.sql("SELECT col FROM global_temp.table")

5. 从Hive表直接查询

spark.sql("SELECT * FROM default.my_hive_table")

6. 用SQLContext查询

from pyspark.sql import SQLContext
sqlContext.sql("SELECT * FROM table")

这些方式可以混合使用,通过Spark SQL执行查询操作,并与DataFrame API结合,构建数据处理流程。

与Hive集成

PySpark与Hive的集成方式:

1. 配置Hive metastore

Spark需要访问metastore信息,以连接Hive表

2. 使用SparkSession初始化

spark = SparkSession.builder \
    .appName("app")\
    .config("hive.metastore.uris", metastore_uri)\
    .enableHiveSupport()\
    .getOrCreate()

3. 通过SQL查询Hive表

SELECT * FROM default.my_hive_table

4. 查询Hive UDF

SELECT my_hive_udf(col) FROM my_table 

5. 在HiveQL中查询Spark表

将Spark表注册为临时表后,Hive可以查询

6. 共享数据格式

Spark SQL支持Parquet、ORC等Hive数据格式

7. 访问Hive优化功能

比如Predicate Pushdown,Partition Pruning等

结合Spark SQL和Hive可以利用二者的优势,构建高效的大数据分析流程。

机器学习

MLlib工具包

PySpark MLlib的主要功能和特点:

1. MLlib是Spark提供的分布式机器学习库,包含了常见的机器学习算法。
2. MLlib包含分类、回归、聚类、协同过滤等多种算法,覆盖了机器学习的主要任务。
3. MLlib利用RDD进行数据加载和分布式计算,可以在大数据环境进行 scalable learning。
4. MLlib提供了基于DataFrame的pipeline API,可以简化机器学习流程的构建。
5. MLlib内置了特征提取、转换、维度缩减、模型评估等功能。
6. 用户可以方便地自定义变量,扩展现有算法,或者实现自己的算法。
7. MLlib可以结合Spark Streaming和SQL,构建实时预测分析管道。
8. MLlib还提供了图运算和挖掘算法GraphX。

利用PySpark MLlib可以便捷地在大数据环境构建机器学习和数据挖掘应用。

分类、回归、聚类算法

PySpark MLlib中的主要分类、回归和聚类算法:

分类算法

• LogisticRegression:逻辑回归分类
• DecisionTree:决策树分类
• NaiveBayes:朴素贝叶斯分类
• SVM:支持向量机
• RandomForestClassifier:随机森林分类

回归算法

• LinearRegression:线性回归
• LassoRegression:Lasso回归
• RidgeRegression:岭回归
• RandomForestRegressor:随机森林回归

聚类算法

• KMeans:K-Means聚类
• BisectingKMeans:二分K-Means聚类
• GaussianMixture:高斯混合聚类
• LDA:潜在狄利克雷分配

这些算法覆盖了机器学习中最常见的三大类别,可以处理分类预测、预测建模以及客户分群等任务。

管道模型构建

在PySpark MLlib中使用Pipeline API构建机器学习管道的主要步骤:

1. 导入所需算法和Pipeline组件

from pyspark.ml import Pipeline
from pyspark.ml.classification import LogisticRegression
from pyspark.ml.feature import HashingTF, Tokenizer

2. 构建Pipeline的各个Stage

tokenizer = Tokenizer(inputCol="text", outputCol="words")
hashingTF = HashingTF(inputCol=tokenizer.getOutputCol(), outputCol="features")
lr = LogisticRegression(maxIter=10) 

3. 按顺序组装Pipeline

pipeline = Pipeline(stages=[tokenizer, hashingTF, lr])

4. 指定Pipeline的输入输出

pipelineModel = pipeline.fit(trainingData)
prediction = pipelineModel.transform(testingData)

5. 对Pipeline进行调优

paramGrid = ParamGridBuilder().addGrid(...).build()

通过这种方式,我们可以方便地构建一个包含数据处理、特征提取、模型训练的端到端机器学习流水线。

Streaming

DStream基本操作

PySpark Streaming中DStream的基本操作:

1. 创建DStream

从数据源创建DStream,比如Kafka, socket等

lines = spark.readStream.format("socket").load()

2. 转换操作

类似RDD转换,比如map, filter, reduceByKey等

words = lines.flatMap(lambda line: line.split(" "))

3. 输出操作

指定DStream输出的结果sink,比如console,文件等

words.writeStream.outputMode("append").format("console").start()

4. 触发执行

启动时执行,收到数据时触发,或者通过定时触发

streamingQuery.awaitTermination()

5. 查询状态

获取StreamingQuery状态和信息

streamingQuery.status["message"]  

这些是DStream的核心操作,可以构建实时流应用。

常见转换

PySpark Streaming 的常见转换操作:

• map:返回一个新DStream,其中该函数应用于每个元素

words = lines.map(lambda line: line.split(" "))

• flatMap:类似map,但每个输入项可映射到0个或多个输出项

words = lines.flatMap(lambda line: line.split(" "))  

• filter:返回一个新DStream,其中谓词函数为true的元素保留下来

even_numbers = numbers.filter(lambda x: x % 2 == 0)

• reduceByKey:在键值对DStream上调用,聚合每个键的值

word_counts = words.reduceByKey(lambda acc, value: acc + value)

• join:在两个DStream的键上执行内连接操作

stream1.join(stream2) 

• union:将两个或多个DStream合并在一起

stream1.union(stream2)

这些转换操作可以用来实现DStream上各种实时分析业务逻辑。

输出操作

PySpark Streaming中DStream的常见输出操作:

1. print(): 在driver节点上打印DStream中每一批次数据

lines.print()

2. saveAsTextFiles(): 将Text文件写入HDFS目录

words.saveAsTextFiles("output_dir")  

3. saveAsObjectFiles(): 将对象序列化后写入文件

parsed.saveAsObjectFiles("output_dir")

4. saveAsHadoopFiles(): 输出格式由文件扩展名决定,写入HDFS

counts.saveAsHadoopFiles("output_dir") 

5. foreach(): 对每一批次数据应用函数

words.foreach(send_to_dashboard)

6. foreachPartition(): 对每一个分区应用函数

words.foreachPartition(batch_insert_db)

7. writeStream(): 输出到表或console等外部sink

words.writeStream.format("console").start()

这些输出操作定义了DStream处理结果的存储目的地和计算。

部署运维

Standalone模式

PySpark在Standalone模式下的运行方式:

1. 启动Standalone集群

在所有Worker节点上启动Spark Standalone集群

./sbin/start-master.sh
./sbin/start-slave.sh 

2. 提交PySpark应用

在Driver程序中指定Master URL,然后用spark-submit提交应用

spark = SparkSession.builder.appName("app").master("spark://master:7077").getOrCreate()

# 提交应用
./bin/spark-submit my_script.py

3. 并行运行

Spark Standalone集群将Driver和Executor进程分配到Work节点上并行运行

4. 检查执行状态

通过http://master:8080观察作业执行情况

5. 停止集群

./sbin/stop-master.sh
./sbin/stop-slave.sh

Standalone模式让Spark应用可以不依赖YARN等外部集群管理器,直接在自身管理的资源上运行。

YARN集群

PySpark在YARN集群上的部署运行方式:

1. 启动YARN集群

启动YARN的ResourceManager和NodeManager

2. 配置Spark on YARN

spark-env.sh中配置Hadoop环境

3. 提交PySpark应用

在Driver中指定YARN集群,用spark-submit提交

spark = SparkSession.builder.master("yarn").getOrCreate()
./bin/spark-submit --master yarn my_script.py

4. YARN负责调度

YARN ResourceManager将任务分配给NodeManager执行

5. 查看执行状态

通过YARN UI http://resourcemanager:8088观察作业

6. 配置历史服务器

在yarn-site.xml中添加历史服务器地址

7. 收集日志

从YARN中获取Spark作业的日志

YARN模式利用了YARN的资源管理功能,可以在大规模YARN集群上高效运行Spark应用。

Mesos集群

PySpark在Mesos集群上的部署运行方式:

1. 启动Mesos集群

包括Mesos Master和Slave节点

2. 安装Spark Mesos包

在所有节点安装spark-mesos包

3. 启动Driver

Driver需要初始化Mesos依赖

from pyspark import MesosExecutorBackend

spark = SparkSession.builder.appName("app").mesosExecutorBackend("MesosBackend").getOrCreate()

4. 提交PySpark应用

./bin/spark-submit \
  --master mesos://master:5050 \
  --deploy-mode cluster \
  --conf spark.mesos.coarse=true \
  --conf spark.cores.max=5
  my_script.py

5. Mesos Master进行资源分配

将Spark作业分配给Mesos Slave执行

6. 查看执行状态

通过Mesos UI http://master:5050观察Spark作业

7. 收集日志

从Mesos日志中收集应用日志

Mesos模式可以让Spark应用和其他基于Mesos的应用共享资源池,实现更高效的资源利用。

Kubernetes集群

PySpark在Kubernetes集群部署运行方式：

1. 准备Kubernetes集群

可以使用Minikube或AWS EKS等快速搭建

2. 构建Docker镜像

包含PySpark及依赖

3. 准备Python脚本

编写PySpark应用程序脚本,例如app.py

4. 提交Spark应用

使用spark-submit,指明Kubernetes集群

./bin/spark-submit \
  --master k8s://https://<k8s-apiserver-host>:<k8s-apiserver-port> \ 
  --deploy-mode cluster \
  --name spark-app \
  --conf spark.kubernetes.container.image=<spark-image> \
  --conf spark.kubernetes.python.mainAppFile=app.py
  local:///path/to/app.py 

5. Driver Pod启动应用

Kubernetes会启动Executor Pods来运行任务

6. 查看应用状态

通过kubectl查看Pod状态和日志

7. 访问Dashboard：查看应用运行情况

PySpark 常见问题及解决方案

PySpark使用中常见的问题及解决方案:

1. OutOfMemoryError

• 原因:executor或driver内存不足
• 解决:增加executor/driver内存

2. 任务执行缓慢

• 原因:并行任务数过低,数据倾斜
• 解决:增加 parallelism 参数,重新分区

3. 读取文件失败

• 原因:文件路径错误,权限不足
• 解决:检查文件路径,修改文件权限

4. 输出文件为空

• 原因:输出模式错误,如overwrite
• 解决:设置正确的输出模式,如append

5. Serialization错误

• 原因:Java和Python对象序列化错误
• 解决:增加Kryo序列化,调整相关配置

6. 部署失败

• 原因:依赖版本冲突,模式配置错误
• 解决:统一依赖版本,检查部署模式配置

7. 连接超时失败

• 原因:网络不稳定,长时间等待
• 解决:优化网络,增加超时时间