Dataworks_PySpark开发流程

news2024/9/30 10:10:53

PySpark是由Spark官方开发的Python语言第三方库，Python开发者可以通过使用python语言来编写Spark程序和SparkSQL完成开发。

之所以采用PySpark而不采用Java/Scala，是由于：

Dataworks可通过将代码在线写入DataWorks Python资源的方式，实现PySpark作业开发，并通过ODPS Spark节点提交运行该代码逻辑，开发过程较为简单。
而使用Java或Scala语言类型代码前，需先在本地开发好Spark on MaxCompute作业代码，再通过DataWorks上传为MaxCompute的资源。

步骤一、编写PySpark代码

在Dataworks业务流程中，右键点击MacCompute文件夹下的资源文件夹，选择新建资源，选择Python。
设置python脚本名称，以.py为后缀名，点击新建

编写PySpark代码（注意：代码中不能含有中文）

代码示例1：判断一个字符串是否可以转换为数字

注意，如果表/代码中含有中文，必须修改为utf8编码格式
默认编码是ascii，出现中文字符会报错


# -*- coding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf8')

# -*- coding: utf-8 -*-
# Spark2.x
import sys
from pyspark.sql import SparkSession

try:
    # for python 2
    reload(sys)
    sys.setdefaultencoding('utf8')
except:
    # python 3 not needed
    pass

if __name__ == '__main__':
    spark = SparkSession.builder\
        .appName("spark sql")\
        .config("spark.sql.broadcastTimeout", 20 * 60)\
        .config("spark.sql.crossJoin.enabled", True)\
        .config("odps.exec.dynamic.partition.mode", "nonstrict")\
        .config("spark.sql.catalogImplementation", "odps")\
        .getOrCreate()

def is_number(s):
    try:
        float(s)
        return True
    except ValueError:
        pass

    try:
        import unicodedata
        unicodedata.numeric(s)
        return True
    except (TypeError, ValueError):
        pass

    return False

print(is_number('foo'))
print(is_number('1'))
print(is_number('1.3'))
print(is_number('-1.37'))
print(is_number('1e3'))

代码示例2：建表、插入数据、读取数据

# -*- coding: utf-8 -*-
#Spark2.x
from pyspark.sql import SparkSession
if __name__ == '__main__':
    spark = SparkSession.builder.appName("spark sql").getOrCreate()
    spark.sql("DROP TABLE IF EXISTS spark_sql_test_table")
    spark.sql("CREATE TABLE spark_sql_test_table(name STRING, num BIGINT)")
    spark.sql("INSERT INTO spark_sql_test_table SELECT 'abc', 100000")
    spark.sql("SELECT * FROM spark_sql_test_table").show()
    spark.sql("SELECT COUNT(*) FROM spark_sql_test_table").show()

点击提交，保存并提交资源

步骤二、创建并配置ODPS Spark节点

右键点击文件夹，选择新建节点，选择新建ODPS Spark节点
输入ODPS Spark节点名称，点击确认
配置节点参数：选择Spark版本，选择Python语言，选择主python资源（步骤一的PySpark代码），添加配置项目；设置调度配置参数，点击提交，保存并提交节点