SparkSession与SparkContext关系详解

SparkSession是Spark 2.0引如的新概念。SparkSession为用户提供了统一的切入点，来让用户学习spark的各项功能。
 在spark的早期版本中，SparkContext是spark的主要切入点，由于RDD是主要的API，我们通过sparkcontext来创建和操作RDD。对于每个其他的API，我们需要使用不同的context。例如，对于Streming，我们需要使用StreamingContext；对于sql，使用sqlContext；对于Hive，使用hiveContext。但是随着DataSet和DataFrame的API逐渐成为标准的API，就需要为他们建立接入点。所以在spark2.0中，引入SparkSession作为DataSet和DataFrame API的切入点，SparkSession封装了SparkConf、SparkContext和SQLContext。为了向后兼容，SQLContext和HiveContext也被保存下来。
　SparkSession实质上是SQLContext和HiveContext的组合（未来可能还会加上StreamingContext），所以在SQLContext和HiveContext上可用的API在SparkSession上同样是可以使用的。SparkSession内部封装了sparkContext，所以计算实际上是由sparkContext完成的。

//Spark app 配置：应用的名字和Master运行的位置
    val sparkConf=new SparkConf()
      .setAppName("SparkAppTemplate")
      .setMaster("local[2]")
    //创建sparkContext对象：主要用于读取需要处理的数据，封装在RDD集合中；调度jobs执行
    val sc = new SparkContext(sparkConf) 

创建一个SparkSession对象
//在spark 2.x中不推荐使用sparkContext对象读取数据，而是推荐SparkSession
    val spark = SparkSession.builder
      .appName("Simple Application")
      .master("local[2]")
      .getOrCreate()

1.1 启动spark-shell
每个Spark应用程序都需要一个Spark环境，这是Spark RDD API的主要入口点。Spark Shell提供了一个名为“sc”的预配置Spark环境和一个名为“spark”的预配置Spark会话。

使用spark-shell启动交互式命令的过程如下：
进入spark的安装目录，转到bin目录下，启动命令./spark-shell，出现如下图所示的给出上spark和scala的版本号即启动成功。

使用Spark Shell的时候，本身是预配置了sc，即SparkConf和SparkContext的，但是在实际使用编辑器编程过程中是需要设置这些配置的。

1.2 在spark-shell中出现error: not found: value sc问题
在spark-shell中运行val myRDD = sc.parallelize(List(“hdfs”, “spark”, “rdd”))命令时，出现“error: not found: value sc”找不到sc的问题。

原因：在linux系统下，启动交互式命令行时使用的是scala命令，而不是spark-shell命令，这样就找不到spark配置的环境变量，由于每个Spark应用程序都需要一个Spark环境，这样在使用scala命令时就找不到“sc”的预配置，所以会出现上面的问题。

解决方式：进入spark的安装目录，转到spark目录下的bin目录,运行命令./spark-shell命令（而不是scala命令），再运行上面的语句val myRDD = sc.parallelize(List(“hdfs”, “spark”, “rdd”))就不会出现该问题了。

1.3 error: not found: type SparkConf或type SparkContext问题
运行下面的程序时，出现error: not found: type SparkConf或type SparkContext问题：

val conf = new SparkConf().setMaster("master").setAppName("appName1")
val sc = new SparkContext(conf)  //或者val sc = new SparkContext("master","appName1")

解决方式：在该配置语句之前导入以下语句：

import org.apache.spark.SparkConf

同样的，在设置完SparkConf之后，需要设置SparkContext，这时需要导入:
import org.apache.spark.SparkContext，才不至于出现error: not found: type SparkContext的错误。
在spark-shell中的运行过程如下：

scala> import org.apache.spark.SparkConf
import org.apache.spark.SparkConf

scala> val conf = new SparkConf().setMaster("master").set
set      setAppName       setIfMissing   setMaster      
setAll   setExecutorEnv   setJars        setSparkHome   

scala> val conf = new SparkConf().setMaster("master").setAppName("appName")
conf: org.apache.spark.SparkConf = org.apache.spark.SparkConf@c7d173f

scala> val sc = new SparkContext(conf)
:26: error: not found: type SparkContext
       val sc = new SparkContext(conf)
                    ^

scala> import org.apache.spark.Spark
SparkContext                    SparkExecutorInfoImpl   SparkStageInfo       
SparkDriverExecutionException   SparkFiles              SparkStageInfoImpl   
SparkEnv                        SparkFirehoseListener   SparkStatusTracker   
SparkException                  SparkJobInfo                                 
SparkExecutorInfo               SparkJobInfoImpl                             

scala> import org.apache.spark.SparkContext
import org.apache.spark.SparkContext

注意：一旦设置完成SparkConf，就不可被修改

对于单元测试，也可以调用SparkConf（false）来跳过加载外部设置，并获得相同的配置，无论系统属性如何。

1.4 setMaster（）和setAppName（）源码分析


根据setMaster()setAppName()方法的代码及其注释，可以看出，setMaster主要是连接主节点，如果参数是”local”，则在本地用单线程运行spark，如果是 local[4]，则在本地用4核运行，如果设置为spark://master:7077，就是作为单节点运行，而setAppName就是在web端显示应用名而已，它们说到底都调用了set()函数，其定义如下：


上面代码中的logDeprecation(key)是日志输出函数，防止输入参数名无效， 看看settings，是个HashMap结构，追溯一下：

private val settings = new ConcurrentHashMapString, String

1.5 ConcurrentHashMap
settings是个ConcurrentHashMap对象，ConcurrentHashMap主要作用是解决多线程并发下数据段访问效率，该类相对于hashMap而言具有同步map中的数据，对于hashTable而言，该同步数据对于并发程序在效率上有很大的提高，所以在使用缓存机制的时候如果对map中的值具有高并发的情况的话，那么我们就需要使用ConcurrentHashMap，ConcurrentHashMap中主要实体类有三个：ConcurrentHashMap（整个Hash表）,Segment（桶），HashEntry（节点）
，CurrentHashMap的初始化一共有三个参数，一个initialCapacity，表示初始的容量，一个loadFactor，表示负载参数，最后一个是concurrentLevel，代表ConcurrentHashMap内部的Segment的数量，ConcurrentLevel一经指定，不可改变，这也是为什么SparkConf配置好了就无法更改的原因。

ConcurrentHashMap应用了锁分段技术，HashTable容器在竞争激烈的并发环境下表现出效率低下，是因为所有访问HashTable的线程都必须竞争同一把锁，那假如容器里有多把锁，每一把锁用于锁容器其中一部分数据，那么当多线程访问容器里不同数据段的数据时，线程间就不会存在锁竞争，从而可以有效的提高并发访问效率，这就是ConcurrentHashMap所使用的锁分段技术，首先将数据分成一段一段的存储，然后给每一段数据配一把锁，当一个线程占用锁访问其中一个段数据的时候，其他段的数据也能被其他线程访问。

另外，如果ConcurrentHashMap的元素数量增加导致ConrruentHashMap需要扩容，ConcurrentHashMap是不会增加Segment的数量的，而只会增加Segment中链表数组的容量大小，这样的好处是扩容过程不需要对整个ConcurrentHashMap做rehash，而只需要对Segment里面的元素做一次rehash就可以了。

2 SparkSession
SparkSession： SparkSession实质上是SQLContext和HiveContext的组合（未来可能还会加上StreamingContext），所以在SQLContext和HiveContext上可用的API在SparkSession上同样是可以使用的。

2.1 SparkSession的简单示例
SparkSession内部封装了SparkContext，所以计算实际上是由SparkContext完成的。

val sparkSession = SparkSession.builder
.master(“master”)
.appName(“appName”)
.getOrCreate()
//或者SparkSession.builder.config(conf=SparkConf())

上面代码类似于创建一个SparkContext，master设置为”master”，然后创建了一个SQLContext封装它。

2.2 创建支持Hive的SparkSession
如果你想创建hiveContext，可以使用下面的方法来创建SparkSession，以使得它支持Hive(HiveContext)：

val sparkSession = SparkSession.builder
.master(“master”)
.appName(“appName”)
.enableHiveSupport()
.getOrCreate()
//sparkSession 从csv读取数据：
val dq = sparkSession.read.option(“header”, “true”).csv(“src/main/resources/scala.csv”)

上面代码中的getOrCreate()方法表示有就拿过来，没有就创建，类似于单例模式：

val s1 = SparkSession().builder.config("k1", "v1").getOrCreat()
val s2 = SparkSession().builder.config("k2", "v2").getOrCreat()
return s1.conf.get("k1") == s2.conf.get("k2")

3 Spark应用框架

客户Spark程序（Driver Program）操作Spark集群是通过SparkContext对象来进行，SparkContext作为一个操作和调度的总入口，在初始化过程中集群管理器会创建DAGScheduler作业调度和TaskScheduler任务调度。
DAGScheduler作业调度模块是基于Stage的高层调度模块，DAG全称 Directed Acyclic Graph，有向无环图。简单的来说，就是一个由顶点和有方向性的边构成的图中，从任意一个顶点出发，没有任何一条路径会将其带回到出发的顶点。它为每个Spark Job计算具有依赖关系的多个Stage任务阶段（通常根据Shuffle来划分Stage，如groupByKey, reduceByKey等涉及到shuffle的transformation就会产生新的stage），然后将每个Stage划分为具体的一组任务，以TaskSets的形式提交给底层的任务调度模块来具体执行。TaskScheduler任务调度模块负责启动任务，监控和汇报任务运行情况。

创建SparkContext一般要经过下面几个步骤：
a). 导入Spark的类和隐式转换
import org.apache.spark.{SparkContext, SparkConf}
import org.apache.spark.SparkContext._

b). 构建Spark应用程序的应用信息对象SparkConf
val conf = new SparkConf().setAppName(appName).setMaster(master_url)

c). 利用SparkConf对象来初始化SparkContext
val sc = new SparkContext(conf)

d). 创建RDD、执行相应的Transformation和Action并得到最终结果。

e). 关闭Context
在完成代码的编写和测试后，使用spark-submit来提交应用的jar包。spark-submit的命令行参考如下：

Submitting Applications

cd /usr/local/spark #进入spark安装目录，这里的/usr/local/spark为spark的安装目录
./bin/spark-submit
–class
–master
–deploy-mode
… # other options

[application-arguments]

Spark的运行模式取决于传递给SparkContext的master环境变量的值。master-url可以是以下任一种形式：
local 使用一个Worker线程本地化运行Spark(完全不并行)
local[*] 使用逻辑CPU数量的线程来本地化运行Spark
local[K] 使用K个Worker线程本地化运行Spark（理想情况下，K应该根据运行机器的CPU核数设定）
spark://HOST:PORT 连接到指定的Spark standalone master。默认端口是7077。
yarn-client 以客户端模式连接YARN集群。集群的位置可以在HADOOP_CONF_DIR 环境变量中找到。
yarn-cluster 以集群模式连接YARN集群。集群的位置可以在HADOOP_CONF_DIR 环境变量中找到。
mesos://HOST:PORT 连接到指定的Mesos集群。默认接口是5050.
而spark-shell会在启动的时候自动构建SparkContext，名称为sc。