大数据系列——Spark学习笔记之Spark中的RDD

1. Spark中的RDD

• Resilient Distributed Datasets(弹性分布式数据集)
• Spark中的最基本的抽象
• 有了RDD的存在我们就可以像操作本地集合一样操作分布式的数据
• 包含所有元素的分区的集合
• RDD包含了很多的分区

2. RDD中的弹性

• RDD中的数据是可大可小的
• RDD的数据默认情况下存放在内存中的，但是在内存资源不足时，Spark会自动将RDD数据写入磁盘
• RDD有自动容错功能,当其中一个RDD中的分区的数据丢失,或者当前节点故障时,rdd会根据依赖关系重新计算该分区的数据

3. RDD在Spark中的作用

• 迭代式计算

  ​ 其主要实现思想就是RDD，把所有计算的数据保存在分布式的内存中。迭代计算通常情况下都是对同一个数据集做反复的迭代计算，数据在内存中将大大提升IO操作。这也是Spark涉及的核心：内存计算

• 交互式计算

  ​ 因为Spark是用scala语言实现的，Spark和scala能够紧密的集成，所以Spark可以完美的运用scala的解释器，使得其中的scala可以向操作本地集合对象一样轻松操作分布式数据集

4. Spark中的名词解释

• ClusterManager :在Standalone模式中即为Master（主节点），控制整个集群，监控Worker。在YARN模式中为资源管理器
• Worker:从节点，负责控制计算节点，启动Executor。在YARN模式中为NodeManager，负责计算节点的控制。
• Driver 运行Application的main()函数并创建SparkContext
• Executor (CoarseGrainedExecutorBackend)在worker node上执行任务的组件、用于启动线程池运行任务。每个Application拥有独立的一组Executors
• SparkContext :整个应用的上下文，控制应用的生命周期
• RDD :Spark中的最基本的数据抽象
• DAG Scheduler : 根据DAG(有向无环图)切分stage,并且生成task,以taskset的形式返回
• Task Schedual: 调度task,把task交给executor
• Stage: 一个Spark作业一般包含一到多个Stage。
• Task :一个Stage包含一到多个Task，通过多个Task实现并行运行的功能
• Transformations :转换操作,Transformation是lazy的,不会马上执行,只有当调用action时才会执行
• Actions : 动作
• SparkEnv : 线程级别的上下文，存储运行时的重要组件的引用

5. 创建RDD的两种方式

• 通过并行化集合创建RDD(用于测试)

  val list =  List("java c++ java","java java java c++")
  val rdd = sc.parallelize(list)
  

• 通过加载hdfs中的数据创建RDD(生产环境)

  val rdd = sc.textFile("hdfs://uplooking01:8020/sparktest/")
  

6. IDEA开发Spark

6.1 pom依赖

<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0modelVersion>

    <groupId>com.uplooking.bigdatagroupId>
    <artifactId>2018-11-08-sparkartifactId>
    <version>1.0-SNAPSHOTversion>

    <properties>
        <maven.compiler.source>1.8maven.compiler.source>
        <maven.compiler.target>1.8maven.compiler.target>
        <scala.version>2.11.8scala.version>
        <spark.version>2.2.0spark.version>
        <hadoop.version>2.7.5hadoop.version>
    properties>

    <dependencies>
        
        <dependency>
            <groupId>org.scala-langgroupId>
            <artifactId>scala-libraryartifactId>
            <version>${scala.version}version>
        dependency>

        
        <dependency>
            <groupId>org.apache.sparkgroupId>
            <artifactId>spark-core_2.11artifactId>
            <version>${spark.version}version>
        dependency>

        <dependency>
            <groupId>org.apache.sparkgroupId>
            <artifactId>spark-sql_2.11artifactId>
            <version>${spark.version}version>
        dependency>
        
        <dependency>
            <groupId>org.apache.hadoopgroupId>
            <artifactId>hadoop-clientartifactId>
            <version>${hadoop.version}version>
        dependency>

    dependencies>

    <build>
        <plugins>
            
            <plugin>
                <groupId>net.alchim31.mavengroupId>
                <artifactId>scala-maven-pluginartifactId>
                <version>3.2.2version>
                <executions>
                    <execution>
                        <id>scala-compile-firstid>
                        <phase>process-resourcesphase>
                        <goals>
                            <goal>add-sourcegoal>
                            <goal>compilegoal>
                        goals>
                    execution>
                    <execution>
                        <id>scala-test-compileid>
                        <phase>process-test-resourcesphase>
                        <goals>
                            <goal>testCompilegoal>
                        goals>
                    execution>
                executions>
            plugin>
            
            <plugin>
                <groupId>org.apache.maven.pluginsgroupId>
                <artifactId>maven-compiler-pluginartifactId>
                <executions>
                    <execution>
                        <phase>compilephase>
                        <goals>
                            <goal>compilegoal>
                        goals>
                    execution>
                executions>
            plugin>
            
            <plugin>
                <groupId>org.apache.maven.pluginsgroupId>
                <artifactId>maven-shade-pluginartifactId>
                <version>2.4.3version>
                <configuration>
                    <createDependencyReducedPom>falsecreateDependencyReducedPom>
                configuration>
                <executions>
                    <execution>
                        <phase>packagephase>
                        <goals>
                            <goal>shadegoal>
                        goals>
                        <configuration>
                            <filters>
                                <filter>
                                    <artifact>*:*artifact>
                                    <excludes>
                                        <exclude>META-INF/*.SFexclude>
                                        <exclude>META-INF/*.DSAexclude>
                                        <exclude>META-INF/*.RSAexclude>
                                    excludes>
                                filter>
                            filters>
                        configuration>
                    execution>
                executions>
            plugin>

        plugins>
    build>
project>

6.2 编写spark程序

val conf = new SparkConf()
conf.setAppName("Ops1")
val sc = new SparkContext(conf)
val rdd1: RDD[String] = sc.parallelize(List("java c+ java", "java java c++"))
val ret = rdd1.collect().toBuffer
println(ret)

6.3 打包

6.4 在Driver上运行jar包

spark-submit --master spark://uplooking01:7077  --class com.uplooking.bigdata.spark01.Ops1 original-spark-1.0-SNAPSHOT.jar

7. 本地运行Spark程序

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

import scala.collection.mutable

object Ops1 {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
    conf.setAppName("Ops1")
    conf.setMaster("local[4]")
    val sc = new SparkContext(conf)
    //一般不会指定最小分区数
    val rdd1 = sc.textFile("hdfs://uplooking01:8020/sparktest/")
    val rdd2: RDD[String] = rdd1.flatMap(line => line.split(" "))
    val rdd3: RDD[(String, Int)] = rdd2.map(word => (word, 1))
    val rdd4: RDD[(String, Int)] = rdd3.reduceByKey(_ + _)
    val ret: mutable.Buffer[(String, Int)] = rdd4.collect().toBuffer
    println(ret)
    println(rdd1.partitions.length)
  }
}

8. RDD中的分区数

• 并行化的方式指定分区数(一般会指定分区数)

  • 默认如果创建RDD时不指定分区数,那么就会创建cpu核数个分区

  • 手动指定分区数

    val rdd = sc.parallelize(List("java c+ java", "java java c++"), 2)
    

• textFile的方式指定分区数

  • 默认如果创建RDD时不指定最小分区数,那么就会创建至少2个分区的RDD
  • 一般不会指定最小分区数
  • 不指定最小分区数,有切片的数量个分区

9. Spark作业的运行流程

• 构建DAG
• 根据DAG切分Stage,每个Stage对应一组相同计算逻辑不能计算数据的Task,以TastSet的形式返回
• TaskSchedual调度task,把task发送到executor中去,用Runnable进行包装进给线程池
• Executor执行task