金色传说，开源教程！属于算法的大数据工具-pyspark

spark是目前大数据领域的核心技术栈，许多从事数据相关工作的小伙伴都想驯服它，变成"驯龙高手"，以便能够驾驭成百上千台机器组成的集群之龙来驰骋于大数据之海。

但大部分小伙伴都没能成功做到这一点。有一部分小伙伴纠结在到底是学pyspark还是spark-scala上面迟迟未能出征，还有相当一部分倒在了开始的环境配置上，还有一些在几十几百个函数的用法中迷失了方向，还有少部分同学虽然掌握了一些简单用法，但是没有掌握性能优化技巧，一旦遇到真正复杂的大数据就毫无办法。

最近我的好友"算法美食屋"公众号的作者云哥开源了一个pyspark教程：《10天吃掉那只pyspark》，给有志于成为大数据"驯龙高手"的小伙伴带来了福音，以下是这个教程的目录，简直就是驯龙秘笈有木有?? ？

一，pyspark ? or spark-scala ? ?

pyspark强于分析，spark-scala强于工程。

如果应用场景有非常高的性能需求，应该选择spark-scala.

如果应用场景有非常多的可视化和机器学习算法需求，推荐使用pyspark，可以更好地和python中的相关库配合使用。

此外spark-scala支持spark graphx图计算模块，而pyspark是不支持的。

pyspark学习曲线平缓，spark-scala学习曲线陡峭。

从学习成本来说，spark-scala学习曲线陡峭，不仅因为scala是一门困难的语言，更加因为在前方的道路上会有无尽的环境配置痛苦等待着读者。

而pyspark学习成本相对较低，环境配置相对容易。从学习成本来说，如果说pyspark的学习成本是3，那么spark-scala的学习成本大概是9。

如果读者有较强的学习能力和充分的学习时间，建议选择spark-scala，能够解锁spark的全部技能，并获得最优性能，这也是工业界最普遍使用spark的方式。

如果读者学习时间有限，并对Python情有独钟，建议选择pyspark。pyspark在工业界的使用目前也越来越普遍。

二，本书? 面向读者?

本书假定读者具有基础的的Python编码能力，熟悉Python中numpy, pandas库的基本用法。

并且假定读者具有一定的SQL使用经验，熟悉select,join,group by等sql语法。

三，本书写作风格?

本书是一本对人类用户极其友善的pyspark入门工具书，Don't let me think是本书的最高追求。

本书主要是在参考spark官方文档，并结合作者学习使用经验基础上整理总结写成的。

不同于Spark官方文档的繁冗断码，本书在篇章结构和范例选取上做了大量的优化，在用户友好度方面更胜一筹。

本书按照内容难易程度、读者检索习惯和spark自身的层次结构设计内容，循序渐进，层次清晰，方便按照功能查找相应范例。

本书在范例设计上尽可能简约化和结构化，增强范例易读性和通用性，大部分代码片段在实践中可即取即用。

如果说通过学习spark官方文档掌握pyspark的难度大概是5，那么通过本书学习掌握pyspark的难度应该大概是2.

仅以下图对比spark官方文档与本书《10天吃掉那只pyspark》的差异。

四，本书学习方案 ⏰

1，学习计划

本书是作者利用工作之余大概1个月写成的，大部分读者应该在10天可以完全学会。

预计每天花费的学习时间在30分钟到2个小时之间。

当然，本书也非常适合作为pyspark的工具手册在工程落地时作为范例库参考。

2，学习环境

本书全部源码在jupyter中编写测试通过，建议通过git克隆到本地，并在jupyter中交互式运行学习。

为了直接能够在jupyter中打开markdown文件，建议安装jupytext，将markdown转换成ipynb文件。

为简单起见，本书按照如下2个步骤配置单机版spark3.0.1环境进行练习。

#step1: 安装java8
#jdk下载地址：https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
#java安装教程：https://www.runoob.com/java/java-environment-setup.html
#step2: 安装pyspark,findspark
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyspark
pip install findspark

此外，也可以在和鲸社区的云端notebook中直接运行pyspark，没有任何环境配置痛苦。详情参考该项目的readme文档。

import findspark

#指定spark_home,指定python路径
spark_home = "/Users/liangyun/anaconda3/lib/python3.7/site-packages/pyspark"
python_path = "/Users/liangyun/anaconda3/bin/python"
findspark.init(spark_home,python_path)

import pyspark 
from pyspark import SparkContext, SparkConf
conf = SparkConf().setAppName("test").setMaster("local[4]")
sc = SparkContext(conf=conf)

print("spark version:",pyspark.__version__)
rdd = sc.parallelize(["hello","spark"])
print(rdd.reduce(lambda x,y:x+' '+y))

spark version: 3.0.1
hello spark