从零爬着学spark

为啥叫爬着学

在此之前，我连spark是什么都不清楚，在看完《Spark快速大数据分析》（Learning Spark:Lighting-fast Data Analysis -by Holden Karau）之后，大致了解了spark的功能和组成。这篇blog应该算是这本《Spark》的读书笔记了吧。

前两章

讲了讲spark的功能，主要组成，历史，如何安装，如何初步运行，虽然万事开头难，但这部分纯属娱乐，难的马上就要开始了。

第三章 RDD扫盲

这里就开始接触了spark里最重要的一个概念：弹性分布式数据（Resilient Distributed Dataset 简称RDD）。貌似就是个数据集，里面有好多相同的元素，spark就通过某些方法对这个数据集里的元素进行分布式的操作。

1. RDD相关操作
   有两种操作，一个是转化操作，一个是行动操作。区别两个主要看最后出来的结果是个RDD还是别的什么。并且，转化操作并不实际执行（书中叫惰性求值），只有当执行行动操作的时候才实际执行。
   
   • map()
     这个方法主要是操作RDD中的每个元素。比如可以让所有的元素的值+1之类的。还有个flatMap(),从字面理解是把每个元素拍扁（flat有扁平的意思），书中的例子是把所有句子里的单词全部拆分。
   • filter()
     过滤器吧，对RDD进行相应的过滤，比如去除不符合某种条件的元素。
   • 集合操作
     RDD作为元素集合，可以union(所有元素),intersection(交集),subtract(去除内容),cartesian(笛卡尔积)。
   • 其他
     还有什么去重distinct(),采样sample()这类的没用过也不知道是干啥的。
   • reduce()
     这是行动操作，它接收一个函数作为参数，这个函数要操作两个相同元素类型的RDD数据并返回一个同样类型的新元素。据说可以用来累加RDD，不过怎么加的没太搞懂。另外还有fold(),aggregate()之类的，和这个差不多，也没太搞懂。
   • collect()
     这个操作可以获得RDD，通过这个方法可以获得惰性执行的RDD。

2.缓存
可以通过persist(缓存等级)把RDD缓存到内存或者磁盘之类的地方。

第四章 键值对RDD

1. 各种操作
   
   • RDD所有操作
     这里支持对于RDD的所有操作，只是注意传入的函数要操作二元组而不是单个元素
   • reduceByKey()
     聚合函数，按照key来进行聚合。和combineByKey()什么的差不多。
   • groupByKey()：利用RDD的键分组RDD中的元素。
   • 连接：join(),leftOuterJoin(),rightOuterJoin()
   • 数据排序：sortByKey()
   • countByKey()：对每个键对应的元素分别计数
   • collectAsMap()：将结果以映射表的形式返回，以便查询
2. 数据分区
   这是啥？

第五章 存取数据

就是存取各种格式的文件，包括文本文件，JSON，CSV，TSV，SequenceFile(由没有相对关系结构的键值对文件组成的常用Hadoop格式)，其他的Hadoop输入输出格式。还能进行文件压缩。（是的我为什么不放点代码上来呢，因为我^tm根本不会scala好吧（伟笑））。
- 文件系统包括本地常规文件系统，Amazon S3,HDFS(Hadoop分布式文件系统)等等。
- Spark SQL（后面专门讲）

第六章 进阶

1. 共享变量

   • 累加器
     累加器可以将工作节点中的值聚合到驱动器程序中，比如可以把文本中所有的空行累加统计出来。
   • 广播变量
     即只用向各个节点发送一次，任务就可以通过Broadcast对象调用value来获取该对象的值。如果比较大，可以选择序列化的方式发送。

2. 基于分区的操作
   Spark提供基于分区的map和foreach操作，让你的部分代码只对RDD的每个分区运行一次，这样可以帮助降低这些操作的代价。这里好像有个mapPartitions()函数。

3. 外部程序管道pipe()
   这个就是能把你的数据通过管道整到外边去，用别的语言来处理你的数据。

4. 数值RDD操作
   提供像count(),mean(),sum()之类的方法对数值RDD进行统计。

第七章 集群运行Spark

有个运行架构，就是下面这个图

而在集群上运行Spark应用的过程就是
1）用户通过spark-submit脚本提交应用
2）spark-submit脚本启动驱动器程序，调用用户定义的main()方法。
3）驱动器程序与集群管理器通信，申请资源以启动执行器节点
4）集群管理器为驱动器程序启动执行器节点
5）驱动器进程执行用户应用中的操作。根据程序中所定义的对RDD的转化操作和行动操作，驱动器节点把工作以任务的形式发送到执行器进程。
6）任务在执行器程序中进行计算并保存结果
7）如果驱动程序的main()方法退出，驱动器程序会终止执行器进程，并且通过集群管理器释放资源

• 打包代码与依赖
  可以利用Maven（用于java工程）或者sbt（用于scala工程）把多个依赖打包成一个超级jar包。如果有依赖冲突，就改个名，叫“shading”。
• 集群管理器
  有好多种，spark自带的独立集群管理器（最简单），Hadoop YARN（使用其他应用或者要用到更丰富的资源调度功能），Apache Mesos（比YARN细粒度），Amazon EC2什么的，各有特点。

第八章 Spark优化与调试

1. 使用SparkConf来配置Spark
   有很多选项可以设置诸如每个执行器的内存，使用的核心个数之类的设置。
2. Spark的作业，任务和步骤
   这里有点混，下次再看看。
3. 查找信息
   利用4040端口可以在网页上访问spark的用户界面，不过为啥我的1.6.0不行呢。
4. 关键性能
   并行度（是用多少个核心的意思？），序列化格式，内存管理，硬件供给。

第九章 Spark SQL

这是spark的一个组件，通过这个可以从各种结构化数据源（ JSON，Hive,Parquet）中读取数据，还可以连接外部数据库。提供了特殊的RDD叫做DataFrame（旧版本叫SchemaRDD）。还能在别的应用中使用spark SQL。还能连接JDBC服务器，但是不太明白连接JDBC搞毛啊，JDBC不是JAVA连接数据库才用的吗？这意思是通过JDBC来访问SQL数据库吗？还允许自定义数据库的函数，和SQL差不多。最后还能调节Spark SQLd 的性能选项。

第十章 Spark Streaming

这个就是流处理数据，把一段时间内的数据弄成一个RDD，整个合起来叫DStream。
1. 转化操作
包括无状态转化和有状态转化，无状态转化就是类似map(),filter()等的，对DStream里的每个RDD进行操作的，有状态的就是当前的计算需要之前的几个RDD，这里用的是

• 滑动窗口
• UpdateStateByKey()

2.输入输出
输出比较简单，用某些方法就可以写成文本或者流文件。
输入则可以通过文件，或者附加数据源（Apache Kafka,Apache Flume,自定义输入源）

3.检查点
检查点机制则可以控制需要在转化图中回溯多远。不过检查点是用在驱动器程序容错的。而工作节点容错则是备份数据。

4.性能考量
性能问题主要有批次和窗口大小，并行度，垃圾回收和内存使用。

第十一章 基于MLlib机器学习

这里有MLlib是spark的一个相关软件，里面有好多好多的机器学习算法什么的，看起来挺好用的。

好了，你见过没有一段代码的学习笔记吗，原谅我的小白吧，毕竟我还是爬行阶段，下一步要开始学spark的源语言scala了，学完之后再看spark肯定又是另一种感觉吧。

PS：当然还留了一些看起来好重点的知识点没看懂，等着明天好好研究研究之后再专门写一篇。