Spark学习（二）——RDD和WordCount程序

Spark SQL主要用作离线海量数据分析
Spark Streaming主要用作对数据实时处理
Spark的工作原理与MapReduce是如出一辙的，区别在于MapReduce是在HDFS上做计算，而Spark是在内存中做计算，这就形成了Spark这一计算引擎的优势——效率速度快。

一、RDD简介

RDD，（Resilient Distributed Datasets），即 弹性分布式数据集，是一个容错、并行的数据结构，也就是分布式的元素集合，在代码中RDD是一个抽象类，是不可变、可分区、里面的元素可并行计算的数据集合。每个RDD被分为多个分区，每个分区运行在集群的不同节点中。通过RDD的依赖关系形成Spark的调度顺序，其实所谓的Spark程序，就是一组RDD的操作，相当于在内存中跑MapReduce。
在Spark中对数据的所有操作不外乎创建RDD、转化已有RDD或者调用RDD操作进行计算，Spark会自动将RDD中的数据分发到集群上并将操作并行化执行。

二、RDD操作

RDD操作也称为算子，分为转换算子和行动算子。算子就是一系列的方法操作，把问题转换到可解决的状态，这就称为spark中的算子。只要是转换算子，必然就会产生新的RDD，转换算子是封装这计算逻辑，只有用到了行动算子的时候才会去读取数据。即：Transformation 操作是延迟计算的，也就是说从一个RDD 转换生成另一个 RDD 的转换操作不是马上执行，需要等到有 Action 操作的时候才会真正触发运算。

三、RDD闭包检测

就是算子以外的代码都是在Driver端执行，而算子以内的代码都是在Executor端执行的，算子内的代码用到算子外的代码就会形成了闭包效果，如果算子外的数据无法序列化，就无法传值给Executor端执行从而报错，所以runJob前会先检测闭包内的对象是否可进行序列化，这就称为闭包检测。

四、RDD依赖

从一个RDD转换产生一个新的RDD，这相邻的2个RDD之间就会建立依赖关系，这个依赖关系是会保留下来的，因为Spark的RDD不会保留中间数据，所以为了容错性通过这种将依赖关系保留下来的操作来避免执行RDD算子失败后的重新读取计算。相邻2个RDD的直接关系则为依赖，间接产生依赖的RDD则称为血缘。
宽依赖：每个父RDD的分区可以被多个子RDD的分区使用称为宽依赖
窄依赖：每个父RDD的分区最多只能被一个子RDD的一个分区使用称为窄依赖

rdd.toDebugString      //查看血缘关系

五、RDD任务划分

RDD任务切分为：Application、Job、Stage、Task
Application：初始化一个Spark上下文环境对象SparkContext即生成一个Application
Job：一个行动算子就会生成一个Job
Stage：Stage个数等于宽依赖(ShuffleDependency)个数+1
Task：一个Stage阶段，最后一个RDD的分区个数就是Task的个数
即 1 Application -> n Job -> n Stage -> n Task

六、RDD持久化

RDD是不存储数据的，而当一个RDD要重复使用时，那么则需要从头开始获取数据，也就相当于RDD对象是可以重用，而RDD数据则不可重用。所以可以想办法把一个RDD的数据给到另一个RDD前先把数据放到缓存中，然后后面的多个RDD再从缓存取即可实现持久化。

image.png

rdd.cache()     //cache默认持久化操作是把数据持久化到内存中，如果保存到磁盘则使用persist方法选择存储级别
rdd.persist(存储级别)    //其实cache方法底层也是调用的persist方法

持久化操作是在行动算子执行时完成的，别忘记了，只有当行动算子执行了才有数据。这种持久化场景不一定说是要用在对RDD的重用上，当然还可以用在一些比较耗时的和数据重要的场景，先把这些RDD数据给持久化下来，方便后续使用和数据安全。

sc.setCheckpointDir("hdfs路径")   //创建checkpoint保存路径
rdd.checkpoint()   //落盘数据到文件，当作业执行完毕后，不会被删除

cache()、persist()、checkpoint区别
cache：是将数据临时保存在内存中进行重用，但这样数据可能不安全，比如内存溢出和丢失
persist：是将数据临时保存到磁盘中进行重用，数据安全，但涉及磁盘IO，效率较低
checkpoint：是将数据长久落盘到文件中进行重用，数据安全，但会独立执行作业，则效率更低，checkpoint等同于改变了数据源了，会切断血缘关系
为了提高checkpoint效率，可以搭配cache一起使用

rdd.cache()
rdd.checkpoint()

附、WordCount程序例子实战

• 1、WordCount程序思路，如下2个文件a.txt和b.txt
  

  image.png

• 2、使用IDEA开发一个WordCount程序，本地部署运行（代码逻辑对应上图）
  先按这篇文章配置好用maven创建scala开发环境，https://www.cnblogs.com/xxbbtt/p/8143441.html
  完成后接着创建一个maven项目，在pom.xml文件里添加依赖和插件，如下，下面的plugin插件可以不通过add support那种方式引入scala，从而自动可创建scala.class文件。

    4.0.0

    com.meizu.xiaojiang.WordCount
    WordCount
    1.0

    
        
            org.apache.spark
            spark-core_2.11
            2.1.1
        
    
    
        
            
                net.alchim31.maven
                scala-maven-plugin
                3.2.2
                
                    
                        
                            compile
                            testCompile
                        
                    
                
            
        
    

image.png

经上面程序编写，且在项目里的input文件夹里新建好test.txt文件， 之后程序运行是会出现一个报错的：java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.，但这是不影响spark程序运行，因为本地是没有安装hadoop或者spark的部署环境，所以程序运行才会报错。可参考这篇文章解决：https://www.cnblogs.com/mdlcw/p/11106218.html。

程序结果.png

不过一般做法是window系统只负责写程序，然后程序是打包到linux集群上去运行的，集群上面才有环境，而且毕竟大数据的存储也是在集群中，如果需要调试程序的话也直接去集群上调试即可。

• 3、现在我就演示下如何把开发好的程序部署到集群上面去运行，在这里默认已经安装配置好hadoop集群和spark集群了，如果没搞定这些的话就先跳转到我这2篇文章去安装配置好集群。
  1、Hadoop学习（一）入门与集群搭建
  2、Spark学习（一）入门与集群搭建
  要把spark这个计算框架与yarn进行整合的话，就要修改spark的spark-env.sh配置文件，在里面加上这句，是把yarn的运行路径告诉spark，集群里的4台机子都要配置。

YARN_CONF_DIR=/usr/hadoop-2.6.4/etc/hadoop

之后把上面的统计单词数的程序修改下，把读取文件那一行的路径修改为

//读取HDFS中根目录下的test.txt文件，将文件一行一行读取出来
val lines: RDD[String] = sc.textFile("hdfs://master:9000/test.txt")

把WordCount程序打包成jar文件，然后上传到spark安装目录下，再把test.txt文本文件存放到HDFS中的根目录下。
最后切换到spark安装目录下，然后执行spark-sumbit命令，如下就完事了。
\代表的是换行，--代表的是附带参数，--name指的是程序名，--class指的是类名，用全称。

./bin/spark-submit \
--master yarn-client \
--name WordCount \
--class com.meizu.xiaojiang.WordCount \
--executor-memory 1G \
--total-executor-cores 2 \
/usr/spark-2.4.3/WordCount.jar

image.png

image.png