Работа с заданиями PySpark

Apache Spark — это фреймворк для реализации распределенной обработки неструктурированных и слабоструктурированных данных, входящий в экосистему проектов Hadoop.

В этой статье на простом примере показывается, как в Yandex Data Processing использовать PySpark — интерфейс Spark для языка Python. При помощи PySpark в приведенном примере подсчитывается число случаев употребления каждого из слов, которые встречаются в коротком образце текста.

Перед началом работыПеред началом работы

1. Создайте сервисный аккаунт с ролями dataproc.agent и dataproc.provisioner.

2. В Object Storage создайте бакеты и настройте доступ к ним:

   1. Создайте бакет для исходных данных и предоставьте сервисному аккаунту кластера разрешение READ для этого бакета.
   2. Создайте бакет для результатов обработки и предоставьте сервисному аккаунту кластера разрешение READ и WRITE для этого бакета.

3. Создайте кластер Yandex Data Processing со следующими настройками:

   • Сервисы:
     • HDFS
     • SPARK
     • YARN
   • Сервисный аккаунт: выберите созданный ранее сервисный аккаунт.
   • Имя бакета: выберите бакет для результатов обработки.

Создайте задание PySparkСоздайте задание PySpark

1. Загрузите файл для обработки:

   1. Скопируйте и сохраните в файле text.txt:

      text.txt

      she sells sea shells on the sea shore
      the shells that she sells are sea shells I am sure
      so if she sells sea shells on the sea shore
      I am sure that the shells are sea shore shells
      

   2. Загрузите файл text.txt в бакет для исходных данных.

2. Загрузите файл с кодом программы анализа на языке Python:

   1. Скопируйте и сохраните в файле word_count.py:

      word_count.py

      import sys
      from pyspark import SparkConf, SparkContext
      
      
      def main():
      
          if len(sys.argv) != 3:
              print('Usage job.py <входная_директория> <выходная_директория>')
              sys.exit(1)
      
          in_dir = sys.argv[1]
          out_dir = sys.argv[2]
      
          conf = SparkConf().setAppName("Word count - PySpark")
          sc = SparkContext(conf=conf)
      
          text_file = sc.textFile(in_dir)
          counts = text_file.flatMap(lambda line: line.split(" ")) \
              .map(lambda word: (word, 1)) \
              .reduceByKey(lambda a, b: a + b)
      
          if out_dir.startswith('s3a://'):
              counts.saveAsTextFile(out_dir) 
          else:
              default_fs = sc._jsc.hadoopConfiguration().get('fs.defaultFS')
              counts.saveAsTextFile(default_fs + out_dir)
      
      
      if __name__ == "__main__":
          main()
      

   2. Загрузите файл word_count.py в бакет для исходных данных.

3. Создайте задание PySpark с параметрами:

   • Main python файл: s3a://<имя_бакета_для_исходных_данных>/word_count.py

   • Аргументы:

     • s3a://<имя_бакета_для_исходных_данных>/text.txt
     • s3a://<имя_бакета_для_результатов_обработки>/<папка_для_результатов>

4. Подождите, пока статус задания изменится на Done.

5. Скачайте из бакета и просмотрите файлы с результатами обработки:

   part-00000

   ('sea', 6)
   ('are', 2)
   ('am', 2)
   ('sure', 2)
   

   part-00001

   ('she', 3)
   ('sells', 3)
   ('shells', 6)
   ('on', 2)
   ('the', 4)
   ('shore', 3)
   ('that', 2)
   ('I', 2)
   ('so', 1)
   ('if', 1)
   

Удалите созданные ресурсыУдалите созданные ресурсы

Некоторые ресурсы платные. Чтобы за них не списывалась плата, удалите ресурсы, которые вы больше не будете использовать:

1. Удалите кластер.
2. Удалите бакеты.
3. Удалите сервисный аккаунт.