sparkPi源码解析

在ubuntu的eclipse系统上，基于maven建立了第一个spark程序sparkPi，顺利执行正确结果。

现在对sparkPi源码进行解析，借此熟悉spark java API，为后面基于java的spark编程做准备。

sparkPi源码如下：

package sparkTest;

/*
 * Licensed to the Apache Software Foundation (ASF) under one or more
 * contributor license agreements.  See the NOTICE file distributed with
 * this work for additional information regarding copyright ownership.
 * The ASF licenses this file to You under the Apache License, Version 2.0
 * (the "License"); you may not use this file except in compliance with
 * the License.  You may obtain a copy of the License at
 *
 *    http://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing, software
 * distributed under the License is distributed on an "AS IS" BASIS,
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
 * See the License for the specific language governing permissions and
 * limitations under the License.
 */

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;

import java.util.ArrayList;
import java.util.List;

/** 
 * Computes an approximation to pi
 * Usage: JavaSparkPi [slices]
 */
public final class JavaSparkPi {

  public static void main(String[] args) throws Exception {
    SparkConf sparkConf = new SparkConf().setAppName("JavaSparkPi").setMaster("local");
    JavaSparkContext jsc = new JavaSparkContext(sparkConf);

    int slices = (args.length == 1) ? Integer.parseInt(args[0]) : 2;
    int n = 100000 * slices;
    List<Integer> l = new ArrayList<Integer>(n);
    for (int i = 0; i < n; i++) {
      l.add(i);
    }

    JavaRDD<Integer> dataSet = jsc.parallelize(l, slices);

    int count = dataSet.map(new Function<Integer, Integer>() {
      @Override
      public Integer call(Integer integer) {
        double x = Math.random() * 2 - 1;
        double y = Math.random() * 2 - 1;
        return (x * x + y * y < 1) ? 1 : 0;
      }
    }).reduce(new Function2<Integer, Integer, Integer>() {
      @Override
      public Integer call(Integer integer, Integer integer2) {
        return integer + integer2;
      }
    });

    System.out.println("Pi is roughly " + 4.0 * count / n);

    jsc.stop();
  }
}

源码解析：

1、SparkContext是

spark程序中非常核心的变量，所有spark程序的第一步都是创建+设置SparkContext。

sparkContext的作用是告诉spark如何访问集群cluster。

appName()设置程序名称，将会显示在cluster UI上。

master()是spark、Mesos、yarn集群的URL；或者是“local”字符串，表示在本地模式运行程序。

实际编程和运行程序时，并不会在编码中设置master()，因为这样灵活性不强。

常用的做法是，启动spark-submit -params，通过参数输入设置master()。

如果是本地测试程序，可以设置master为local。

2、parallelize()对输入数据进行并行化处理，处理后的数据就能进行RDD上的操作了，比如各种transformations、actions。

<span style="white-space:pre">	</span>parallelize()

3、map操作是一种transformation，将map的函数参数在数据集上的每个element，操作一次，得到一个新的RDD。

<span style="white-space:pre">	</span>map()

4、reduce操作是将RDD所有元素的聚合起来，通过reduce中的函数参数，从而得到一个最终结果。

<span style="white-space:pre">	</span>reduce

5、map、reduce内的函数传递是spark程序中常见的方式。它的实现形式有两种。

new fuction()：传统方式。

lamda表达式：更简洁。

6、函数Function是接口函数。T1为输入参数，R为返回值。同理Function2也一样，不同的是起实现函数call不同。

      Interface Function<T1,R>;   Function2<T1,T2,R>

<span style="white-space:pre">	</span>new Function<Integer, Integer>()

<pre name="code" class="java"><span style="white-space:pre">	</span>new Function2<Integer, Integer, Integer>()

7、spark除了map、reduce函数外，还支持许多数据操作，比如filter()、collect()、count()等等。

补充说明：

1、数据如何并行化处理？

<span style="white-space:pre">	</span>List<Integer> data = Arrays.asList(1, 2, 3, 4, 5);
<span style="white-space:pre">	</span>JavaRDD<Integer> distData = sc.parallelize(data);

通过上述操作，将普通集合data通过函数parallelize()，并行化处理后，就变成了分布式数据集distributed dataset（distData），这种类型就能被spark集群做并行处理了。

<span style="white-space:pre">	</span>sc.parallelize(data, 10)

我们也可以通过手动设置dataset的partitions个数，一个partition对应一个spark task。

如果没有设置partitions，则spark自动设置partitions个数。

2、spark支持的外部输入数据有哪些？

spark的输入数据可以来自hadoop的hdfs、local file system、Cassandra、HBase、Amazon S3、

textFile()函数用来将文件转化为RDD，转化结束后，新的RDD上就可以进行map、reduce、transformations、actions等操作。

textFile()函数中的参数path可以是directory、compress files、wildcards.

textFile()对文件的划分默认是64M一块（等同与HDFS系统），我们也可以根据参数修改划分标准。

val lines = textFile(“test.txt”)的解读。这句话并没有将test.txt加载到内存，也没有在文件上进行任何操作，只是使lines指向这个文件。

3、spark的RDD有两种创建方式：对以存在的数据集合进行并行化；对Hadoop HDFS、Hbase的数据进行转化。

4、spark支持两种操作：transformations、actions。

transformations：从已有数据集创建RDD数据集。比如：map就是一种transformation。

actions：对RDD上的dataset进行computation，return a value to the driver program.比如：reduce就是一种action。

transformations采取懒惰策略。即直到action需要result时，transformation才进行具体操作。之前都只是记住这些操作。

这种lazy策略，能够提高spark效率。避免transformation结果产生，只产生action结果。

对于如下操作：

<span style="white-space:pre">	</span>JavaRDD<String> lines = sc.textFile("data.txt");
<span style="white-space:pre">	</span>JavaRDD<Integer> lineLengths = lines.map(s -> s.length());
<span style="white-space:pre">	</span>int totalLength = lineLengths.reduce((a, b) -> a + b);

前面两步都没有直接执行，知道最后一部reduce，才触发真个spark程序执行。

reduce触发spark程序将task分解到集群中的每个机器上，每个机器执行其本地的map和reduce操作。向driver program返回其执行结果。

如果我们想在程序执行完毕后，查看lineLengths的值。可以使用如下方式，将其值persist().

lineLengths.persist(StorageLevel.MEMORY_ONLY());

5、RDD可以通过persist()和cache()让其贮存在内存中，加快下次访问RDD的速度。

RDD也支持将起贮存在disk，多节点之间的deplicated。

如何选取存储介质，需要根据具体情况。

如果不想等cache()满了以后自动触发清除操作，可以手动.unpersist()清除数据。

6、何为driver program，官方文档中反复提及。

可以理解为我们编写的spark源程序。

7、spark提供两种方式共享数据。

broadcast variables

accumulators

spark工作方式，简单参考图如下：