哈嘍大家好，我是了不起。

PySpark是一個非常復雜的系統，我們初次接觸就會感覺有很多的名詞或者簡稱，今天就帶大家看一下常見的類庫和名詞的解釋，也是方便大家統一收藏，方便后續查找，先了解單一名詞的解釋，有利于快速的理解整個PySpark的運行機制。

PySpark核心類

• pyspark.SparkContext: Spark 庫的主要入口點，它表示與Spark集群的一個連接，其他重要的對象都要依賴它.SparkContext存在于Driver中，是Spark功能的主要入口。代表著與Spark集群的連接，可以在集群上創建RDD，accumulators和廣播變量
• pyspark.RDD: 是Spark的主要數據抽象概念，是Spark庫中定義的一個抽象類。
• pyspark.streaming.StreamingContext 一個定義在Spark Streaming庫中定義的類, 每一個Spark Streaming 應用都必須創建這個類
• pyspark.streaming.DStrem：離散數據流，是Spark Streaming處理數據流的主要對象
• pyspark.sql.SparkSession: 是DataFrame和SQL函數的主要入口點。
• pyspark.sql.DataFrame: 是Spark SQL的主要抽象對象，若干行的分布式數據，每一行都要若干個有名字的列。跟R/Python中的DataFrame 相像,有著更豐富的優化。DataFrame可以有很多種方式進行構造，例如：結構化數據文件，Hive的table, 外部數據庫，RDD。
• pyspark.sql.Column DataFrame 的列表達.
• pyspark.sql.Row DataFrame的行數據

Spark的基本概念

Application由多個Job組成，Job由多個Stage組成，Stage由多個Task組成。Stage是作業調度的基本單位。

• RDD：是彈性分布式數據集（Resilient Distributed Dataset）的簡稱，是分布式內存的一個抽象概念，提供了一種高度受限的共享內存模型。
• DAG：是Directed Acyclic Graph（有向無環圖）的簡稱，反映RDD之間的依賴關系。
• Driver Program：控制程序，負責為Application構建DAG圖。
• Cluster Manager：集群資源管理中心，負責分配計算資源。
• Worker Node：工作節點，負責完成具體計算。
• Executor：是運行在工作節點（Worker Node）上的一個進程，負責運行Task，并為應用程序存儲數據。
• Application：用戶編寫的Spark應用程序，一個Application包含多個Job。
• Job：作業，一個Job包含多個RDD及作用于相應RDD上的各種操作。
• Stage：階段，是作業的基本調度單位，一個作業會分為多組任務，每組任務被稱為“階段”。
• Task：任務，運行在Executor上的工作單元，是Executor中的一個線程。

RDD操作的兩種類型

RDD的操作有兩種類型，即Transformation操作和Action操作。轉換操作是從已經存在的RDD創建一個新的RDD，而行動操作是在RDD上進行計算后返回結果到 Driver。

(1) Transformation操作：

用于對RDD的創建，還包括大量的操作方法，如map、filter、groupBy、join等，RDD利用這些操作生成新的RDD。

transformation都具有 Lazy 特性，即 Spark 不會立刻進行實際的計算，只會記錄執行的軌跡，只有觸發Action操作的時候，它才會根據 DAG 圖真正執行。

(2) action操作：

數據執行部分，通過執行count、reduce、collect等真正執行數據的計算。RDD的lazy模式，使得大部分前期工作都在transformation時已經完成。

PySpark - MLlib

Apache Spark提供了一個名為MLlib的機器學習API。PySpark也在Python中使用這個機器學習API。它支持不同類型的算法。

• mllib.classification - spark.mllib包支持二進制分類，多類分類和回歸分析的各種方法。分類中一些最流行的算法是Random Forest, Naive Bayes, Decision Tree等。
• mllib.clustering - 聚類是一種無監督的學習問題，您可以根據某些相似概念將實體的子集彼此分組。
• mllib.fpm - 頻繁模式匹配是挖掘頻繁項，項集，子序列或其他子結構，這些通常是分析大規模數據集的第一步。多年來，這一直是數據挖掘領域的一個活躍的研究課題。
• mllib.linalg - 線性代數的MLlib實用程序。
• mllib.recommendation - 協同過濾通常用于推薦系統。這些技術旨在填寫用戶項關聯矩陣的缺失條目。
• spark.mllib - 它目前支持基于模型的協同過濾，其中用戶和產品由一小組可用于預測缺失條目的潛在因素描述。spark.mllib使用交替最小二乘（ALS）算法來學習這些潛在因素。
• mllib.regression - 線性回歸屬于回歸算法族。回歸的目標是找到變量之間的關系和依賴關系。使用線性回歸模型和模型摘要的界面類似于邏輯回歸案例。

總結

今天給大家帶來的是PySpark常見類庫和名詞解釋，了解這些最基礎的名詞以后，我們看大段的相關資料就不會犯難了。