如何导入数据
数据可能有各种格式，虽然常见的是hdfs，但是因为在python爬虫中数据库用的比较多的是mongodb，所以这里会重点说说如何用spark导入mongodb中的数据。
当然，首先你需要在自己电脑上安装spark环境，简单说下，在这里下载spark，同时需要配置好java，scala环境。
这里建议使用jupyter notebook，会比较方便，在环境变量中这样设置
pyspark_driver_python=jupyter pyspark_driver_python_opts=notebook ./bin/pyspark
如果你的环境中有多个python版本，同样可以制定你想要使用的解释器，我这里是python36，根据需求修改。
pyspark_python=/usr/bin/python36
pyspark对mongo数据库的基本操作 (๑• . •๑)
有几点需要注意的：
-
不要安装最新的pyspark版本，请安装
pip3 install pyspark==2.3.2 -
spark-connector与平常的mongodb写法不同，格式是：mongodb://127.0.0.1:database.collection - 如果计算数据量比较大，你的电脑可能会比较卡，^_^
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
|
#!/usr/bin/env python# -*- coding: utf-8 -*-"""@author: zhangslob@file: spark_count.py @time: 2019/01/03@desc: 不要安装最新的pyspark版本 `pip3 install pyspark==2.3.2` 更多pyspark操作mongodb请看https://docs.mongodb.com/spark-connector/master/python-api/"""import osfrom pyspark.sql import sparksession# set pyspark_python to python36os.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"# 创建spark，默认使用本地环境，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): """ 计算表1与表2中不同的数据 :param collection_1: 导入表1 :param collection_2: 导入表2 :param output_collection: 保存的表 :param pipeline: mongodb查询语句 str :return: """ # 可以在这里指定想要导入的数据库，将会覆盖上面配置中的input_uri。下面保存数据也一样 # .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，同理可以计算df_2有，df_1没有 df = df_1.subtract(df_2) df.show() # mode 参数可选范围 # * `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查询语句，可以减少导入数据量 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') |
完整代码地址： spark_count_diff_uid.py
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://zhangslob.github.io/2019/01/03/pyspark操作MongoDB/
