如何導入數據

為琿春等地區用戶提供了全套網頁設計制作服務，及琿春網站建設行業解決方案。主營業務為成都網站設計、網站建設、琿春網站設計，以傳統方式定制建設網站，并提供域名空間備案等一條龍服務，秉承以專業、用心的態度為用戶提供真誠的服務。我們深信只要達到每一位用戶的要求，就會得到認可，從而選擇與我們長期合作。這樣，我們也可以走得更遠！

數據可能有各種格式，雖然常見的是HDFS，但是因為在Python爬蟲中數據庫用的比較多的是MongoDB，所以這里會重點說說如何用spark導入MongoDB中的數據。

當然，首先你需要在自己電腦上安裝spark環境，簡單說下，在這里下載spark，同時需要配置好JAVA，Scala環境。

這里建議使用Jupyter notebook，會比較方便，在環境變量中這樣設置

PYSPARK_DRIVER_PYTHON=jupyter PYSPARK_DRIVER_PYTHON_OPTS=notebook ./bin/pyspark
如果你的環境中有多個Python版本，同樣可以制定你想要使用的解釋器，我這里是python36，根據需求修改。

PYSPARK_PYTHON=/usr/bin/python36

pyspark對mongo數據庫的基本操作 (๑• . •๑)

有幾點需要注意的：

• 不要安裝最新的pyspark版本，請安裝 pip3 install pyspark==2.3.2
•  spark-connector 與平常的MongoDB寫法不同，格式是： mongodb://127.0.0.1:database.collection
• 如果計算數據量比較大，你的電腦可能會比較卡，^_^

#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""
@author: zhangslob
@file: spark_count.py 
@time: 2019/01/03
@desc:
  不要安裝最新的pyspark版本
  `pip3 install pyspark==2.3.2`
  更多pyspark操作MongoDB請看https://docs.mongodb.com/spark-connector/master/python-api/
"""

import os
from pyspark.sql import SparkSession

# set PYSPARK_PYTHON to python36
os.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"

# 創建spark，默認使用本地環境，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):
  """
  計算表1與表2中不同的數據
  :param collection_1: 導入表1
  :param collection_2: 導入表2
  :param output_collection: 保存的表
  :param pipeline: MongoDB查詢語句 str
  :return:
  """
  # 可以在這里指定想要導入的數據庫，將會覆蓋上面配置中的input_uri。下面保存數據也一樣
  # .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，同理可以計算df_2有，df_1沒有
  df = df_1.subtract(df_2)
  df.show()

  # mode 參數可選范圍
  # * `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查詢語句，可以減少導入數據量
  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')

另外有需要云服務器可以了解下創新互聯scvps.cn，海內外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業上云的綜合解決方案，具有“安全穩定、簡單易用、服務可用性高、性價比高”等特點與優勢，專為企業上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

文章標題：pyspark操作MongoDB的方法步驟-創新互聯
文章鏈接：http://vcdvsql.cn/article40/pjiho.html

成都網站建設公司_創新互聯，為您提供虛擬主機、小程序開發、Google、標簽優化、企業建站、微信小程序

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯