原生spark与pyspark使用比较

pyspark与原生spark（scala）比较

在学习完spark这个优秀的计算框架后，因为当时的学习使用了python api对spark进行交互，编写spark的原生语言为sacla，所以，在简单的自学完scala后，再次使用scala对spark进行交互，也可称为scala初体验~

本篇文章主要以使用python和scala分别编写spark程序实现wordcount单词计数，来对pyspark和原生spark进行比较

1.spark计算框架介绍

Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架，Spark，拥有Hadoop MapReduce所具有的优点;但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。
Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。
Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 Scala 可以像操作本地集合对象一样轻松地操作分布式数据集。

spark底层由scala和java编写，现已提供多种api供其它语言操作spark，如python、R语言

2.准备工作

• 下载scala，并在idea中创建meven工程，导入scala的SDK工具包，并导入相关依赖
• 在python中下载pyspark第三方包（注：pyspark3.×版本无法支持高版本的python，如python3.8，需降低pyspark版本或者降低python版本）
• 准备测试数据集

3.创建测试数据集

hadoop word
spark
flink spark
hive

4.scala编写wordcount

依赖包

<dependencies>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-core_2.11</artifactId>
        <version>2.1.1</version>
    </dependency>
</dependencies>
##导入的依赖版本需要与自己安装的scala版本对应

import org.apache.spark.{SparkConf, SparkContext}

import java.util.Date

object wordcount {
  def main(args: Array[String]): Unit = {
    //获取程序开始时间
    var start_time =new Date().getTime
    // 程序入口
    val sparkconf = new SparkConf().setMaster("local").setAppName("WordCount")
    // 创建会话
    val sc = new SparkContext(sparkconf)
    //创建rdd
    val rdd1 = sc.textFile("C:/Users/yusyu/Desktop/data.txt")
    //打印 rdd内容
    rdd1.foreach(println)
    // 将rdd里的内容进行根据空格分割，并转换为map类型
    val rdd2 = rdd1.flatMap(x=>x.split(" ")).map(x=>(x,1))

    rdd2.foreach(println)
    //使用reducebykey算子对rdd里的（word，1）类型数据进行求和
    val rdd3 = rdd2.reduceByKey((x,y)=>(x+y))

    rdd3.foreach(println)
    // 关闭会话
    sc.stop()
    // 获取程序结束时间
    var end_time =new Date().getTime
    // 打印程序运行时长
    println((end_time-start_time))
  }
}

运行结果如下：
程序运行时长的单位为毫秒

5.python编写wordcount

from pyspark import SparkContext, SparkConf
import datetime

start_time = datetime.datetime.now()

conf = SparkConf().setMaster("local").setAppName("test application")

sc = SparkContext(conf=conf)

rdd1 = sc.textFile("C:/Users/yusyu/Desktop/data.txt")

rdd1.foreach(print)

rdd2 = rdd1.flatMap(lambda x:x.split(" ")).map(lambda x:(x,1))

rdd2.foreach(print)

rdd3 = rdd2.reduceByKey(lambda x,y:x+y)

rdd3.foreach(print)

sc.stop()

end_time = datetime.datetime.now()

print(end_time-start_time)

运行结果如下：

6.总结

这里用了入门案例wordcount来比较了scala与python操作spark的语法和程序运行时长，相同的程序，相比scala编写的运行了五秒多来说，pyspark运行的时长确实会比较长。
这也是在学习完scala后，使用spark的初体验，方便再次重温spark。