sparkCore-核心、算子、持久化算子

一、Spark核心

1.RDD

1）概念：

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

2）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上的。
5.RDD提供一系列最佳的计算位置。

3）RDD的理解图：

4）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大小为一个block大小。
2.RDD实际上不存储数据，为了方便理解，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，那么就将这个RDD称为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(容错)
	RDD之间存在依赖关系，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组成的，partitiong是分部在不同节点上的。
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。

2.Java和Scala中创建RDD的方式

Java：
	sc.textFile("./xxx",numPartitions)	//其中./xxx表示文件存储位置，numPartitions表示分区数
	sc.paralleliza(集合,num)		
	sc.parallelizaPairs(Tuple2集合,num)
Scala：
	sc.textFile("./xxx",numPartitions)	//其中./xxx表示文件存储位置，numPartitions表示分区数
	sc.paralleliza(集合,num)		
	sc.makeRDD(集合,num)

3.Spark执行任务的原理

如上图：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。
	1.Driver与集群节点之间有频繁的通信。
	2.Driver负责任务(tasks)的分发和结果的回放。任务的调度。如果task的计算结果非常大就不需要回收，如果回收，会造成oom。
	3.Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM的进程。
	4.Master是Standalone资源调度框架里面资源管理的主节点。也是JVM的进程。

二、Spark转换算子和行动算子

1.Transformations转换算子

1）概念

Tansformations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。

2）Transformations类算子

filter：过滤符合条件的记录数，true保留，false过滤掉

val rdd1 = sc.parallelize(List[String]("java","java","spark","hadoop","hive"))
rdd1.filter(word=>"hive".equals(word)).foreach(println)

结果打印输出为：
hive 

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。

val rdd1 = sc.parallelize(List[String]("java","java","spark","hadoop","hive"))
rdd1.map(word=>{"hello "+ word}).foreach(println)

输出结果为：
hello java
hello java
hello spark
hello hadoop
hello hive

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。

val rdd1 = sc.parallelize(List[String]("java spark hadoop hive sqoop"))
rdd1.flatMap(word=>word.split(" "))foreach(println)
输出结果为：
java
spark
hadoop
hive
sqoop

sample：随机抽样算子，根据传进去的小数按比例进行有放回或者无放回的抽样。

sample(有无放回抽样，抽样比例，抽样种子)： 抽样种子是将第一次抽样的种子作为后面每次抽样的种子，进而保证抽样最终得到的结果保持不变

val rdd1 = sc.parallelize(List[Int](1,2,3,4,5,6,7,8,9,10))
rdd1.sample(true,0.5,10L).foreach(println)
输出结果为：
2
7
9
9

reduceByKey：将相同的key根据相应的逻辑进行处理。

val rdd1 = sc.parallelize(List[(String, Int)](
      ("1", 10),
      ("1", 20),
      ("2", 18),
      ("3", 10),
      ("3", 30),
      ("4", 18)
    ))
rdd1.reduceByKey((v1,v2)=>{v1+v2}).foreach(println)
输出结果为：
(4,18)
(2,18)
(3,40)
(1,30)

sortByKey/sortBy:作用在K,V格式的RDD上，对key进行升序或者降序排序

sortByKey：
val rdd1 = sc.parallelize(List[(String, Int)](
      ("1", 10),
      ("1", 20),
      ("2", 18),
      ("3", 10),
      ("3", 30),
      ("4", 18)
    ))
rdd1.sortByKey(true).foreach(println)	//参数true为升序排序
输出结果为：
(1,10)
(1,20)
(2,18)
(3,10)
(3,30)
(4,18)

sortBy：
val rdd1 = sc.parallelize(List[(String, Int)](
      ("1", 10),
      ("1", 20),
      ("2", 18),
      ("3", 10),
      ("3", 30),
      ("4", 18)
    ))
rdd1.sortBy(_._2,true).foreach(println)	//通过value值进行升序排序

2.Action行动算子

1.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类算子是延迟执行的，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。

2.Action类算子

count：返回数据集中的元素。会在结果计算完成后回收到Driver端。

val rdd1 = sc.parallelize(List[Int](1,2,3,4,5,6,7,8,9,10))
println(rdd1.count())
输出结果为：
10

take(n)：返回一个包含数据集前n个元素的集合。

val rdd1 = sc.parallelize(List[Int](1,2,3,4,5,6,7,8,9,10))
rdd1.take(4).foreach(println)
输出结果为：
1
2
3
4

first：first=take(1)，返回数据集中的第一个元素。

foreach：遍历循环数据集中的元素，运行响应的逻辑

collect：将计算结果返回给Driver端

三、Spark持久化算子

1.控制算子

概念：

控制算子有三种，cache，persist，checkpoint，以上算子都可以讲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中的数据持久化到内存中。cache是懒执行。

注意：cache() = persist() = persist(StorageLevel.Memory_Only)

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。

2.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中之季节使用这个这个变量就是使用持久化数据了。
	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。
4.cache和persist算子持久化的数据，当application执行完成后会被清除。

3.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，当application执行完成后，不会被清除。

1) persist(StorageLevel.DISK_ONLY)与Checkpoint的区别？

a).checkpoint需要指定额外的目录存储数据，checkpoint数据是由外部的存储系统管理，不是Spark框架管理，当application完成之后，不会被清空。
b).cache()和persist()持久化的数据是由Spark框架管理，当application完成之后，会被清空。
c).checkpoint多用于保存状态。

2) checkpoin的执行原理

a).当RDD的job执行完成后，会从finalRDD从后往前回溯。
b).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。
c).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。

3) checkpoint的优点：

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上即可，省去了重新计算。