SparkR(R on Spark)编程指南
文章目录
概论
SparkR是一个R语言包,它提供了轻量级的方式使得可以在R语言中使用Apache Spark。在Spark 1.4中,SparkR实现了分布式的data frame,支持类似查询、过滤以及聚合的操作(类似于R中的data frames:dplyr),但是这个可以操作大规模的数据集。
SparkR DataFrames
DataFrame是数据组织成一个带有列名称的分布式数据集。在概念上和关系型数据库中的表类似,或者和R语言中的data frame类似,但是这个提供了很多的优化措施。构造DataFrame的方式有很多:可以通过结构化文件中构造;可以通过Hive中的表构造;可以通过外部数据库构造或者是通过现有R的data frame构造等等。
从SparkContext和SQLContext开始
SparkContext是SparkR的切入点,它使得你的R程序和Spark集群互通。你可以通过sparkR.init来构建SparkContext,然后可以传入类似于应用程序名称的选项给它。如果想使用DataFrames,我们得创建SQLContext,这个可以通过SparkContext来构造。如果你使用SparkR shell, SQLContext 和SparkContext会自动地构建好。
sc <- sparkR.init () sqlContext <- sparkRSQL.init (sc) |
创建DataFrames
如果有SQLContext实例,那么应用程序就可以通过本地的R data frame(或者是Hive表;或者是其他数据源)来创建DataFrames。下面将详细地介绍。
通过本地data frame构造
最简单地创建DataFrames是将R的data frame转换成SparkR DataFrames,我们可以通过createDataFrame来创建,并传入本地R的data frame以此来创建SparkR DataFrames,下面例子就是这种方法:
df <- createDataFrame (sqlContext, faithful) # Displays the content of the DataFrame to stdout head (df) ## eruptions waiting ##1 3.600 79 ##2 1.800 54 ##3 3.333 74 |
通过Data Sources构造
通过DataFrame接口,SparkR支持操作多种数据源,本节将介绍如何通过Data Sources提供的方法来加载和保存数据。你可以阅读Spark SQL编程指南来了解更多的options选项.
Data Sources中创建DataFrames的一般方法是使用read.df,这个方法需要传入SQLContext,需要加载的文件路径以及数据源的类型。SparkR内置支持读取JSON和Parquet文件,而且通过Spark Packages你可以读取很多类型的数据,比如CSV和Avro文件。
下面是介绍如何JSON文件,注意,这里使用的文件不是典型的JSON文件。每行文件必须包含一个分隔符、自包含有效的JSON对象:
people <- read.df (sqlContext, "./examples/src/main/resources/people.json" , "json" ) head (people) ## age name ##1 NA Michael ##2 30 Andy ##3 19 Justin # SparkR automatically infers the schema from the JSON file printSchema (people) # root # |-- age: integer (nullable = true) # |-- name: string (nullable = true) |
Data sources API还可以将DataFrames保存成多种的文件格式,比如我们可以通过write.df将上面的DataFrame保存成Parquet文件:
write.df (people, path= "people.parquet" , source= "parquet" , mode= "overwrite" ) |
通过Hive tables构造
我们也可以通过Hive表来创建SparkR DataFrames,为了达到这个目的,我们需要创建HiveContext,因为我们可以通过它来访问Hive MetaStore中的表。注意,Spark内置就对Hive提供了支持,SQLContext和HiveContext 的区别可以参见SQL编程指南。
# sc is an existing SparkContext. hiveContext <- sparkRHive.init (sc) sql (hiveContext, "CREATE TABLE IF NOT EXISTS src (key INT, value STRING)" ) sql (hiveContext, "LOAD DATA LOCAL INPATH 'examples/src/main/resources/kv1.txt' INTO TABLE src" ) # Queries can be expressed in HiveQL. results <- hiveContext.sql ( "FROM src SELECT key, value" ) # results is now a DataFrame head (results) ## key value ## 1 238 val_238 ## 2 86 val_86 ## 3 311 val_311 |
DataFrame的相关操作
SparkR DataFrames中提供了大量操作结构化数据的函数,这里仅仅列出其中一小部分,详细的API可以参见SparkR编程的API文档。
选择行和列
# Create the DataFrame df <- createDataFrame (sqlContext, faithful) # Get basic information about the DataFrame df ## DataFrame[eruptions:double, waiting:double] # Select only the "eruptions" column head ( select (df, df$eruptions)) ## eruptions ##1 3.600 ##2 1.800 ##3 3.333 # You can also pass in column name as strings head ( select (df, "eruptions" )) # Filter the DataFrame to only retain rows with wait times shorter than 50 mins head ( filter (df, df$waiting < 50)) ## eruptions waiting ##1 1.750 47 ##2 1.750 47 ##3 1.867 48 |
Grouping和Aggregation
# We use the `n` operator to count the number of times each waiting time appears head ( summarize ( groupBy (df, df$waiting), count = n (df$waiting))) ## waiting count ##1 81 13 ##2 60 6 ##3 68 1 # We can also sort the output from the aggregation to get the most common waiting times waiting_counts <- summarize ( groupBy (df, df$waiting), count = n (df$waiting)) head ( arrange (waiting_counts, desc (waiting_counts$count))) ## waiting count ##1 78 15 ##2 83 14 ##3 81 13 |
列上面的操作
SparkR提供了大量的函数用于直接对列进行数据处理的操作。
# Convert waiting time from hours to seconds. # Note that we can assign this to a new column in the same DataFrame df$waiting_secs <- df$waiting * 60 head (df) ## eruptions waiting waiting_secs ##1 3.600 79 4740 ##2 1.800 54 3240 ##3 3.333 74 4440 |
在SparkR中运行SQL查询
SparkR DataFrame也可以在Spark SQL中注册成临时表。将DataFrame 注册成表可以允许我们在数据集上运行SQL查询。sql函数可以使得我们直接运行SQL查询,而且返回的结构是DataFrame。
# Load a JSON file people <- read.df (sqlContext, "./examples/src/main/resources/people.json" , "json" ) # Register this DataFrame as a table. registerTempTable (people, "people" ) # SQL statements can be run by using the sql method teenagers <- sql (sqlContext, "SELECT name FROM people WHERE age >= 13 AND age <= 19" ) head (teenagers) ## name ##1 Justin |