学习如何用Python和Pyspark创建本地、低延迟的流式数据。
Apache Spark是一个开源的分析工具，适用于数据工程、数据科学、机器学习和其他与数据有关的实践的从小型到大型的数据处理。使用Apache Spark，我们可以并行处理大量数据，将其连接到数百个来源，我们还可以利用微批流。此外，根据用户的需要，Spark流式数据具有高度的容错性。
PySpark使我们能够使用Apache Spark的力量，同时又能利用Python编程语言的简单性。
在这篇文章中，我们将尝试创建一个简单的Python脚本来创建流式数据管道。我们将解释如何使用具有非常低延迟的连续流。我们还将讨论微批流和比较这两种类型的流。
什么是PySpark流式数据？
当我们说到流式数据时，大多数人都会想到视频或音乐的流媒体。然而，流式数据被我们周围的各种设备所使用 -- 健康配件、智能手表、智能手机、智能家居设备等。
在PySpark中，我们区分了两种主要的流式数据类型 -- 连续流和微批流。
连续流
在连续流中，输入数据使用面向流的数据处理引擎进行处理，该引擎可以实时执行聚合、连接和窗口化等操作。
随着新数据的到来，这种处理管道的输出被持续更新（聚合/合并/连接）。在PySpark中，我们把这种流称为结构化流。虽然它是延迟最低的"最快"解决方案，但它不像微批流那样具有容错性，而且需要强大的集群来运行。
微批流
在微批流中，输入数据是以小而离散的数据批处理的。使用这种方法，我们可以使用通常用于成批数据的数据转换，同时保持低（但大于连续流）延迟、高容错性和对窗口功能的支持。
使用案例
在PySpark中，我们可以使用readStream
和writeStream
方法来读/写数据流。
readStream
方法允许我们从Spark支持的任何来源开始读取。这个方法返回流式数据帧。
writeStream
方法允许我们将readStream
创建的流媒体DataFrame同时写到一个或多个位置。
对于连续流，我们可以使用这个简单的代码片段。它的作用是什么？当这个脚本运行时，我们将能够向MacOs终端输入文字，我们将把它作为一个源。同时，该脚本将在VS Code中的jupyter笔记本中打印处理后的流，延迟非常低。
from pyspark.sql import SparkSession
# 创建一个Spark会话
spark = SparkSession.builder.appName("Continuous Stream").getOrCreate()
sc = spark.sparkContext
sc.setLogLevel("OFF")
# 从流式数据源读取数据
streamingDF = spark.readStream.format("socket").option("host", "localhost").option("port", 9999).load()
# 定义处理逻辑
processedDF = streamingDF.selectExpr("value as input", "length(value) as length")
# 将输出写入一个流式处理器
query = processedDF.writeStream.format("console").start()
# 开启数据流
query.awaitTermination(20) # Start the stream for 20 seconds to allow input to be typed in the terminal
# 20秒后，关闭数据流
query.stop()
注意，我们使用readStream
方法从源“socket”中读取数据流。我们的输入被加载为常规的PySpark DataFrame
。加载后，我们使用selectExpr
方法，通过表达式从DataFrame中进行选择。在我们的例子中，我们将创建一个新的列，叫做input
，由sql命令值生成的输入，基本上就是我们在终端输入的值。然后，我们将有一个由sql命令length(value)
生成的长度列，它是我们输入的长度（字符数）。
在PySpark中，在我们用.start()
启动流之前，操作不会被运行。你可以同时应用许多转换，但除非我们执行动作--在我们的例子中是.start()
，否则它不会开始执行过程。
在代码片段中，我们使用localhost:9999
的套接字作为我们的源。为了将数据传递给流，我们必须首先在localhost
上启动9999端口的监听服务器。要做到这一点，我们必须。
在MasOS终端输入：nc -l 9999
。这将使用netcat工具启动9999
端口的监听服务器。在Windows PowerShell中输入：New-Object System.Net.Sockets.TcpListener(9999).Start()
。这个命令使用.NET框架中的TcpListener
类在9999
端口创建了一个新的TCP监听器。在我们开始监听9999
端口后，我们可以运行带有流代码的jupyer笔记本单元，并开始在终端/PowerShell中打字。
推荐书单
《Python从入门到精通（第2版）》
《Python从入门到精通（第2版）》从初学者角度出发，通过通俗易懂的语言、丰富多彩的实例，详细介绍了使用Python进行程序开发应该掌握的各方面技术。全书共分23章，包括初识Python、Python语言基础、运算符与表达式、流程控制语句、列表和元组、字典和集合、字符串、Python中使用正则表达式、函数、面向对象程序设计、模块、异常处理及程序调试、文件及目录操作、操作数据库、GUI界面编程、Pygame游戏编程、网络爬虫开发、使用进程和线程、网络编程、Web编程、Flask框架、e起去旅行网站、AI图像识别工具等内容。所有知识都结合具体实例进行介绍，涉及的程序代码都给出了详细的注释，读者可轻松领会Python程序开发的精髓，快速提升开发技能。除此之外，该书还附配了243集高清教学微视频及PPT电子教案。
购买链接：https://item.jd.com/13284890.html
长按关注《Python学研大本营》 长按访问【IT今日热榜】，发现每日技术热点
