史上最简单的spark教程第三章-深入Java+spark案例,理解RDD分布式数据集

---

RDD的深入操作和概念(弹性分布式数据集)

史上最简单的spark教程
所有代码示例地址:https://github.com/Mydreamandreality/sparkResearch

(提前声明:文章由作者:张耀峰 结合自己生产中的使用经验整理,最终形成简单易懂的文章,写作不易,转载请注明)
(文章参考:Elasticsearch权威指南,Spark快速大数据分析文档,Elasticsearch官方文档,实际项目中的应用场景)
(帮到到您请点点关注,文章持续更新中!)
Git主页 https://github.com/Mydreamandreality

• 可以发现我们之前的spark程序和java+spark程序都是围绕着sparkcontext和RDD来进行操作的
• RDD是spark对数据的核心抽象(分布式的元素集合,结合之前的java案例就很好理解)
• 在spark中,对于数据的操作,基本是创建RDD.转换RDD.使用RDD操作进行数据的计算,而spark的作用就是自动将RDD的数据分发到集群上,将操作并行化执行(在第二章有提到过)

---

• RDD的基础概念

• Spark 中的 RDD 就是一个不可变的分布式对象集合
• 每个RDD都被分为多个分区,这些分区运行在集群中的不同节点上
• RDD 可以包含 Python、Java、Scala 中任意类型的对象

• 创建RDD的方式: [两种]

  • 第一种:读取一个外部的数据集(就是我们之前读取文本文件作为RDD的案例)
  • sparkContext.textFile("/usr/local/data").cache();
  • 第二种:在驱动器程序中分发驱动器程序中的集合

• 操作RDD的方式: [两种]

  • 第一种: 转化操作
    • 转化操作会由一个RDD生成一个新的RDD
    • 比如:filter操作[筛选一个RDD元素中包含python的]
    • 示例

val lines = sc.textFile("你的README文件路径")

val pythonLines = lines.filter(line => line.contains("Python"))

//可以看到我们把包含python的RDD元素生成了新的RDD

• 第二种: 行动操作
  • 行动操作会把计算完的RDD新结果返回到驱动器程序中,或者存储到外部系统,比如HDFS中.
  • 比如:first操作[获取第一条记录]
  • 示例

val lines = sc.textFile("/usr/local/spark/spark-2.2.3-bin-hadoop2.7/README.md")

lines.first()

总结:转化操作和行动操作的区别在于 Spark 计算 RDD 的方式不同
如果对于一个特定的函数是属于转化操作还是行动操作感到困惑,可以看看它的返回值类 型:转化操作返回的是RDD,行动操作返回的是其他的数据类型

---

以上说了一些RDD的基本概念,这里就基于以上的概念衍生一些代码示例

先搞一个转化操作的Java示例吧:

• RDD 的转化操作是返回新 RDD 的操作
• 那我们可以这么搞个示例:
• 需求:
• 假如我现在有一个日志文件log,内容是服务器运行的日志,那么需求就是:
  • 我们先搞个简单点的需求,后续再慢慢深入
  • 筛选所有的异常日志

---

• 那么ok,在开始编码前我们先拆解需求:
• 首先创建log的RDD,[现在log就是外部的数据集]
• 其次筛选数据,使用filter函数
• 最后返回新的RDD元素 [新的元素指的就是异常日志]
• 思路清晰后就可以开始编码了
• 代码示例如下:

//........省略初始化sparkContext

JavaRDD inputRDD = sparkContext.textFile("/usr/local/log");
JavaRDD errorRDD = inputRDD.filter(new Function() {
    @Override
    public Boolean call(String s) throws Exception {
        return s.contains("error");
    }
});

至此非Error的日志就被清洗,Error的日志生成新的RDD
需要注意的是:
filter() 操作不会改变已有的 inputRDD中的数据,该操作会返回一个全新的RDD,在我们的案例中叫做errorRDD,inputRDD在后面的程序中还可以继续使用,比如我们还可以在inputRDD中清洗warning的日志

运行的流程图如下:

---

再搞一个行动操作的Java示例吧:

• 刚才我们做的是RDD转换操作.但是我们这个时候又新加了一个需求

• [又加需求?先杀个产品祭天]

• 新加的需求为

  • 统计error日志出现的次数,并且查看一下这些日志的内容

• 那么我们还是拆解该需求

  • 首先需要对errorRDD进行count()的统计
  • 其次再输出errorRDD的内容
  • 拆解完后开始编码:代码如下:[在之前的示例代码后追加]

long errorRDDCount = errorRDD.count();
System.out.println("errorRDD 的总数为: "+errorRDDCount);

for (String rddLine:errorRDD.take(10)){
    System.out.println("errorRDD的数据是:"+rddLine);
}

• 我们在驱动器程序中使用 take() 获取了RDD中的少量元素,然后在本 遍历这些元素,并在驱动器端打印出来.RDD 还有一个collect()函数,可以用来获取整个RDD中的数据
• 但是只有当你的整个数据集能在单台机器的内存中放得下时,才能使用collect(),因为这些数据一般都很大,所以通常把数据写入HDFS等其他的分布式文件存储系统中,使用的函数为:
  saveAsTextFile()、saveAsSequenceFile(),这个第二章java案例中有使用

---

理论补充点 [较为重要※],此处参考spark官方文档和书籍:

• 惰性求值
• RDD的转化操作都是惰性求值的,这意味着在被调用行动操作之前Spark不会开始计算
• 这意味着我们在执行map(),filter()等转换操作的时候不会立即执行,spark会先记录需要操作的相关信息,所以我们在调用sparkcontext.textfile(文件路径)时,数据并没有被读取,而是在必要时进行读取的
• 虽然转化操作是惰性求值的,但还是可以随时通过运行一个行动操作来强制Spark执行RDD 的转化操作.比如使用count().方便我们进行测试

今天整理了一下spark+java一些深入的案例

下一章节会整理好分享出来的,

有什么问题可以留言一块交流学习.