IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 大数据 -> PySpark!!! -> 正文阅读

[大数据]PySpark!!!

* Spark 主从结构

在集群上运行 Spark 应用的详细过程

在集群上运行 Spark 应用的详细过程    
(1) 用户通过 spark-submit 脚本提交应用。    
(2) spark-submit 脚本启动驱动器程序,调用用户定义的 main() 方法。    
(3) > 驱动器程序与集群管理器通信,申请资源以启动执行器节点。    
(4) 集群管理器为驱动器程序启动执行器节点。    
(5) 驱动器进程执行用户应用中的操作。根据程序中所定义的对 RDD 的转化操作和行动操作,驱动器节点把工作以任务的形式发送到执行器进程。
(6) 任务在执行器程序中进行计算并保存结果。    
(7) 如果驱动器程序的 main() 方法退出,或者调用了SparkContext.stop() ,驱动器程序会终止执行器进程,并且通过集群管理器释放资源。

Yarn

deploy-mode: yarn-cluster & yarn-client
在这里插入图片描述

How to choose? spark-yarn-cluster vs client

Spark supports two modes for running on YARN, “yarn-cluster” mode and “yarn-client” mode. Broadly, yarn-cluster mode makes sense for production jobs, while yarn-client mode makes sense for interactive and debugging uses where you want to see your application’s output immediately.

In yarn-cluster mode, the driver program will run on the node where application master is running where as in yarn-client mode the driver program will run on the node on which job is submitted on centralized gateway node.

The yarn-cluster mode is not well suited to using Spark interactively, but the yarn-client mode is. Spark applications that require user input, like spark-shell and PySpark, need the Spark driver to run inside the client process that initiates the Spark application.
In yarn-client mode, the Application Master is merely present to request executor containers from YARN

* Start from wordcount

首先确保hadoop启动,hdfs可以使用
/etc/profile中设置pyspark使用miniconda中虚拟环境thjj的python

export PYSPARK_PYTHON=/home/jj/miniconda3/envs/thjj/bin/python  
# 打印 hdfs 根目录下的所有文件
jj@JJ:~/Desktop$ hadoop dfs -l

在这里插入图片描述

jj@JJ:~/Desktop$ pyspark
Python 3.6.13 |Anaconda, Inc.| (default, Jun  4 2021, 14:25:59) 
[GCC 7.5.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
2021-08-21 15:37:09,218 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /__ / .__/\_,_/_/ /_/\_\   version 3.1.2
      /_/

Using Python version 3.6.13 (default, Jun  4 2021 14:25:59)
Spark context Web UI available at http://localhost:4040
Spark context available as 'sc' (master = local, app id = local-1629531429971).
SparkSession available as 'spark'.
>>> from pyspark import SparkContext, SparkConf
>>>logFile=sc.textFile("hdfs://localhost:9000/wordcount/exm_hadoop.txt")
### 也可以这样写:logFile=sc.textFile("/wordcount/exm_hadoop.txt")
### 注      //是访问hdfs文件, ///是访问本地文件
>>> logFile.count()
7


在这里插入图片描述
在这里插入图片描述

* spark-submit

#!/usr/bin/env python
#-*-conding:utf-8-*-

# here: spark_wordcount.py

import logging
from operator import add
from pyspark import SparkContext
import sys

logging.basicConfig(format='%(message)s', level=logging.INFO)

files = "/wordcount"

def main():
    sc = SparkContext("local","exm_hadoop")
    # 将hdfs中的文件成rdd
    rdd = sc.textFile(files)
    # 统计单词个数
    counts = rdd.flatMap(lambda line: line.split(" ")).map(lambda word: (word, 1)).reduceByKey(lambda a, b: a + b)
    # 在控制台中打印输出
    results = counts.collect()
    for result in results:
        print("%s\t\t%d" % (result[0],result[1]))
    print("Jobs Done!")
    sc.stop()
if __name__=="__main__":
       main()

shell :

# standalnoe
jj@JJ:~/Documents/JJ-Files$ spark-submit --master spark://jj:7077 spark_wordcount.py
# yarn-client
jj@JJ:~/Documents/JJ-Files$ spark-submit --master yarn --deploy-mode client spark_wordcount.py


在这里插入图片描述

  大数据 最新文章
实现Kafka至少消费一次
亚马逊云科技:还在苦于ETL?Zero ETL的时代
初探MapReduce
【SpringBoot框架篇】32.基于注解+redis实现
Elasticsearch:如何减少 Elasticsearch 集
Go redis操作
Redis面试题
专题五 Redis高并发场景
基于GBase8s和Calcite的多数据源查询
Redis——底层数据结构原理
上一篇文章      下一篇文章      查看所有文章
加:2021-08-22 13:36:15  更:2021-08-22 13:36:56 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/23 13:07:30-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码