Spark2.x学习笔记：7、Spark应用程序设计

7、 Spark应用程序设计

7.1 基本流程

• 1.创建SparkContext对象

  • 每个Spark应用程序有且仅有一个SparkContext对象，封装了Spark执行环境信息

• 2.创建RDD

  • 可以冲Scala集合或者Hadoop数据集上创建

• 3.在RDD之上进行转换和Action

  • MapReduce只提供了map和reduce两种操作，而Spark提供了多种转换和action函数

• 4.返回结果

  • 保存到HDFS中，或者直接输出到终端

7.2 创建SparkContext对象

（1）创建SparkConf对象

val conf=new SparkConf()
conf.setAppName(appName)
conf.set(“spark.app.name”,”MySpark”)
conf.set(“spark.yarn.queue”,”infrastructure”)

不过，不建议这样设置参数。可以在提交Spark作业时，通过spark-submit –conf设置。
（2）创建SparkContext对象，封装了调度器等信息

val sc=new SparkContext(conf)

7.3 创建RDD

（1）Scala集合

sc.parallelize(List(1,2,3),2)

（2）本地文件/HDFS文件

• 1) 文本文件

sc.textFile(“file:///data/a.txt”)  //将本地文件加载成RDD
sc.textFile(“hdfs:///data/inpt”)
sc.textFile(“hdfs://nn:9000/path”)//HDFS文件或目录

以hdfs://开头的文件表示HDFS上的文件，以hdfs://开头的文件表示本地文件；
- 2) sequenceFile文件
处理图片、语音、视频等二进制文件

sc.sequenceFile(“file.mp3”)
sc.sequenceFile[String,Int](“hdfs://nn:9000/path”)

（3）使用任意自定义的Hadoop InputFormat

sc.hadoopFile(path,inputFmt,keyClass,valCLass)

7.4 在RDD之上进行转换和Action

• Transformation:将一个RDD通过一种规则，映射成另一种RDD；
• Action：返回结果或者保存结果，只有action才出发程序的执行。

（1）RDD transformation

//创建RDD
val listRdd =sc.parallelize(List(1,2,3),3)
//将RDD传入函数，生成新的RDD
val squares =listRdd.map(x=>x*x)//{1,4,9}
//对RDD中的元素进行过滤，生产新的RDD
val even=sequres.filter(_%2==0)//{4}
//将一个元素映射成多个，生成新的RDD
nums.flatMap(x=>1 to x)//{1,1,2,1,2,3}

注解：

• map:一一映射,元素数量不变
• filter:过滤，输出元素数量小于等于
• flatMap:展开，放大，输出元素数大于原来

（2）RDD Action

//创建新的RDD
val nums=sc.parallelize(List(1,2,3),2)

//将RDD保存为本地集合（返回到driver端）
nums.collect()   //Array(1,2,3)

//返回前k个元素
nums.take(2)//Array(1,2)

//计算集合大小
nums.count()//3

合并集合元素
nums.reduce(_+_)//6

//将RDD写到HDFS中,注意该输出目录不能存在，Hadoop自动创建
//输出文件数和patition数相同
nums.saveAsTextFile(“hdfs://nn:8020/output”)
nums.saveAsSequenceFile(“hdfs://nn:8020/output”)

7.5 Key/Value类型RDD操作

（1）KV型的RDD

Spark提供了强大的算子来处理KV型的RDD

Val pets=sc.parallelize(List((“cat”,1),(“dog”,1,(“cat”,2)) ))
pets.reduceByKey(_+_) //{(“cat”,3),(“dog”,1)}
pets.groupByKey() //{(“cat”,seq(1,2)),(dog,seq(1))}
pets.sortByKey()  //{(“cat”,1),(“cat”,2),(“dog”,1)}

（2）级联操作
由于Transformation返回都是RDD，所以可以将Transformation进行级联操作，
比如

val resultRdd = rowRdd.flatMap(line => line.split("\\s+"))
                      .map(word => (word, 1))
                      .reduceByKey(_ + _)

7.6 join

• def cogroup[W](other: RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))]
• def cogroup[W](other: RDD[(K, W)], numPartitions: Int): RDD[(K, (Iterable[V], Iterable[W]))]
• def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))]
• def join[W](other: RDD[(K, W)], numPartitions: Int): RDD[(K, (V, W))]

说明：
1）cogroup函数对两个RDD(如:(K,V)和(K,W))相同Key的元素先分别做聚合，最后返回(K,Iterator,Iterator)形式的RDD。numPartitions设置分区数，提高作业并行度。
2）join相当于SQL中的内关联join，只返回两个RDD根据K可以关联上的结果，join只能用于两个RDD之间的关联，如果要多个RDD关联，多关联几次即可。numPartitions设置分区数，提高作业并行度

package cn.hadron

import org.apache.spark._

object JoinDemo {
  def main(args: Array[String]) {
    val masterUrl = "local[1]"

    val sparkConf = new SparkConf().setMaster(masterUrl).setAppName("JoinDemo")
    val sc = new SparkContext(sparkConf)

    val visits=sc.parallelize(List(
      ("index.jsp","192.168.1.100"),("about.jsp","192.168.1.101"),("index.jsp","192.168.1.102")
    ))
    val pageNames=sc.parallelize(List(
      ("index.jsp","Home"),("about.jsp","About")
    ))
    val cogRdd=visits.cogroup(pageNames)
    cogRdd.take(2).foreach(println)
    println("--------------")
    val joinRdd=visits.join(pageNames)
    joinRdd.take(3).foreach(println)
  }
}

输出结果

(index.jsp,(CompactBuffer(192.168.1.100, 192.168.1.102),CompactBuffer(Home)))
(about.jsp,(CompactBuffer(192.168.1.101),CompactBuffer(About)))
--------------
(index.jsp,(192.168.1.100,Home))
(index.jsp,(192.168.1.102,Home))
(about.jsp,(192.168.1.101,About))

7.7 cache

（1）Spark RDD Cache允许将RDD缓存到内存中，以便重用
（2）Spark提供了多种缓存级别，以便用户根据实际需求进行调整
rdd.chache()等价于rdd.persist(StorageLevel.DISK_ONLY_2)
（3）实例分析

val rdd=sc.textFile("hdfs://master:8020/input")
rdd.chache()
rdd.fileter(_.startWith("error")).count
rdd.fileter(_.endWith("hadoop")).count
rdd.fileter(_.endWith("hbase")).count

上面代码使用cache后，从HDFS（磁盘）读取1次，之后从内存中读取3次
如果不使用chache，则上面代码从HDFS读取3次。

7.8 控制ReduceTask数目

所有Key/value型RDD操作符均包含一个整形可选参数，表示reduce task并发度。
比如：
def cogroup[W](other: RDD[(K, W)], numPartitions: Int): RDD[(K, (Iterable[V], Iterable[W]))]
def join[W](other: RDD[(K, W)], numPartitions: Int): RDD[(K, (V, W))]
用户也可以通过修改spark.default.parallelism设置默认并行度（默认并行度是最初RDD partition数目）

7.9 其他RDD操作符

• samaple():从数据集中采样
• union():合并多个RDD
• cartesian():求笛卡尔积
• pipe():传入一个外部程序