Spark基础和RDD

spark

1. Spark的四大特性

1. 速度快

• spark比mapreduce快的两个原因

  • 1. 基于内存

  1. mapreduce任务后期在计算的是时候，每一个job的输出结果都会落地到磁盘，后续有其他的job要依赖于前面job的输出结果，这个时候就需要进行大量的磁盘io操作，性能较低
  
  2. spark任务后期在进行计算的时候，job的结果是可以保存在内存中的，后面有其他的job需要以言语前面job的输出结果，这个时候可以直接从内存中读取，避免了磁盘io操作，性能比较高
  
  spark程序和mapreduce程序都会产生shuffle阶段，在shuffle阶段中他们产生的数据都会保留在磁盘中

  • 1. 进程与线程

    1 mapreduce任务以进程的方式运行在yarn集群中，比如说有100个mapTask，一个task就需要一个进程，这些task要运行就需要开启100个进程
  
    2 spark任务以线程的方式运行在进程中,比如说有100个task，则一个task就对应一个线程

  1. 易用性
  2. 可以用java、scala、python、R等不同的语言来快速编写spark程序
  3. 通用性
  4. 兼容性
     1. spark程序有多种运行模式
        • standAlone
          • spark自带的独立运行模式，整个任务的资源分配由spark集群的的Master来负责
        • yarn
          • 可以把spark程序提交到yarn上运行，整个任务的资源分配由yarn中的ResourceManager负责
        • mesos
          • apache开源的一个类似于yarn的资源调度平台

2. spark集群架构

​

• Driver
  • 他会执行客户端写好的main方法，构建一个SparkContext对象（该对象是所有spark程序的执行入口）
• Application
  • 是一个spark的应用程序，包含了客户端的代码和任务运行的资源信息
• ClusterManager
  • 给程序提供计算资源的外部服务
    • standAlone
      • spark自带的集群模式，整个任务的资源分配由spark集群的Master负责
    • yarn
      • 把spark程序提交到yarn中运行，整个任务的资源分配由yarn中的ResourceManager负责
    • mesos
      • apache开源的一个类似于yarn的资源调度平台
• Master
  • Spark集群的主节点，负责任务资源的分配
• Worker
  • Spark集群的从节点，负责任务计算的节点
• Executor
  • 是一个在worker节点启动的进程
• Task
  • spark任务的以task线程的方式运行在worker节点的executor进程中的

3. RDD是什么

• RDD （Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的抽象单位。它代表的是是一个不可变的、可分区的、里面元素可以并行计算的数据集合。
  • Resilient 弹性的，表示RDD中的数据既可以保存在磁盘上也能保存在内存中
  • Distibuted 分布式的，表示RDD的数据是分布式存储的，方便后期的各种计算
  • Dataset 一个数据集合，可以存储很多数据

4. RDD的五大属性

• A list of partitions
  • 一个分区列表，数据集的基本组成单位
    • 这里表示的是一个RDD可能会有多个分区，每个分区会存储该RDD的一部分数据，Spark中任务是以task线程的方式运行的，一个分区就对应一个task
• A function of computing each split
  • 一个用来计算每个分区的函数
    • Spark中RDD的计算是以分区为单位的

• A list of dependencies on other RDDs

  • 一个RDD会依赖于其他多个RDD

    这里是说RDD和RDD之间是有依赖关系的，spark任务的容错机制就是根据这个特性（血统）而来

• Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)

  • 一个Patitioner，即RDD的分区函数(可选项)

        spark中实现了两种类型的分区函数
        1 基于哈希的HashPartitioner，（key.hashcode % 分区数 = 分区号）
        2 基于范围的RangePartitioner
    
        只有对于key-value的RDD，并且产生shuffle，才会有Partitioner
        非key-value的RDD的Partitioner的值是None

• Optionally, a list of preferred locations to compute each split in (e.g. block locations for an HDFS file)

  • 一个列表，存储每个Partition的优先位置（可选项）

    spark任务在调度的时候会优先考虑存有数据的节点开启计算任务，以减少数据的网络传输，提成计算效率

5. RDD算子分类

• transformation（转换）
  • 根据已经存在的RDD转换生成另外一个新的RDD，它是延迟加载，不会立即执行
  • 如
    • map、flatMap、reduceByKey
• action（动作）
  • 会触发任务的运行
    • 将RDD计算的结果数据返回给Driver端，或者保存到外部存储介质（磁盘、内存、HDFS）
  • 如
    • collect、saveAsTextFile

6. RDD常见的算子操作

6.1 transformation算子

转换	含义
map(func)	返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成
filter(func)	返回一个新的RDD，该函数由经过func函数计算并且返回值为true的输入元素组成
flatMap(func)	类似于map，但每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一的元素）
mapPartitions(func)	类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]
mapPartitionsWithIndex(func)	类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]
union(otherDataset)	对源RDD和参数RDD求并集，并返回一个新的RDD
intersection(otherDataset)	对源RDD和参数RDD求交集，并返回一个新的RDD
distinct([numTasks]))	对源RDD进行去重之后返回一个新的RDD
groupByKey([numTasks])	在一个(k,v)类型的RDD上调用，返回一个(k,v)的RDD
reduceByKey(func, [numTasks])	在一个(k,v)类型的RDD上调用，返回一个(k,v)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，与groupByKey类似，reduce任务的个数可以通过第二个参数来设置
sortByKey([ascending], [numTasks])	在一个(k,v)的RDD上调用，k必须实现Ordered接口，返回一个按照key进行排序的(k,v)RDD
sortBy(func,[ascending], [numTasks])	与sortByKey类似，但是更灵活，可以自定义排序func
join(otherDataset, [numTasks])	在类型为(k,v)和(k,w)的RDD上调用，返回一个相同 key对应的所有元素对在一起的(k,(v,w))的RDD
cogroup(otherDataset, [numTasks])	在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable ,Iterable ))类型的RDD
coalesce(numPartitions)	减少RDD的分区数到指定值
repartition(numPartitions)	重新给RDD分区
repartitionAndSortWithinPartitions(partitioner)	重新给RDD分区，并且每个分区内以记录的key排序

6.2 action算子

动作	含义
reduce(func)	reduce将RDD中元素前两个传给输入函数，产生一个新的return值，新产生的return值与RDD中下一个元素（第三个元素）组成两个元素，再被传给输入函数，直到最后只有一个值为止。
collect()	在驱动程序中，以数组的形式返回数据集的所有元素
count()	返回RDD的元素个数
first()	返回RDD的第一个元素（类似于take(1)）
take(n)	返回一个由数据集的前n个元素组成的数组
takeOrdered(n, [ordering])	返回自然顺序或者自定义顺序的前 n 个元素
saveAsTextFile(path)	将数据集中的元素以textFile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本
saveAsSequenceFile(path)	将数据集中的元素以Hadoop sequenceFile的格式保存到指定的目录，可以是HDFS或者其他Hadoop支持的文件系统
saveAsObjectFile(path)	将数据集的元素以Java序列化的方式保存到指定的目录下
countByKey()	针对(k,v)类型的RDD，返回一个(k,int)的map，表示每一个key对应的元素个数
foreach(func)	在数据集上每个元素上，运行函数func
foreachPartition(func)	在数据集的每个分区上，运行函数func