网站建设的具体奖罚措施,电商眼,自己建立一个网站需要什么,中山市Pyspark
注#xff1a;大家觉得博客好的话#xff0c;别忘了点赞收藏呀#xff0c;本人每周都会更新关于人工智能和大数据相关的内容#xff0c;内容多为原创#xff0c;Python Java Scala SQL 代码#xff0c;CV NLP 推荐系统等#xff0c;Spark Flink Kafka Hbase Hi…Pyspark
注大家觉得博客好的话别忘了点赞收藏呀本人每周都会更新关于人工智能和大数据相关的内容内容多为原创Python Java Scala SQL 代码CV NLP 推荐系统等Spark Flink Kafka Hbase Hive Flume等等~写的都是纯干货各种顶会的论文解读一起进步。 今天继续和大家分享一下Pyspark基础入门5 #博学谷IT学习技术支持 文章目录Pyspark前言一、RDD的缓存二、使用步骤1.演示缓存的使用操作三、RDD的checkpoint检查点四、缓存和检查点区别总结前言
今天和大家分享的是Spark RDD的持久化方法。 一、RDD的缓存
缓存: 一般当一个RDD的计算非常的耗时|昂贵(计算规则比较复杂),或者说这个RDD需要被重复(多方)使用,此时可以将这个RDD计算完的结果缓存起来, 便于后续的使用, 从而提升效率 通过缓存也可以提升RDD的容错能力, 当后续计算失败后, 尽量不让RDD进行回溯所有的依赖链条, 从而减少重新计算时间
注意: 缓存仅仅是一种临时的存储, 缓存数据可以保存到内存(executor内存空间),也可以保存到磁盘中, 甚至支持将缓存数据保存到堆外内存中(executor以外的系统内容) 由于临时存储, 可能会存在数据丢失, 所以缓存操作, 并不会将RDD之间的依赖关系给截断掉(丢失掉),因为当缓存失效后, 可以基于原有依赖关系重新计算
缓存的API都是LAZY的, 如果需要触发缓存操作, 必须后续跟上一个action算子, 一般建议使用count如果不添加action算子, 只有当后续遇到第一个action算子后, 才会触发缓存二、使用步骤
设置缓存的API: rdd.cache(): 执行缓存操作 仅能将数据缓存到内存中 rdd.persist(缓存的级别(位置)): 执行缓存操作, 默认将数据缓存到内存中, 当然也可以自定义缓存位置
手动清理缓存的API: rdd.unpersist()
默认情况下, 当整个Spark应用程序执行完成后, 缓存也会自动失效的, 自动删除
常用的缓存级别: MEMORY_ONLY : 仅缓存到内存中 DISK_ONLY: 仅缓存到磁盘 MEMORY_AND_DISK: 内存 磁盘 优先缓存到内存中, 当内存不足的时候, 剩余数据缓存到磁盘中 OFF_HEAP: 缓存到堆外内存
最为常用的: MEMORY_AND_DISK1.演示缓存的使用操作 import timeimport jieba
from pyspark import SparkContext, SparkConf, StorageLevel
import os# 锁定远端环境, 确保环境统一
os.environ[SPARK_HOME] /export/server/spark
os.environ[PYSPARK_PYTHON] /root/anaconda3/bin/python3
os.environ[PYSPARK_DRIVER_PYTHON] /root/anaconda3/bin/python3
清洗需求: 需要先对数据进行清洗转换处理操作, 清洗掉为空的数据, 以及数据字段个数不足6个的数据, 并且将每一行的数据放置到一个元组中, 元组中每一个元素就是一个字段的数据
def xuqiu1():# 需求一: 统计每个关键词出现了多少次, 获取前10个res rdd_map \.flatMap(lambda field_tuple: jieba.cut(field_tuple[2])) \.map(lambda keyWord: (keyWord, 1)) \.reduceByKey(lambda agg, curr: agg curr) \.sortBy(lambda res_tup: res_tup[1], ascendingFalse).take(10)print(res)def xuqiu2():res rdd_map \.map(lambda field_tuple: ((field_tuple[1], field_tuple[2]), 1)) \.reduceByKey(lambda agg, curr: agg curr) \.top(10, lambda res_tup: res_tup[1])print(res)if __name__ __main__:print(Spark的Python模板)# 1. 创建SparkContext核心对象conf SparkConf().setAppName(sougou).setMaster(local[*])sc SparkContext(confconf)# 2. 读取外部文件数据rdd sc.textFile(namefile:///export/data/workspace/ky06_pyspark/_02_SparkCore/data/SogouQ.sample)# 3. 执行相关的操作:# 3.1 执行清洗操作rdd_filter rdd.filter(lambda line: line.strip() ! and len(line.split()) 6)rdd_map rdd_filter.map(lambda line: (line.split()[0],line.split()[1],line.split()[2][1:-1],line.split()[3],line.split()[4],line.split()[5]))# 由于 rdd_map 被多方使用了, 此时可以将其设置为缓存rdd_map.persist(storageLevelStorageLevel.MEMORY_AND_DISK).count()# 3.2 : 实现需求# 需求一: 统计每个关键词出现了多少次, 获取前10个# 快速抽取函数: ctrl alt Mxuqiu1()# 当需求1执行完成, 让缓存失效rdd_map.unpersist().count()# 需求二:统计每个用户每个搜索词点击的次数xuqiu2()time.sleep(100)三、RDD的checkpoint检查点
checkpoint比较类似于缓存操作, 只不过缓存是将数据保存到内存 或者 磁盘上, 而checkpoint是将数据保存到磁盘或者HDFS(主要)上
checkpoint提供了更加安全可靠的持久化的方案, 确保RDD的数据不会发生丢失, 一旦构建checkpoint操作后, 会将RDD之间的依赖关系(血缘关系)进行截断,后续计算出来了问题, 可以直接从检查点的位置恢复数据主要作用: 容错 也可以在一定程度上提升效率(性能) (不如缓存)在后续计算失败后, 从检查点直接恢复数据, 不需要重新计算相关的API: 第一步: 设置检查点保存数据位置 sc.setCheckpointDir(‘路径地址’)
第二步: 在对应RDD开启检查点rdd.checkpoint()rdd.count()注意: 如果运行在集群模式中, checkpoint的保存的路径地址必须是HDFS, 如果是local模式 可以支持在本地路径checkpoint数据不会自动删除, 必须同时手动方式将其删除掉import timefrom pyspark import SparkContext, SparkConf
import os# 锁定远端环境, 确保环境统一
os.environ[SPARK_HOME] /export/server/spark
os.environ[PYSPARK_PYTHON] /root/anaconda3/bin/python3
os.environ[PYSPARK_DRIVER_PYTHON] /root/anaconda3/bin/python3if __name__ __main__:print(演示checkpoint相关的操作)# 1- 创建SparkContext对象conf SparkConf().setAppName(sougou).setMaster(local[*])sc SparkContext(confconf)# 开启检查点, 设置检查点的路径sc.setCheckpointDir(/spark/chk) # 默认的地址为HDFS# 2- 获取数据集rdd sc.parallelize([张三 李四 王五 赵六, 田七 周八 李九 老张 老王 老李])# 3- 执行相关的操作: 以下操作仅仅是为了让依赖链条更长, 并没有太多的实际意义rdd1 rdd.flatMap(lambda line: line.split())rdd2 rdd1.map(lambda name: (name, 1))rdd3 rdd2.map(lambda name_tuple: (f{name_tuple[0]}_itcast, name_tuple[1]))rdd3 rdd3.repartition(3)rdd4 rdd3.map(lambda name_tuple: name_tuple[0])# RDD4设置检查点:rdd4.checkpoint()rdd4.count()rdd5 rdd4.flatMap(lambda name: name.split(_))rdd5 rdd5.repartition(4)rdd6 rdd5.map(lambda name: (name, 1))rdd_res rdd6.reduceByKey(lambda agg, curr: agg curr)print(rdd_res.collect())time.sleep(1000)四、缓存和检查点区别
1- 存储位置不同: 缓存: 存储在内存或者磁盘 或者 堆外内存中 检查点: 可以将数据存储在磁盘 或者 HDFS上, 在集群模式下, 仅能保存到HDFS上
2- 血缘关系: 缓存: 不会截断RDD之间的血缘关系, 因为缓存数据有可能会失效, 当失效后, 需要重新回溯计算操作 检查点: 会截断RDD的之间的血缘关系, 因为检查点将数据保存到更加安全可靠的位置, 认为数据不会发生丢失问题, 当执行失败的时候, 也不需要重新回溯计算
3- 生命周期: 缓存: 当程序执行完成后, 或者手动调度unpersist 缓存都会被删除 检查点: 即使程序退出后, 检查点的数据依然是存在的, 不会删除, 需要手动删除的
一般建议将两种持久化的方案一同作用于项目环境中, 先设置缓存 然后再设置检查点, 最后统一触发执行(底层: 会将数据先缓存好, 然后将缓存好的数据, 保存到checkpoint对应的路径中, 后续在使用的时候, 优先从缓存中读取, 如果缓存中没有, 会从checkpoint中获取, 同时再把读取数据放置到缓存中)总结
今天和大家分享了RDD的两种持久化方法。
