Spark学习总结——SparkCore、任务执行原理、算子

Spark初始

什么是Spark

• Apache 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是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行计算框架，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。

总体技术栈讲解

Spark与MapReduce的区别

• 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。
• Mesos
  资源调度框架。
  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。

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。
  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：
  1.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。
  2.RDD实际上不存储数据，这里方便理解，暂时理解为存储数据。
  3.什么是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。
  4.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。
  5.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。
  6.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

以上图中有四个机器节点，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：
  1.filter：过滤符合条件的记录数，true保留，false过滤掉。
  2.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。
  3.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。
  4.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：
  1.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。
  2.take(n)：返回一个包含数据集前n个元素的集合。
  3.first：first=take(1),返回数据集中的第一个元素。
  4.foreach：循环遍历数据集中的每个元素，运行相应的逻辑。
  5.collect：将计算结果回收到Driver端。
  思考：一千万条数据量的文件，过滤掉出现次数多的记录，并且其余记录按照出现次数降序排序。

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。
  注意：chche () =persist()=persist(StorageLevel.Memory_Only)

 SparkConf conf = new SparkConf();
 conf.setMaster("local").setAppName("CacheTest");
 JavaSparkContext jsc = new JavaSparkContext(conf);
 JavaRDD<String> lines = jsc.textFile("./NASA_access_log_Aug95");

 lines = lines.cache();
 long startTime = System.currentTimeMillis();
 long count = lines.count();
 long endTime = System.currentTimeMillis();
 System.out.println("共"+count+ "条数据，"+"初始化时间+cache时间+计算时间="+ 
          (endTime-startTime));
		
 long countStartTime = System.currentTimeMillis();
 long countrResult = lines.count();
 long countEndTime = System.currentTimeMillis();
 System.out.println("共"+countrResult+ "条数据，"+"计算时间="+ (countEndTime-
           countStartTime));
		
 jsc.stop();

• 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。
  
• 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。
  4.cache和persist算子持久化的数据当applilcation执行完成之后会被清除。
  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目录数据当application执行完之后不会被清除。
  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：

 SparkConf conf = new SparkConf();
 conf.setMaster("local").setAppName("checkpoint");
 JavaSparkContext sc = new JavaSparkContext(conf);
 sc.setCheckpointDir("./checkpoint");
 JavaRDD<Integer> parallelize = sc.parallelize(Arrays.asList(1,2,3));
 parallelize.checkpoint();
 parallelize.count();
 sc.stop();