python中有沒有spark庫

這篇文章給大家分享的是有關python中有沒有spark庫的內容。小編覺得挺實用的，因此分享給大家做個參考。一起跟隨小編過來看看吧。

從這個名字pyspark就可以看出來,它是由python和spark組合使用的.

相信你此時已經電腦上已經裝載了hadoop,spark,python3.

Spark提供了一個Python_Shell，即pyspark，從而可以以交互的方式使用Python編寫Spark程序。

pyspark里最核心的模塊是SparkContext（簡稱sc）,最重要的數據載體是RDD。RDD就像一個NumPy array或者一個Pandas Series，可以視作一個有序的item集合。只不過這些item并不存在driver端的內存里，而是被分割成很多個partitions，每個partition的數據存在集群的executor的內存中。

引入Python中pyspark工作模塊

import pyspark
from pyspark import SparkContext as sc
from pyspark import SparkConf
conf=SparkConf().setAppName("miniProject").setMaster("local[*]")
sc=SparkContext.getOrCreate(conf)
#任何Spark程序都是SparkContext開始的，SparkContext的初始化需要一個SparkConf對象，SparkConf包含了Spark集群配置的各種參數(比如主節點的URL)。初始化后，就可以使用SparkContext對象所包含的各種方法來創建和操作RDD和共享變量。Spark shell會自動初始化一個SparkContext(在Scala和Python下可以，但不支持Java)。
#getOrCreate表明可以視情況新建session或利用已有的session

SparkSession是Spark 2.0引入的新概念。

SparkSession為用戶提供了統一的切入點，來讓用戶學習spark的各項功能。 在spark的早期版本中，SparkContext是spark的主要切入點，由于RDD是主要的API，我們通過sparkcontext來創建和操作RDD。對于每個其他的API，我們需要使用不同的context。

例如，對于Streming，我們需要使用StreamingContext；對于sql，使用sqlContext；對于hive，使用hiveContext。但是隨著DataSet和DataFrame的API逐漸成為標準的API，就需要為他們建立接入點。所以在spark2.0中，引入SparkSession作為DataSet和DataFrame API的切入點。

SparkSession實質上是SQLContext和HiveContext的組合(未來可能還會加上StreamingContext)，所以在SQLContext和HiveContext上可用的API在SparkSession上同樣是可以使用的。SparkSession內部封裝了SparkContext，所以計算實際上是由SparkContext完成的。

感謝各位的閱讀！關于python中有沒有spark庫就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！