Spark数据读取、处理以及保存
手动反爬虫，禁止转载： 原博地址 https://blog.csdn.net/lys_828/article/details/121204749（CSDN博主：Be_melting）
知识梳理不易，请尊重劳动成果，文章仅发布在CSDN网站上，在其他网站看到该博文均属于未经作者授权的恶意爬取信息
4 数据收集与处理
在1.4部分介绍了数据分析金字塔，接下来的内容就是进行一层层阶梯的攀登。首先来进行金字塔底端的数据记录，也就是数据的收集、展示与传递信息，具体要进行的操作就是下图中被框起来的三个部分。
4.1 Spark环境封装
通过前面的测试代码，可以发现每次执行Spark程序时候，最开始就是要输入创建进程的代码，由于此类代码都是一致的，而且再今后的工作生产中会经常使用到Spark，因此在工作开启前，可以把创建Spark进程和读取文件的操作直接封装起来，单独创建一个py文件，后续使用的时候直接调用即可。
首先在准备课程文件夹的同级目录中创建一个step1文件夹，里面新建一个SparkReady.py的文件，文件中的内容如下。
import os ,sys ,re
import pymongo
import findspark
findspark.init()
from pyspark.sql import SparkSession
def start_spark(appname='Default APP'):
name = appname
spark = SparkSession.builder.appName(name).getOrCreate()
print("Spark 框架启动成功 ！！！ ")
return spark
然后在该文件夹下创建一个example00.py文件，输入的测试代码如下。
from SparkReady import start_spark
import time
spark = start_spark('App2')
time.sleep(1000)
输出结果中会打印‘Spark 框架启动成功 ！！！’，在浏览器中输入localhost：4040，会看到Spark的进程已经创建成功，app.name就是指定的名称。
需要留意一个属性，就是这里的spark.master，默认就是local[*]，表示spark会使用电脑中的所有的cpu，此外进入到Executors选项卡中，第一行表示激活的进程，这里显示存储内容为384.1M也就是约1G的40%，如果不进行任何设置，程序跑起来就把所有的处理器都占用了，内存爆了后，电脑很容易就崩溃。
接着就是对封装的启动Spark的程序进行额外参数的设置，修改的程序代码如下。
import os ,sys ,re
import pymongo
import findspark
findspark.init()
from pyspark.sql import SparkSession
#添加两个cpu和1g的内存
def start_spark(appname='Default APP',core=2,mem='1g'):
name = appname
dmem = mem
cpu = "local[" +str(core) +"]"
try:
spark #防止已经创建
except:
spark = SparkSession.builder.master(cpu).appName(name).config("spark.driver.memory",dmem).getOrCreate()
print('加载csv 模块')
os.environ['PYSPARK_SUBMIT_ARGS'] = 'pyspark --packages com.databricks:spark-csv_2.10:1.4.0'
print ("Spark 框架启动成功 ！！！ ")
return spark
设置完毕后，再次执行example00.py文件后，刷新网页页面，就会发现Spark中的信息已经发生改变了（为了方便后续csv文件的读入，这里添加了加载csv的代码）。
可以根据自己的电脑的配置，进行两个性能参数的设置，量力而行（测试电脑是12个处理器，内存为15.2G）。
4.2 利用Spark处理数据
4.2.1 配置Spark并读取CSV文件
在step1文件夹中新建一个example01.py文件，根据自己的电脑配置性能，然后读入准备好得航班数据文件，测试代码执行如下。
数据读入后，可以通过show()的方法进行查看，操作及对应输出如下。（输出的格式会保留类似之前sql输出的样式，由于数据中的字段较多，这里只截取对应字段数据）
因此为了后续方便数据的处理，可以使用toPandas()方法，将读入的内容转换称为我们熟悉的DataFrame数据类型，代码操作及输出如下。
注意点：虽然上面的操作将数据转化为我们熟悉的数据类型，但是Spark中的数据是分布在多台电脑上的，一旦转化为pandas就会把数据自动集中在一台电脑上，可能导致数据量过大，程序崩溃，因此再使用toPandas()方法时候一定要带上limIt()，限制数据量。
通过转化后可以很简单的利用之前的知识进行查询，比如获取所有的字段名称，输出如下。
4.2.2 Spark下的SQL查询
（1）指定字段查询
此外也可以直接使用SQL语句进行数据的查询，首先要将获取的Spark中的数据转化为表结构，然后就使用查询语句就可以完成，代码操作及输出如下。
(2) 汇总字段计算查询
也可以添加一些汇总的计算函数用于SQL语句的查询，输出如下。
上面测试的数据是在外接的D盘移动硬盘上（电脑中只有C盘），在运行程序的时候打开任务管理器可以发现读取速度只有12.5MB/秒，且当前的磁盘全部占用，但是发现CPU却几乎没有使用。
然后把数据放置在C盘，在数据所在的文件夹打开jupyter notebook，再次运行程序，可以发现程序很快运行完毕，总共用时只有4.78s。（速度提高50倍左右）
任务管理器中CPU和内存运行情况如下，在处理期间CPU利用率达到100%。
打开localhost:4040界面，可以看到spark的工作流程，红框中指定20个处理器都进行工作。
(3) 计数查询与范围查询
对数据进行计数，输出执行时间仅有1.65s。
也可以指定范围查询，比如查询一段时间范围之内的数据，此外在jupyter notebook中进行单个cell运行时间的获取，可以直接通过魔法函数%%time执行，下面的代码操作工执行4.13s，查询到了46w+的数据量。
为了方便查看也可以转化为pandas数据类型，已经筛选完毕后的数据再进行pandas转化的过程基本上是秒出数据，如下。
4.2.3 数据筛选
航班数据中共有110+字段，有些字段信息是不需要的，因此要进行必要信息的筛选，每个字段的具体信息可以在之前介绍下载数据的界面进行查看，都有详细的解析，如下代码就是筛选目标的字段进行输出。
数据筛选完毕后，可以通过printSchema()查看每个字段的数据类型，输出如下（只进行部分截取）。
4.2.4 数据空值处理及分组排序优化
在进行数据查看的时候，为了方便，可以将数据转化为pandas数据类型，但是特别注意只要转化一部分，不能把所有的数据都进行转化，否则就会将数据全都放在一台电脑上进行处理，压垮这台电脑了，再次提醒使用toPandas()方法的时候一定要加上limit()的限定取值，比如这里查看300条数据的情况，代码及输出如下。
接下来看一下进行分组和排序的情况，代码及输出结果如下。
此时打开loacalhost:4040，看一下刚刚的任务过程，当涉及到分组group by和order by时候系统会默认安排200个分区进行工作（涉及到Spark安装完成后，当多台电脑或者多个处理器时候，数据要进行分组或者排序，这期间需要有一个默认的规则进行。如果只有一台电脑或者一个处理器就可以很简单的进行分组排序，但是一旦多了起来，那彼此数据之间是见不到面，所以在进行分组或者排序时候Spark就默认安排了200个分区）。
这个200可以根据自己的电脑处理器的个数进行制定，比如测试的电脑是12个，那么就可以指定分区的数量为6个，然后再测试输出的时间，如下。
此时程序运行结束只用了4s，查看localhost:4040的运算过程，可以发现原来200个分区处的地方现在变成刚刚指定的6个分区，整体上的速度是进行了优化。
4.2.5 数据Json化并进行压缩处理
先新建一个example02.py文件，重新加载spark启动相关配置，然后读入新文件。
（1）直接生成Jsonl文件
（2）直接生成Jsonl压缩文件
（3）直接生成大数据压缩文件
4.2.6 文件读取速度对比
对比CSV文件、Jsonl压缩文件和大数据压缩文件三者之间的读取数据，其中CSV直接读上面加载数据时候已经显示为4.13s，接下来就是查看Jsonl压缩文件和大数据压缩文件读取情况，输出结果如下。
其中生成的Jsonl文件，相当于把原来的数据中都加上了key的信息，所以数据量变大，自然文件存储和读取都消耗时间，但是使用大数据技术压缩文件和读取都是很省时间，而且文件的内存也很小。