疯狂Spark之SparkCore入门

什么是Spark

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

Spark是Scala编写，方便快速编程。

 

Spark与MapReduce的区别

都是分布式计算框架，Spark基于内存，MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上，Spark中除了基于内存计算外，还有DAG有向无环图来切分任务的执行先后顺序。

 

Spark运行模式

Local

多用于本地测试，如在eclipse，idea中写程序测试等。

Standalone

Standalone是Spark自带的一个资源调度框架，它支持完全分布式。

Yarn

Hadoop生态圈里面的一个资源调度框架，Spark也是可以基于Yarn来计算的。

要基于Yarn来进行资源调度，必须实现AppalicationMaster接口，Spark 实现了这个接口，所以可以基于Yarn。

Mesos

资源调度框架。

 

SparkCore

RDD概念

RDD(Resilient Distributed Dateset)，弹性分布式数据集。

 

RDD的五大特性

1、RDD是由一系列的partition组成的。(partition个数与HDFS中block个数对应）

2、函数是作用在每一个partition（split）上的。

3、RDD之间有一系列的依赖关系。

4、分区器是作用在K,V格式的RDD上。

5、RDD提供一系列最佳的计算位置。

RDD理解图

 

注意

textFile方法底层封装的是读取MR读取文件的方式，读取文件之前先split，默认split大小是一个block大小，每个split对应一个partition。

 

RDD实际上不存储数据。

 

什么是K,V格式的RDD?

如果RDD里面存储的数据都是二元组对象，那么这个RDD我们就叫做K,V格式的RDD。

 

哪里体现RDD的弹性（容错）？

partition数量，大小没有限制，体现了RDD的弹性。

RDD之间依赖关系，可以基于上一个RDD重新计算出RDD。

 

哪里体现RDD的分布式？

RDD是由Partition组成，partition是分布在不同节点上的。

RDD提供计算最佳位置，体现了数据本地化。体现了大数据中“计算移动数据不移动”的理念。

 

 

 

 

Spark任务执行原理

 

以上图中有四个节点(机器)，Driver和Worker是启动在节点上的进程，运行在JVM中的进程。

Driver与集群节点之间有频繁的通信。

Driver负责任务(tasks)的分发和结果的回收。任务的调度。如果task的计算结果非常大就不要回收了。会造成oom。

Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM进程。

Master是Standalone资源调度框架里面资源管理的主节点。也是JVM进程。

 

Spark代码流程

1、创建SparkConf对象

可以设置Application name。

可以设置运行模式及资源需求。

2、创建SparkContext对象

3、基于Spark的上下文创建一个RDD，对RDD进行处理。

4、应用程序中要有Action类算子来触发Transformation类算子执行。

5、关闭Spark上下文对象SparkContext。

 

Transformations转换算子

概念：

Transformations类算子是一类算子（函数）叫做转换算子，如map,flatMap,reduceByKey等。Transformations算子是延迟执行，也叫懒加载执行。

 

 

Transformation类算子

filter

过滤符合条件的记录数，true保留，false过滤掉。

map

将一个RDD中的每个数据项，通过map中的函数映射变为一个新的元素。

特点：输入一条，输出一条数据。

flatMap

先map后flat。与map类似，每个输入项可以映射为0到多个输出项。

sample

随机抽样算子，根据传进去的小数按比例进行又放回或者无放回的抽样。

reduceByKey

将相同的Key根据相应的逻辑进行处理。

sortByKey/sortBy

作用在K,V格式的RDD上，对key进行升序或者降序排序。

 

Action行动算子

概念：

Action类算子也是一类算子（函数）叫做行动算子，如foreach,collect，count等。Transformations类算子是延迟执行，Action类算子是触发执行。一个application应用程序中有几个Action类算子执行，就有几个job运行。

 

Action类算子

count

返回数据集中的元素数。会在结果计算完成后回收到Driver端。

take(n)

返回一个包含数据集前n个元素的集合。

first

first=take(1),返回数据集中的第一个元素。

foreach

循环遍历数据集中的每个元素，运行相应的逻辑。

collect

将计算结果回收到Driver端。

 

算子的基本使用

案例1：随机抽取words文件的数据

package com.gw.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object TestSpark {
 def main(args: Array[String]): Unit = {
 val conf = new SparkConf();
    conf.setMaster("local").setAppName("test");
 val sc = new SparkContext(conf);
    //读取文件
 val lines = sc.textFile("./words");
    /*
     * sample算子:抽样
     * 参数1：表示有无放回抽样，true表示放回
     * 参数2：表示抽样比例
     */
 val result = lines.sample(true, 0.1);
    result.foreach(println);
    sc.stop();
  }
}

案例2：过滤并输出words文件中”hello hadoop”数据

package com.gw.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object TestSpark {
 def main(args: Array[String]): Unit = {
 val conf = new SparkConf();
    conf.setMaster("local").setAppName("test");
 val sc = new SparkContext(conf);
    //读取文件
 val lines = sc.textFile("./words");
    lines.filter(s=>{
      s.equals("hello hadoop");
    }).foreach(println);
    sc.stop();
  }
}

案例3：统计words文件中数据的数量

package com.gw.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object TestSpark {
 def main(args: Array[String]): Unit = {
 val conf = new SparkConf();
    conf.setMaster("local").setAppName("test");
 val sc = new SparkContext(conf);
    //读取文件
 val lines = sc.textFile("./words");
 val result = lines.count();
    println(result);
    sc.stop();
  }
}

案例4：WordCount

package com.gw.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object TestSpark {
 def main(args: Array[String]): Unit = {
 val conf = new SparkConf().setMaster("local").setAppName("ScalaWordCount")
 new SparkContext(conf).textFile("./words").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).foreach(println)
  }
}

 

控制算子

概念：

控制算子有三种，cache,persist,checkpoint，以上算子都可以将RDD持久化，持久化的单位是partition。cache和persist都是懒执行的。必须有一个action类算子触发执行。checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关系。

 

cache

默认将RDD的数据持久化到内存中。cache是懒执行。

测试cache文件：

文件：见“NASA_access_log_Aug95”文件。

测试代码：

package com.gw.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object TestSpark {
 def main(args: Array[String]): Unit = {
 val conf = new SparkConf();
    conf.setMaster("local").setAppName("cachetest");
 val sc = new SparkContext(conf);
    //读取文件
 val rdd = sc.textFile("./NASA_access_log_Aug95");
    rdd.cache();
    //第一次从磁盘读取数据
 val startTime1 = System.currentTimeMillis();
 val result1 = rdd.count();
 val endTime1 = System.currentTimeMillis();
    println(result1+"\t"+"花费的时间"+(endTime1-startTime1));
    //第二次从内存读取数据
 val startTime2 = System.currentTimeMillis();
 val result2 = rdd.count();
 val endTime2 = System.currentTimeMillis();
    println(result2+"\t"+"花费的时间"+(endTime2-startTime2));
    sc.stop();
  }
}

计算结果

磁盘读取

内存读取

 

persist

可以指定持久化的级别。最常用的是MEMORY_ONLY和MEMORY_AND_DISK。

”_2”表示有副本数。

 

package com.gw.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.storage.StorageLevel

object TestSpark {
 def main(args: Array[String]): Unit = {
 val conf = new SparkConf();
    conf.setMaster("local").setAppName("cachetest");
 val sc = new SparkContext(conf);
    //读取文件
 val rdd = sc.textFile("./NASA_access_log_Aug95");
    //等价于rdd.cache();
    rdd.persist(StorageLevel.MEMORY_ONLY);
    //第一次从磁盘读取数据
 val startTime1 = System.currentTimeMillis();
 val result1 = rdd.count();
 val endTime1 = System.currentTimeMillis();
    println(result1+"\t"+"花费的时间"+(endTime1-startTime1));
    //第二次从内存读取数据
 val startTime2 = System.currentTimeMillis();
 val result2 = rdd.count();
 val endTime2 = System.currentTimeMillis();
    println(result2+"\t"+"花费的时间"+(endTime2-startTime2));
    sc.stop();
  }
}

cache和persist的注意事项：

1、cache和persist都是懒执行，必须有一个action类算子触发执行。

2、cache和persist算子的返回值可以赋值给一个变量，在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。

3、cache和persist算子后不能立即紧跟action算子。

错误：rdd.cache().count() 返回的不是持久化的RDD，而是一个数值了。

 

checkpoint

checkpoint将RDD持久化到磁盘，还可以切断RDD之间的依赖关系。

 

checkpoint 的执行原理：

1、当RDD的job执行完毕后，会从finalRDD从后往前回溯。

2、当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一 个标记。

3、Spark框架会自动启动一个新的job，重新计算这个RDD的数据，将数 据持久化到HDFS上。

 

优化：对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步。

使用：

package com.gw.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.storage.StorageLevel

object TestSpark {
 def main(args: Array[String]): Unit = {
 val conf = new SparkConf();
    conf.setMaster("local").setAppName("cachetest");
 val sc = new SparkContext(conf);
    //设置checkpoint路径
    sc.setCheckpointDir("./checkpoint");
    //设置读取的文件
 val rdd = sc.textFile("./words");
    rdd.checkpoint();
    //设置action算子触发
    rdd.collect();
    sc.stop();
  }
}

效果