PySpark - SparkContext

SparkContext 是任何 Spark 功能的入口点。当我们运行任何 Spark 应用程序时，会启动一个驱动程序，其中包含主函数，并且在此处初始化 SparkContext。然后，驱动程序在工作节点上的执行器上运行操作。

SparkContext 使用 Py4J 启动一个JVM并创建一个JavaSparkContext。默认情况下，PySpark 提供了名为‘sc’的 SparkContext，因此创建新的 SparkContext 将不起作用。

以下代码块包含 PySpark 类和 SparkContext 可以接受的参数的详细信息。

class pyspark.SparkContext (
   master = None,
   appName = None, 
   sparkHome = None, 
   pyFiles = None, 
   environment = None, 
   batchSize = 0, 
   serializer = PickleSerializer(), 
   conf = None, 
   gateway = None, 
   jsc = None, 
   profiler_cls = <class 'pyspark.profiler.BasicProfiler'>
)

参数

以下是 SparkContext 的参数。

Master − 它是要连接到的集群的 URL。
appName − 作业的名称。
sparkHome − Spark 安装目录。
pyFiles − 要发送到集群并添加到 PYTHONPATH 的 .zip 或 .py 文件。
Environment − 工作节点的环境变量。
batchSize − 表示为单个 Java 对象的 Python 对象数量。设置为 1 可禁用批处理，设置为 0 可根据对象大小自动选择批处理大小，设置为 -1 可使用无限批处理大小。
Serializer − RDD 序列化器。
Conf − L{SparkConf} 对象，用于设置所有 Spark 属性。
Gateway − 使用现有的网关和 JVM，否则初始化新的 JVM。
JSC − JavaSparkContext 实例。
profiler_cls − 用于执行分析的自定义 Profiler 类（默认为 pyspark.profiler.BasicProfiler）。

在以上参数中，master 和 appname 最常使用。任何 PySpark 程序的前两行如下所示：

from pyspark import SparkContext
sc = SparkContext("local", "First App")

SparkContext 示例 – PySpark Shell

现在您已经了解了足够的 SparkContext 知识，让我们在 PySpark shell 上运行一个简单的示例。在这个示例中，我们将计算README.md文件中包含字符“a”或“b”的行数。例如，如果文件中共有 5 行，其中 3 行包含字符“a”，则输出将为 → 包含 a 的行数：3。字符“b”的处理方式相同。

注意 − 在以下示例中，我们没有创建任何 SparkContext 对象，因为默认情况下，当 PySpark shell 启动时，Spark 会自动创建名为 sc 的 SparkContext 对象。如果您尝试创建另一个 SparkContext 对象，将会收到以下错误 – “ValueError: Cannot run multiple SparkContexts at once”。

<<< logFile = "file:///home/hadoop/spark-2.1.0-bin-hadoop2.7/README.md"
<<< logData = sc.textFile(logFile).cache()
<<< numAs = logData.filter(lambda s: 'a' in s).count()
<<< numBs = logData.filter(lambda s: 'b' in s).count()
<<< print "Lines with a: %i, lines with b: %i" % (numAs, numBs)
Lines with a: 62, lines with b: 30

SparkContext 示例 - Python 程序

让我们使用 Python 程序运行相同的示例。创建一个名为firstapp.py的 Python 文件，并在该文件中输入以下代码。

----------------------------------------firstapp.py---------------------------------------
from pyspark import SparkContext
logFile = "file:///home/hadoop/spark-2.1.0-bin-hadoop2.7/README.md"  
sc = SparkContext("local", "first app")
logData = sc.textFile(logFile).cache()
numAs = logData.filter(lambda s: 'a' in s).count()
numBs = logData.filter(lambda s: 'b' in s).count()
print "Lines with a: %i, lines with b: %i" % (numAs, numBs)
----------------------------------------firstapp.py---------------------------------------

然后，我们将在终端中执行以下命令来运行此 Python 文件。我们将得到与上面相同的输出。

$SPARK_HOME/bin/spark-submit firstapp.py
Output: Lines with a: 62, lines with b: 30

打印页面