spark07

spark07

spark运行原理：

RDD Object

driver提交代码，spark-submit运行main方法。但是没有真正执行，初始化driver端得组件DAGScheduler  TaskScheduler  SchedulerBackEnd.saveAsTextFile出发，DAGScheduler提交任务，解析代码生DAG有向无环图，真正得遇见action算子。

DAGScheduler进行DAG图的切分stage，从最后一个rdd入手，先前推进，看看dependency得依赖关系，如果是窄依赖则将本阶段rdd得数量加一，如果是shuffle算子那么将阶段加一，得到所有得阶段后，匹配阶段得类型，如果是shuffleMapStage就创建一个TaskSet装入得都是ShuffleMapTask,这个阶段得最后一个rdd得分区数量就是Task任务得数量，这个阶段完毕后，获得得时候一个Seq[TaskSet],将这个任务提交给TaskScheduler

TaskScheduler是接口，和executor进行交互，心跳机制，其实TaskScheduler就是driver

和Executor通信得组件，找到SchedulerBackEnd这个组件通信

CoarseGrainedExecutorBackEnd   local  实现类进行任务得提交通信，将每一个task任务进行序列化，executor拿到任务以后要用到一个线程池进行运行，这个线程池没有能力运行一个普通的类，将task任务进行包装，组成一个taskRunner,放入到executor中进行执行。

调用taskRunner中的run方法执行代码逻辑，每个task中的runTask方法执行逻辑

 

spark的高级特性（持久化）

rdd1-rdd2-rdd3 ..... rdd20 ----消费记录分析  /  快递情况分析

持久化（缓存）他的意义在于频繁使用的rdd进行存储，不需要再次重新计算

 

 

 

缓存数据，cache()方法 == persist，将rdd缓存起来，下次使用的时候可以直接从缓存中读取数据

rdd.cache = rdd.persist() == rdd.persist(Memory_Only)

rdd.persist(StorageLevel.xxxx)

 

 

默认提供了12种存储级别

通过构造器和构造器种的值不一样，产生了12种级别

 

 

 

userDisk?是不是使用磁盘

userMemory?是不是使用内存

userOffHeap?是不是使用堆外内存

deserialized？是不是不序列化

replication?缓存rdd的时候缓存几个备份数

 

使用方式rdd.persist  rdd.cache()  rdd.persisit(StorageLevel.xxxx)但是不能自定义存储方式，因为构造器是私有化的不能重载

 

 

 

rdd.cache是一个懒加载形式，不遇见action算子不会执行，缓存的数据在监控页面种可以查看，能够分别查看每个分区数据的大小和存储的位置

缓存的数据分别存储到不同的executor种，每个executor种存在一个blockManager的工具管理本地缓存数据

 

 

 

 

 

缓存种的数据量远远大于实际数据量？

因为是rdd的数据

 

缓存的rdd变成了绿色

 

 

 

数据流向不会发生任何改变，读取数据直接从缓存种读取，不是从dhfs种读取，前面的过程直接跳过，但是流程还要走一遍

 

去除缓存的方式

rdd.unpersit

如果当前应用停止，则executor进程消失，那么缓存的数据也消失

 

总结：

1. 常用的算子cache() persist() 也就是仅仅使用内存的方式比较常用
2. 持久化的算子是懒加载的，必须使用行动类算子进行执行才能缓存
3. 持久化算子在使用的时候依赖关系不会发生任何改变，但是计算过的内容不会重新计算
4. 如果使用仅内存的方式，可能只缓存一部分的数据

 

以上的缓存只是针对于一个应用的，如果 应用停止，则缓存数据消失

checkPoint持久化数据（跨应用的）

 

缓存数据的时候是将数据放入到hdfs中，所以必须设定存储的文件目录

 

存储的时候有几个分区就会存储几份数据，这些数据的目录

/rddCkpt/54c48611-7771-45d4-9ad0-f3ad427c6858/rdd-6

这个目录的路径和应用的id还有rdd有关，是绑定关系

 

在checkpoint缓存的算子上继续执行任务的时候，这个依赖关系发生了改变，任务的开头从checkpoint开始。

 

rdd.checkpoint

rdd.collect

在使用checkpoint进行rdd缓存的时候，一个action算子产生了两个任务

 

 

 

在使用checkpoint的时候，是将数据存储到hdfs中，collect算子在执行的时候，自己会生成一个job。还会产生一个job专门来处理checkpoint将数据放入到hdfs中

 

1. 如果使用checkpoint就可以跨应用使用了
2. 如果执行checkpoint会产生两个应用

scala> sc.textFile("hdfs://master:9000/aaa.txt") res23: org.apache.spark.rdd.RDD[String] = hdfs://master:9000/aaa.txt MapPartitionsRDD[20] at textFile at :25   scala> res23.cache() res24: res23.type = hdfs://master:9000/aaa.txt MapPartitionsRDD[20] at textFile at :25   scala> res23.checkpoint   scala> res23.collect res26: Array[String] = Array(hello tom, hello jerry, hello rose, hello jack, jack rose)

在做checkpoint的时候可以先将这个rdd进行cache缓存，在执行checkpoint的时候可以从缓存中读取数据

 

以上的缓存都要使用内存，这个内存是spark集群中的内存

spark集群中的内存管理方案

object IpTest {   def main(args: Array[String]): Unit = {     val conf = new SparkConf()     conf.setMaster("local")     conf.setAppName("ip")     val sc = new SparkContext(conf)     val iprdd = sc.textFile("ip.txt")     val accessrdd = sc.textFile("access.log")     val iprdd1:RDD[(Long,Long,String)] = iprdd.map(t=>{       val strs = t.split("\\|")       (strs(2).toLong,strs(3).toLong,strs(6))       //lowIp  upIp  province     })     val accRDD:RDD[Long] = accessrdd.map(t=>{       val strIp = t.split("\\|")(1)       //StringIp       ip2Long(strIp)     })     val iparr:Array[(Long,Long,String)] = iprdd1.collect()     //因为嵌套是产生了笛卡儿积，所以不能使用嵌套关系     //取一条数据去整个规则库中查询出来归属地     //二分法     val proRDD = accRDD.map(t=>{       val province = binarySeach(t,iparr)       (province,1)     })     val result = proRDD.reduceByKey(_+_)     result.foreach(println)     result.foreach(t=>{       val connection  = DriverManager.getConnection("jdbc:mysql://master:3306/spark?characterEncoding=utf-8","root","123456")       val pap = connection.prepareStatement("create table if not exists visit_log(id int auto_increment,name varchar(20),count int,primary key(id)) charset=utf8")       pap.execute()       pap.close()       val statement = connection.prepareStatement("insert into visit_log(name,count)values(?,?)")       statement.setString(1,t._1)       statement.setInt(2,t._2)       statement.execute()       statement.close()       connection.close()     }) //    val result = accRDD.map(t=>{ //      val rdd =  iprdd1.filter(e=>{ //         e._1<= t && t<=e._2 //       }) //      rdd.collect()(0) //    }) //    result.foreach(println)   }   def binarySeach(ip:Long,ipArr:Array[(Long,Long,String)]):String={     var start = 0     var end = ipArr.length-1     while(start<=end){        val middel = (start+end)/2        if(ipArr(middel)._1<=ip && ip<=ipArr(middel)._2){           return ipArr(middel)._3        }       if(ipArr(middel)._1 > ip){         end = middel-1       }       if(ipArr(middel)._2        start = middel+1       }     }     "unknow"   }   def ip2Long(ip: String): Long = {     val fragments = ip.split("[.]")     var ipNum = 0L     for (i <- 0 until fragments.length){       ipNum = fragments(i).toLong | ipNum << 8L     }     ipNum   } }