PySpark——开启大数据分析师之路
导读
近日由于工作需要，突击学了一下PySpark的简单应用。现分享其安装搭建过程和简单功能介绍。
了解PySpark之前首先要介绍Spark。Spark，英文原义为火花或者星火，但这里并非此意，或者说它就没有明确的含义。实际上"名不副实"这件事在大数据生态圈各个组件中是很常见的，例如Hive（蜂巢），从名字中很难理解它为什么会是一个数仓，难道仅仅是因为都可用于存储？
当然，讨论spark名字的含义并无意义，我们需要知道的是Spark是大数据生态圈中的一个分布式快速计算引擎，这其中包含了三层含义：分布式、快速、计算引擎。分布式意味着它支持多节点并行计算和备份；而快速则是相对Hadoop中的MapReduce计算框架而言，官网号称速度差距是100倍；计算引擎则描述了Spark在大数据生态中定位：计算。
存储和计算是大数据中的两大核心功能。
大数据框架，一般离不开Java，Spark也不例外。不过Spark并非是用Java来写的，而是用Scala语言。但考虑Scala语言建立在Java基础之上，实际上Scala是可以直接调用Java的包的，所以从这点来讲Spark归根结底还是要依赖Java，自然环境依赖也需要JDK。也正是基于这些原因，Spark的主要开发语言就是Java和Scala。然后随着数据科学的日益火爆，Python和R语言也日益流行起来，所以Spark目前支持这4种语言。当Spark遇到Python就变成了PySpark，这也是我们今天介绍的主角。
Spark目前最新版本是3.0，于今年6月16日正式发布release版。
一般而言，进行大数据开发或算法分析需要依赖Linux环境和分布式集群，但PySpark支持local模式，即在本地单机运行。所以，如果为了在个人PC上练习PySpark语法功能或者调试代码时，是完全可以在自己电脑上搭建spark环境的，更重要的windows系统也是可以的！
实际上，安装PySpark非常简单，仅需像安装其他第三方Python包一样执行相应pip命令即可，期间pip会自动检测并补全相应的工具依赖，如py4j，numpy和pandas等。这里py4j实际上是python for java的意思，是Python和java之间互调的接口，所以除了pip命令安装PySpark之外还需配置系统的jdk环境，一般仍然是安装经典的JDK8版本，并检查是否将java配置到系统环境变量。相应的检验方法是在cmd窗口中键入java -version，当命令可以执行并显示正确的版本时，说明系统已完成java环境搭建。这是为PySpark运行提供了基础。
所以总结一下，安装pyspark环境仅需执行两个步骤：
安装JDK8，并检查系统配备java环境变量
Pip命令安装pyspark包
from pyspark import SparkContext
sc = SparkContext()
rdd = sc.parallelize([1, 2])
rdd.getNumPartitions()
# 输出4
Spark作为分布式计算引擎，主要提供了4大核心组件，它们之间的关系如下图所示，其中GraphX在PySpark中暂不支持。
RDD（Resilient Distributed DataSet，弹性分布式数据集）是Spark中的核心数据结构（Spark core），是完成分布式任务调度的关键，从名字缩写中可以看出其有3大特性：弹性，意味着大小可变、分区数量可变；分布式，表示支持多节点并行处理；数据集，说明这是一个特殊的数据结构。
进一步的，Spark中的其他组件依赖于RDD，例如：
SQL组件中的核心数据结构是DataFrame，而DataFrame是对rdd的进一步封装。值得一提的是这里的DataFrame实际上和Pandas或者R语言的data.frame其实是很为相近的，语法、功能、接口都有很多共同之处，但实际上这里的DataFrame支持的接口要少的多，一定程度上功能相对受限；
Streaming组件中的核心数据结构是Dstream，即离散流（discrete stream），本质就是一个一个的rdd；
PySpark中目前存在两个机器学习组件ML和MLlib，前者是推荐的机器学习库，支持的学习算法更多，基于SQL中DataFrame数据结构，而后者则是基于原生的RDD数据结构，包含的学习算法也较少
了解了这些，PySpark的核心功能和学习重点相信应该较为了然。后续将不定期推出SQL和ML两大组件的系列要点分享。
相关阅读：