spark编程python实例

本文介绍如何使用Python进行Spark编程,并提供了一个具体的实例演示。通过在Jupyter Notebook环境中启动pyspark,开发并测试Spark应用程序。文章还详细记录了解决多SparkContext并发运行的问题,包括错误信息和解决方案。

spark编程python实例

ValueError: Cannot run multiple SparkContexts at once; existing SparkContext(app=PySparkShell, master=local[])

1.pyspark在jupyter notebook中开发,测试,提交

1.1.启动

IPYTHON_OPTS="notebook" /opt/spark/bin/pyspark

ubuntu-spark-python-notebook1
下载应用,将应用下载为.py文件(默认notebook后缀是.ipynb)
sparkcode-saveaspy

在shell中提交应用

wxl@wxl-pc:/opt/spark/bin$ spark-submit /bin/spark-submit /home/wxl/Downloads/pysparkdemo.py

!sparkcode-spark-submit

3.遇到的错误及解决

ValueError: Cannot run multiple SparkContexts at once; existing SparkContext(app=PySparkShell, master=local[*])
d*

3.1.错误

ValueError: Cannot run multiple SparkContexts at once; existing SparkContext(app=PySparkShell, master=local[*])
d*

ValueError: Cannot run multiple SparkContexts at once; existing SparkContext(app=PySparkShell, master=local[*]) created by <module> at /usr/local/lib/python2.7/dist-packages/IPython/utils/py3compat.py:288

spark-python-error-scstop

3.2.解决,成功运行

在from之后添加

try:
    sc.stop()
except:
    pass
sc=SparkContext('local[2]','First Spark App')

这里写图片描述

贴上错误解决方法来源StackOverFlow

4.源码

pysparkdemo.ipynb

{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "from pyspark import SparkContext"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "try:\n",
    "    sc.stop()\n",
    "except:\n",
    "    pass\n",
    "sc=SparkContext('local[2]','First Spark App')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "data = sc.textFile(\"data/UserPurchaseHistory.csv\").map(lambda line: line.split(\",\")).map(lambda record: (record[0], record[1], record[2]))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {
    "collapsed": false,
    "scrolled": true
   },
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Total purchases: 5\n"
     ]
    }
   ],
   "source": [
    "numPurchases = data.count()\n",
    "print \"Total purchases: %d\" % numPurchases"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 2",
   "language": "python",
   "name": "python2"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 2
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython2",
   "version": "2.7.12"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 0
}

pysparkdemo.py


# coding: utf-8

# In[1]:

from pyspark import SparkContext


# In[2]:

try:
    sc.stop()
except:
    pass
sc=SparkContext('local[2]','First Spark App')


# In[3]:

data = sc.textFile("data/UserPurchaseHistory.csv").map(lambda line: line.split(",")).map(lambda record: (record[0], record[1], record[2]))


# In[4]:

numPurchases = data.count()
print "Total purchases: %d" % numPurchases


# In[ ]:
### Spark Python 编程入门教程 #### 学习目标 学习Spark编程的基础知识并掌握如何使用Python实现基本功能。以下是关于Spark Python编程的核心知识点以及推荐的学习资源。 --- #### 1. Spark 的核心概念 Apache Spark 是一种分布式计算框架,支持多种类型的数据处理任务,包括批处理、流处理和机器学习等[^4]。它提供了统一的解决方案,使得开发者可以在同一应用程序中无缝集成不同的数据处理需求。 对于初学者来说,了解以下几个关键组件非常重要: - **RDD (Resilient Distributed Dataset)**: 这是Spark中最基本的数据抽象形式,表示不可变的分布式对象集合。 - **DataFrame**: 类似于关系数据库中的表结构,提供更高级别的API接口。 - **Dataset**: 结合了RDD的功能和DataFrame的优化能力,适用于强类型语言如Scala和Java。 - **Spark SQL**: 支持SQL查询语法,允许用户通过标准SQL语句访问数据。 - **Structured Streaming**: 构建在Spark SQL之上的一种流处理引擎,能够高效地处理连续输入的数据流[^5]。 --- #### 2. 使用PySpark进行开发 PySpark 是 Apache Spark 提供的一个官方库,旨在让开发者可以通过 Python 接口轻松调用 Spark 功能。以下是一些常见的 PySpark 应用场景及其对应的代码示例: ##### (1)创建 SparkSession 对象 `SparkSession` 是进入所有 Spark 功能的主要入口点,在任何实际操作之前都需要先初始化该对象。 ```python from pyspark.sql import SparkSession spark = SparkSession.builder \ .appName("PySpark Example") \ .getOrCreate() ``` ##### (2)加载 CSV 文件作为 DataFrame 并显示前几条记录 假设有一个名为 `data.csv` 的文件存储着一些简单的键值对数据。 ```python df = spark.read.format("csv").option("header", "true").load("data.csv") df.show(5) # 显示前五行数据 ``` ##### (3)执行基本转换与动作操作 下面的例子展示了如何利用 map 函数将每一行字符串长度加一返回新列表;并通过 collect 方法获取整个结果集。 ```python rdd = sc.parallelize(["apple", "banana", "watermelon"]) result_rdd = rdd.map(lambda word: len(word)+1) print(result_rdd.collect()) ``` ##### (4)基于 Structured Streaming 实现简单单词计数程序 此案例演示了一个典型的流式作业——统计来自 Kafka 主题的消息频率分布情况。 ```python lines = spark.readStream\ .format('kafka')\ .option('kafka.bootstrap.servers', 'host1:port1,host2:port2')\ .option('subscribe', 'topic_name').load() words = lines.selectExpr("split(value, ' ') as word") wordCounts = words.groupBy("word").count() query = wordCounts.writeStream.outputMode('complete').format('console').start().awaitTermination() ``` --- #### 3. 推荐学习资料 为了更好地理解上述内容并深入实践,建议参考如下书籍或在线文档: - *《Python数据分析基础》*:这本教材涵盖了大量有关科学计算的知识点,并介绍了Python生态系统内的多个重要工具包[^1]。 - 官方文档地址:<https://spark.apache.org/docs/latest/api/python/index.html> —— 此处包含了详尽的技术说明及实例指导。 - 关于具体应用场景下的技术细节,则可以从其他相关领域寻找灵感,比如数据挖掘、人工智能等领域均广泛采用Spark完成复杂运算任务[^2]。 --- ####
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值