pyspark 中的rdd api 编码练习

1，使用pyspark 的rdd api 进行了数据文件的处理，包括构建RDD， 统计分析RDD ，从文件中读取数据RDD，从文件中构建 rdd的模式shema.

然后通过模式，从rdd中生成dataframe。

2，代码

'''
构建sparkSession 和练习数据（RDD 和 KV rdd）
'''
spark = SparkSession.builder.appName("rdd_api_test") \
    .master("local[2]") \
    .getOrCreate()
sc = spark.sparkContext
rdd1 = sc.parallelize([1, 5, 60, 'a', 9, 'c', 4, 'z', 'f'])
rdd2 = sc.parallelize([('a', 6),
                       ('a', 1),
                       ('b', 2),
                       ('c', 5),
                       ('c', 8),
                       ('c', 11)])

'''
查看rdd元素 , 元素个数， KV对RDD中key的出现次数， 分区个数等常用api
'''
print(rdd2.collect())
print (rdd2.take(2))
print('amount of elements:', rdd2.count())
print('RDD count of key:', rdd2.countByKey())
print('RDD output as map:', rdd2.collectAsMap())
print('RDD number of partitions:', rdd2.getNumPartitions())

'''
数值型rdd ,常用统计函数， 最小，最大 ，平均 ， 标准差，方差
'''
rdd5 = sc.parallelize(range(100))
print('RDD Min:', rdd5.min())  # rdd 最小值
print('RDD Max:', rdd5.max())
print('RDD Mean:', rdd5.mean())
print('RDD Standard deviation:', rdd5.stdev())
print('RDD Variance:', rdd5.variance())

'''
从文件读取数据，并且去掉第一行列名，进行显示
数据源：nba.csv
'''
full_csv = sc.textFile('nba.csv')
header = full_csv.first()
print(full_csv.filter(lambda line: line != header).take(4))  # 去掉头行后，看效果

'''
从文档中读出文件头部，设置rdd模式，然后把RDD转化为df
数据源：本地文件：customerheaders.txt
数据样例：
id:string
full_name:string
    ...
'''
from pyspark.sql.types import IntegerType, DoubleType, StringType, StructType, StructField

header_list = sc.textFile('customerheaders.txt') \
    .map(lambda line: line.split(":")).collect()  # 返回数组，元素为[id string]...

def strToType(str):  # string 映射到 DataType
    if str == 'int':
        return IntegerType()
    elif str == 'double':
        return DoubleType()
    else:
        return StringType()

schema = StructType([StructField(t[0], strToType(t[1]), True) for t in header_list])  # 列表构造器 构造 StructType
for item in schema:
    print(item)

'''
对原始文件rdd中每一行进行规范化处理
数据举例：
7,Mohandas MacRierie,mmacrierie0@xrea.com,11/24/1990,Fliptune,-7.1309871,111.591546,
254,Rita Slany,rslany1@ucla.edu,8/7/1961,Yodoo,48.7068855,2.3371075,
'''
customers_rdd = sc.textFile('customers.txt')

'''
一行字符串的解析函数
逻辑：
    1，取出
'''
def parseLine(line):
    tokens = zip(line.split(","), header_list)  # 打包为元组的列表， [(7, [id string]),(Mohandas, [name string]), ... ]
    parsed_tokens = []
    for token in tokens:
        token_type = token[1][1]  # 取到数据的类型，然后转化该类型，并放入parsed_tokens
        print('token_type = ', token_type)
        if token_type == 'double':
            parsed_tokens.append(float(token[0]))
        elif token_type == 'int':
            parsed_tokens.append(int(token[0]))
        else:
            parsed_tokens.append(token[0])
    return parsed_tokens

records = customers_rdd.map(parseLine)  # 把文本字符串根据模式中对应的类型，转化为对象

for item in records.take(4):
    print(item)

df = spark.createDataFrame(records, schema)  # rdd --> df
print (df)

'''
其他一些API介绍：
rdd.foreach([FUNCTION]): 对每个元素执行函数
rdd.groupBy([CRITERA]):  分组聚合 like: ('a', 1) ('b',2) ('a', 3) --> ('a',Iterable(1,3)) ('b', 2)
rdd.subtract(rdd2):  做差集计算，元素在rdd中出现，没有在rdd2中出现
rdd.subtractByKey(rdd2): 同上，适用于KV rdd
rdd.sortBy([FUNCTION]): 自定义RDD元素排序
rdd.sortByKey():  按照key 进行排序，其中key的类型必须实现了排序逻辑
rdd.join(rdd2):   like : ('a', 1) ('b',2) ('a', 3) --> ('a',(1,3)) ('b', 2)

'''

运行结果: