您好,登錄后才能下訂單哦!
如何導入數據
數據可能有各種格式,雖然常見的是HDFS,但是因為在Python爬蟲中數據庫用的比較多的是MongoDB,所以這里會重點說說如何用spark導入MongoDB中的數據。
當然,首先你需要在自己電腦上安裝spark環境,簡單說下,在這里下載spark,同時需要配置好JAVA,Scala環境。
這里建議使用Jupyter notebook,會比較方便,在環境變量中這樣設置
PYSPARK_DRIVER_PYTHON=jupyter PYSPARK_DRIVER_PYTHON_OPTS=notebook ./bin/pyspark
如果你的環境中有多個Python版本,同樣可以制定你想要使用的解釋器,我這里是python36,根據需求修改。
PYSPARK_PYTHON=/usr/bin/python36
pyspark對mongo數據庫的基本操作 (๑• . •๑)
有幾點需要注意的:
pip3 install pyspark==2.3.2
spark-connector
與平常的MongoDB寫法不同,格式是: mongodb://127.0.0.1:database.collection
#!/usr/bin/env python # -*- coding: utf-8 -*- """ @author: zhangslob @file: spark_count.py @time: 2019/01/03 @desc: 不要安裝最新的pyspark版本 `pip3 install pyspark==2.3.2` 更多pyspark操作MongoDB請看https://docs.mongodb.com/spark-connector/master/python-api/ """ import os from pyspark.sql import SparkSession # set PYSPARK_PYTHON to python36 os.environ['PYSPARK_PYTHON'] = '/usr/bin/python36' # load mongodb data # 格式是:"mongodb://127.0.0.1:database.collection" input_uri = "mongodb://127.0.0.1:27017/spark.spark_test" output_uri = "mongodb://127.0.0.1:27017/spark.spark_test" # 創建spark,默認使用本地環境,或者"spark://master:7077" spark = SparkSession \ .builder \ .master("local") \ .appName("MyApp") \ .config("spark.mongodb.input.uri", input_uri) \ .config("spark.mongodb.output.uri", output_uri) \ .config('spark.jars.packages', 'org.mongodb.spark:mongo-spark-connector_2.11:2.2.0') \ .getOrCreate() def except_id(collection_1, collection_2, output_collection, pipeline): """ 計算表1與表2中不同的數據 :param collection_1: 導入表1 :param collection_2: 導入表2 :param output_collection: 保存的表 :param pipeline: MongoDB查詢語句 str :return: """ # 可以在這里指定想要導入的數據庫,將會覆蓋上面配置中的input_uri。下面保存數據也一樣 # .option("collection", "mongodb://127.0.0.1:27017/spark.spark_test") # .option("database", "people").option("collection", "contacts") df_1 = spark.read.format('com.mongodb.spark.sql.DefaultSource').option("collection", collection_1) \ .option("pipeline", pipeline).load() df_2 = spark.read.format('com.mongodb.spark.sql.DefaultSource').option("collection", collection_2) \ .option("pipeline", pipeline).load() # df_1有但是不在 df_2,同理可以計算df_2有,df_1沒有 df = df_1.subtract(df_2) df.show() # mode 參數可選范圍 # * `append`: Append contents of this :class:`DataFrame` to existing data. # * `overwrite`: Overwrite existing data. # * `error` or `errorifexists`: Throw an exception if data already exists. # * `ignore`: Silently ignore this operation if data already exists. df.write.format("com.mongodb.spark.sql.DefaultSource").option("collection", output_collection).mode("append").save() spark.stop() if __name__ == '__main__': # mongodb query, MongoDB查詢語句,可以減少導入數據量 pipeline = "[{'$project': {'uid': 1, '_id': 0}}]" collection_1 = "spark_1" collection_2 = "spark_2" output_collection = 'diff_uid' except_id(collection_1, collection_2, output_collection, pipeline) print('success')
完整代碼地址: spark_count_diff_uid.py
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支持億速云。
免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。