Spark学习笔记
本文章根据《Spark 快速大数据分析/ Learning Spark: Lightning-fast Data Anakysis》一书整理。这篇文章的主要目标和特点：简要、重点、完成后可用于开发
1、Spark是什么
Spark是一个用来实现快速而通用的集群计算的平台。其一个主要的特点就是能够在内存中进行计算，因此速度更快。原先需要多种不同的分布式平台的场景，包括批处理、迭代算法、交互式查询、流处理，Spark通过在一个统一的框架下支持这些不同的计算，实现有效的整合，减轻了原先对各种平台分别管理的负担。
Spark提供了基于Python,Java,Scala,SQL的简单易用的API，以及内建的丰富的程序库，其还可以与其他大数据工具密切配合使用，如Spark可以运行在Hadoop集群上。
Spark是一个大一统的软件栈，包含多个组件
Spark Core ：实现Spark的基本功能：任务调度、内存管理、错误恢复、与存储系统交互等。Core 还包含了对弹性分布式数据集RDD(resilient distributed dataset)的API定义。
RDD表示分布在多个计算机节点上可以并行操作的元素集合，是Spark的主要编程抽象。
spark SQL：操作结构化数据的程序包。通过 Spark SQL，可以使用SQL或者HQL来查询数据，Spark SQL支持多种数据源，如Hive表、Parquet、以及JSON等，其还支持将SQL与传统的RDD编程的数据操作方式相结合。
Spark Streaming：对实时数据进行流失计算的组件。流数据的定义：只能以事先规定好的顺序被读取一次的数据的一个序列，特点是以非常高的速率到来的输入数据。
MLib：提供常见的机器学习ML功能的程序库，提供了很多机器学习算法，包括分类，回归、聚类、协同过滤等。
GraphX：用来操作图（数学用语，比如朋友关系图）的程序库，可以进行并行的图计算，提供一些常用的图算法。
Spark设计为可以高效的在一个计算节点到数千个计算节点之间伸缩计算，Spark支持在各种集权管理器cluster manager上运行，包括Hadoop YARN，Apache Mesos，以及Spark自带的简易调度器——独立调度器。
Spark的存储层次：Spark不仅可以将任何Hadoop分布式文件系统上的文件读取为分布式数据集，也可以支持其他支持Hadoop接口的系统，如Hive，HBase，Spark支持任何实现了Hadoop接口的存储系统。
2、Spark开发环境搭建
使用spark，可以通过shell，也可以通过搭建开发环境，因个人开发需要，主要面向java搭建Spark开发环境。暂时略过。
开发Spark程序实际上就是通过调用Spark的API，实现Java程序与Spark环境之间的交互：
Java驱动程序将需要计算的数据通过parallelize方法，将数据传给Spark环境，转换为RDD；
驱动程序通过调用各种算子Api，实现Spark环境对数据的计算；
最后，Spark环境将计算结果返回给Java驱动程序；
搭建Spark环境后，先创建Spark的环境对象SparkContext，需要传入两个参数：
集群URL：告诉Spark如何连接到集群上，使用"local"可以使spark运行在单机单线程上而无需连接到集群。
应用名
SparkConf sparkConf = new SparkConf().setMaster("local").setAppName("My App");
JavaSparkContext sc = new JavaSparkContext(sparkConf);3、RDD编程
弹性分布式数据集RDD(Resilient Distributed Dataset)是Spark对数据的核心抽象，在Spark中，对数据的操作不外乎 创建RDD，转化已有的RDD，调用RDD操作进行求值。
Spark中的RDD是一个不可变的分布式对象集合，每个RDD都被分为多个区，这些分区运行在集群中的不同节点上。
创建RDD，可以读取外部数据集，也可以使用驱动器程序的对象集合。
RDD支持两种类型的操作：转化操作transformation和行动操作action。转化操作会由一个RDD生成一个新的RDD。
转化操作和行动操作的区别就在于Spark的计算RDD的方式不同，Spark对RDD是采用惰性计算的方式。只有第一次执行行动操作的时候，才会真正计算。
默认情况下，RDD会在每次对它们进行行动操作的时候重新计算，如果想多个行动操作中重用一个RDD，可使用RDD.persist()让Spark把这个RDD缓存下来。
在实际操作中，经常使用persist()把数据的一部分读取到内存中，并反复查询这部分数据，这样可以避免低效。
SparkConf sparkConf = new SparkConf().setMaster("local").setAppName("My App");
JavaSparkContext sc = new JavaSparkContext(sparkConf);
//创建RDD，读取外部文件
String path = "D://line_event.txt";
JavaRDD input = sc.textFile(path);
//持久化RDD
input.persist(new StorageLevel());
System.out.println(input.count());//6357
//转化操作,filter过滤
JavaRDD input_filter = input.filter(new Function(){
@Override
public Boolean call(String arg0) throws Exception {
return arg0.contains("\"4\"");
}
});
System.out.println(input_filter.count());//237
//行动操作
String first = input_filter.first();
System.out.println(first); 1. 创建RDD
两种方式：读取外部数据集、在驱动程序中对一个集合进行并行化。创建RDD最简单的方式就是把程序中一个已有的集合传给SparkContext的parallelize()方法，但需要注意，除开发原型和测试时，这种方式用的并不多，因为需要把真个数据集放在一台机器内存中。
JavaRDD input_par = sc.parallelize(Arrays.asList("pandas","spark","yuchen"));
System.out.println(input_par.count());//3 2.RDD操作
转化操作
返回新的RDD，转化操作是惰性求值的，只有行动操作用到这些RDD时才会被计算。另外，转化操作后，旧的RDD还可以继续使用。
目前接触到的转化操作有：
map 返回一个新的分布式数据集，将数据源的每一个元素传递给函数 func 映射组成。
filter 返回一个新的数据集，从数据源中选中一些元素通过函数 func 返回 true。
union 取两个RDD的合集。
JavaRDD union = input_filter.union(input_par);
System.out.println(union.count());//240 Spark会使用谱系图来记录这些不同的RDD之间的依赖关系。
虽然转化操作是惰性求值的，可以使用一次行动操作来强制执行转化操作。
行动操作
JavaRDD union = input_par.union(input_filter);
System.out.println(union.count());//240
List list = union.take(4);
System.out.println(list); 向Spark传递函数
Spark中的大部分转化操作和一部分行动操作，都需要依赖用户传递的函数来进行计算。Java中，函数需要是实现了function包中的任意函数接口的对象，根据不同的返回类型，定义了一些不同的接口：Function R call(T) 接收一个输入值，并返回一个输出值，用于类似map()和filter()方法
Function2 R call(T1, T2) 接收两个输入值并返回一个输出值，用于类似于aggregate()和fold()等操作
FlatMapFunction Iterable call(T) 接收一个输入值并返回任意个输出，用于类似flatMap() 可以通过匿名内部类，也可以使用具名类的方式
// 匿名类
JavaRDD input_filter = input.filter(new Function(){
@Override
public Boolean call(String arg0) throws Exception {
return arg0.contains("\"4\"");
}
});
System.out.println(input_filter.count());//237
//具名类
class Contains implements Function{
String filterStr;
public Contains(String str){
filterStr = str;
}
@Override
public Boolean call(String arg0) throws Exception {
return arg0.contains(filterStr);
}
}
JavaRDD filters = input.filter(new Contains("\"9\""));
System.out.println(filters.count());//637 RDD str = lines.filter(s -> s.contains("error")); 常见的转化操作和行动操作
先讲受任意数据类型的RDD支持的转化操作和行动操作转化操作
针对各个元素的转化操作
//map
JavaRDD nums = sc.parallelize(Arrays.asList(1,3,4));
JavaRDD nums_2 = nums.map(new Function(){
@Override
public Integer call(Integer x) {
return x*x;
}
});
System.out.println(nums_2.collect());//[1, 9, 16] //注意flatMap与map的区别
//flatMap 根据空格拆分
JavaRDD str = sc.parallelize(Arrays.asList("hello yuchen","hi","nice to meet you"));
JavaRDD str_split = str.flatMap(new FlatMapFunction() {
//注意使用FlatMapFunction时，call返回的是Iterator类型
@Override
public Iterator call(String arg0) throws Exception {
return Arrays.asList(arg0.split(" ")).iterator();
}
});
System.out.println(str_split.collect());//[hello, yuchen, hi, nice, to, meet, you]
//map 根据空格拆分
JavaRDD> str_map = str.map(new Function>(){
@Override
public List call(String arg0) throws Exception {
return Arrays.asList(arg0.split("\\s+"));
}
});
System.out.println(str_map.collect());//[[hello, yuchen], [hi], [nice, to, meet, you]] 伪集合操作
RDD支持很多集合操作，比如合并，相交等，下边讲四种操作。 JavaRDD nums = sc.parallelize(Arrays.asList(1,3,3,4));
//distinct
JavaRDD nums_dis = nums.distinct();
System.out.println(nums_dis.collect());//[4, 1, 3]
//sample
JavaRDD nums_sam = nums.sample(false, 0.5);
System.out.println(nums_sam.collect());//[3, 4]不确定，随机取值
JavaRDD nums2 = sc.parallelize(Arrays.asList(1,4, 6, 8));
//union
JavaRDD nums_union = nums.union(nums2);
System.out.println(nums_union.collect());//[1, 3, 3, 4, 1, 4, 6, 8]
//intersection
JavaRDD num_inter = nums.intersection(nums2);
System.out.println(num_inter.collect());//[4, 1]
//subtract
JavaRDD num_sub = nums.subtract(nums2);
System.out.println(num_sub.collect());//[3, 3]
//cartesian笛卡尔积
JavaPairRDD num_carte = nums.cartesian(nums2);
System.out.println(num_carte.collect());
//[(1,1), (1,4), (1,6), (1,8), (3,1), (3,4), (3,6), (3,8), (3,1), (3,4), (3,6), (3,8), (4,1), (4,4), (4,6), (4,8)] 行动操作
JavaRDD nums_1 = jsc.parallelize(Arrays.asList(1,3,5,6));
//reduce
Integer sum =nums_1.reduce(new Function2() {
@Override
public Integer call(Integer arg0, Integer arg1) throws Exception {
return arg0+arg1;
}
});
/**
* 1: 1+3;
* 2: 4+5;
* 3: 9+6;
* 结果15
*/
System.out.println(sum);
JavaRDD nums_2 = jsc.parallelize(Arrays.asList(1,5,7,9));
//fold 与reduce操作类似，可以提供一个计算中使用到的初始值，初始值可以不使用，等同于reduce
Integer sum2 = nums_2.fold(10, new Function2() {
@Override
public Integer call(Integer arg0, Integer arg1) throws Exception {
return arg0+arg1;
}
});
/**
* fold的计算过程：
* 1: 10+1;
* 2: 11+5;
* 3: 16+7;
* 4: 23+9;
* 5: 10+32
* 结果42
*/
System.out.println(sum2); JavaRDD nums_2 = jsc.parallelize(Arrays.asList(1,5,7,9));
Function2 add = new Function2() {
@Override
public Double call(Double arg0, Integer arg1) throws Exception {
return arg0+arg1;
}
};
Function2 combin = new Function2() {
@Override
public Double call(Double arg0, Double arg1) throws Exception {
return arg0+arg1;
}
};
double res = nums_2.aggregate(10.0, add, combin);
System.out.println(res); JavaRDD nums_2 = jsc.parallelize(Arrays.asList(1,5,7,9));
class AvgCount implements Serializable{
public int total;
public int num;
public AvgCount(int total,int num){
this.total = total;
this.num = num;
}
public double avg(){
return total/(double)num;
}
}
AvgCount initial = new AvgCount(0, 0);
Function2 addAndCount =
new Function2() {
@Override
public AvgCount call(AvgCount arg0, Integer arg1)
throws Exception {
arg0.total+=arg1;
arg0.num++;
return arg0;
}
};
Function2 combine=
new Function2(){
@Override
public AvgCount call(AvgCount arg0, AvgCount arg1)
throws Exception {
arg0.total+=arg1.total;
arg0.num+=arg1.num;
return arg0;
}
};
AvgCount result = nums_2.aggregate(initial, addAndCount, combine);
/**
* 1. initial 在addAndCount中与 RDD的元素进行计算，返回初始值类型的结果res1
* 所以Function2 addAndCount;
* 2. initial 与在addAndCount中返回的结果res1进行计算，返回初始值类型的结果res2
* 所以Function2 combine;
* 可以看出aggregate的返回结果可以与RDD元素的类型不同
*/
System.out.println(result.avg()); JavaRDD nums_1 = jsc.parallelize(Arrays.asList(2,1,3,5,6,4,10,1,-2));
//take
List list_take = nums_1.take(3);
System.out.println(list_take);//[2, 1, 3]集群下，原则是尝试只访问尽量少的分区
//top 默认
List list_top_def = nums_1.top(3);
System.out.println(list_top_def);//[10, 6, 5]默认是按照降序
//top 指定比较函数
class SortASC implements Comparator , Serializable{//java.util.Comparator
@Override
public int compare(Integer o1, Integer o2) {
return o1 list_top_asc = nums_1.top(3, new SortASC());
System.out.println(list_top_asc);//[-2, 1, 1] //foreach
nums_1.foreach(new VoidFunction() {
@Override
public void call(Integer arg0) throws Exception {
System.out.println(arg0);
}
}); System.out.println(nums_1.count());
System.out.println(nums_1.countByValue());//返回Map 值：计数
//{5=1, 10=1, 1=2, 6=1, 2=1, 3=1, 4=1, -2=1}
jsc.stop();