【Java后端同学入门Spark编程】RDD基本操作

最近由于工作任务，需要掌握大数据技术栈的相关知识，于是开始了入门大数据的漫漫之路。

相比传统Java后端的技术栈来说，大数据关注的技术点可以说是另一套内容，但同时本质上又殊途同归，Hadoop是用Java实现的，Spark虽然是用Scala实现，但Scala本身也是跑在JVM上，所以对于Java同学还是有一定的友好度的。

相对于技术部分，个人觉得更多的不同点在于业务的设计部分，这一部分才是真的处于零基础入门阶段，对于数据分析模型的建立，还是和建立业务模型有区别的，这一部分只能逐渐摸索前进了。

在这里把我的学习之路做一个总结，希望对Java后端，同时想了解大数据的同学有些帮助。

【一】环境

由于时间紧任务重，对于环境搭建这种耗时，又容易踩坑的事情还是要尽量避免，这一阶段的目标是能写出代码，毕竟还要同时入门Scala，所以其他步骤我选择尽量简化，我选取了Docker镜像的方式来部署环境，这个时候才觉得，Docker就是懒人福音呐~

这是一个在镜像仓库找到的可用的镜像，拉取下来就可以直接实验了~

镜像地址：hub.c.163.com/liweigu/spark

拉取镜像，创建容器之后，执行"docker exec -it spark /bin/sh"进入容器

启动文件在 /soft/spark-2.1.1-bin-hadoop2.7/bin

【二】基本概念

【1】RDD、DAG

简介

它是Spark编程的核心，Spark API 的所有操作都是基于 RDD 的，你要牢牢记住它，这将是你在coding过程中一直打交道的兄弟。

RDD较为官方的解释，是弹性分布式数据集，分布式对象集合，本质上提供了一种高度受限的共享内存模型，即RDD是只读的记录分区的集合，不能直接修改，如果想要修改，只能创建新的RDD。

这样设计的目的：减少网络及磁盘 IO 开销

DAG则是反应各个RDD间的依赖关系

RDD特性

1. 容错性 - 血缘关系：血缘关系、重新计算丢失分区、无需回滚系统、重
   算过程在不同节点之间并行、只记录粗粒度的操作
2. 避免磁盘读写：中间结果持久化到内存
3. 避免序列化和反序列化：可存放Java对象

一次典型的RDD执行过程

1. RDD读入外部数据源进行创建
2. RDD经过一系列的转换（Transformation）操作，每一次都会产生不同的
   RDD，供给下一个转换操作使用
3. 最后一个RDD经过“动作”操作进行转换，并输出到外部数据源，这一系列处理称为一个Lineage（血缘关系），即DAG拓扑排序的结果

RDD总结

1. 由一系列partition组成，partition分布在不同的节点上
2. 存在一系列的依赖关系
3. 函数是作用在每一个partition（split）上的
4. 分区器是作用在K,V格式的RDD上
5. 提供一系列最佳的计算位置

【2】Job、Stage、Task

Job是多个RDD和应用在RDD上的各种操作。

Stage是Job的基本调度单位，通过Shuffle划分。

Task是实际执行的最小单元，一个Task对应一个线程。

三者关系

一个Job对应多个Stage，每个Stage是一组Task，这一组Task是一组存在关联，但相互间没有Shuffle依赖关系的组合。

【三】基本操作

这部分是最终要落在代码上的知识，毕竟作为一门实践学科，还是先用起来比较重要。操作分为四种类型，分别是创建，转换，控制和行动操作。这里分别介绍几个较为常用的算子。

【1】创建

1. 并行化集合创建

   val distData = sc.parallelize(Array(1,2,3,4))
   

2. 外部存储创建：Spark支持将Hadoop支持的资源转化成RDD。

【2】转换

转换操作是延迟执行的

• 对单条Record的转换操作

  1. filter(func):

     sc.parallelize(Array(1,2,3,4)).filter(_> 1).collect()
     res1: Array[Int] = Array(2, 3, 4)
     

  2. map(func)：每个元素执行func，输入：输出=1:1

     sc.parallelize(Array(1,2,3,4)).map(x=>x+1).collect()
     res2: Array[Int] = Array(2, 3, 4, 5)
     

  3. flatMap(func)：与map()相似，但输入：输出=1：N

     sc.parallelize(Array(1,2,3,4)).flatMap(x=> Array(x+1,x+10)).collect()
     res5: Array[Int] = Array(2, 11, 3, 12, 4, 13, 5, 14)
     

• 对分区shuffle的转换操作

  1. reduceByKey()：按key聚合，返回新的(K, Iterable)

     sc.parallelize(Array( "a" -> 1,"a" ->2,"a" ->3, "b" -> 4)).reduceByKey((x,y)=> x+y).collect()
     res1: Array[(String, Int)] = Array((a,6), (b,4))
     

  2. groupByKey()：针对(K, V)类型，返回(K, Iterable)类型的数据集

     sc.parallelize(Array( "a" -> 1,"a" ->2, "b" -> 3))
     res2: Array[(String, Iterable[Int])] = Array((a,CompactBuffer(1, 2)), (b,CompactBuffer(3)))
     

  3. join：针对（K,V）类型，连接的依据是Key值

  4. union:两个RDD合并

  5. mapPartitions()

     sc.parallelize(Array(1,2,3,4)).mapPartitions(x=> x.map(_+1)).collect()
     res1: Array[Int] = Array(2, 3, 4, 5) 
     

【3】控制

控制操作也可以理解为持久化，这主要是为了避免多次计算同一个RDD，默认情况下会把数据以序列化的形式缓存在JVM 的堆空间,主要包括下面三个方法。

1. cache()
2. persist()
3. checkpoint()

【4】 行动

1. count()：返回元素个数
2. take(n)：前n个元素，以数组形式返回
3. first()：返回第一个元素
4. foreach(func)：集合中每个元素执行func
5. collect()：拉取rdd中所有数据到driver节点，转换成一个数组，如果数据量过大，会造成driver的OOM

【四】Spark SQL

Spark SQL的定位是处理结构化数据的Spark组件，所以增加了SchemaRDD，数据既可以来自RDD，也可以是Hive、HDFS、Cassandra等外部数据源，还可以是JSON格式的数据。

所谓的结构化数据，在Spark中被称为DataFrame，相比于RDD，有如下的优势：

1. 精简代码
2. 提升执行效率 - 重用对象
3. 减少数据读取

从常规RDD，转化为DataFrame，有如下两种方式，一般情况下，我们采用第二种方式创建。

1. Case Class方式: 利用反射推断Schema
2. createDataFrame方式：
   1. 从源RDD创建rowRDD
   2. 创建于源RDD匹配的Schema
   3. 通过createDataFrame应用到rowRDD

在业务开发的过程中，使用Spark SQL的确可以降低开发难度，采用类似SQL语句的形式对数据进行处理，也可以继续使用RDD转换算子，对结果进行进一步处理。