spark

2019年10月26日 251次阅读来源: spark

转：http://www.cnblogs.com/haozhengfei/p/039dfec24294b39a2035b915dc96ef4c.html

Spark_总结一

1.Spark介绍

1.1什么是Spark? Apache Spark是一个开源的集群计算框架，使数据计算更快（
高效运行，快速开发）

1.2Spark比Hadoop快的两个原因 第一，内存计算

第二，DAG（有向无环图）

2.Spark运行模式（四种）

Local	多用于测试
Standalone	Spark自带的资源调度器（默认情况下就跑在这里面）
MeSOS	资源调度器，同Hadoop中的YARN
YARN	最具前景，公司里大部分都是 Spark on YRAN

3.Spark内核之RDD的五大特性

《spark》
Resilient Distributed Dataset
RDD是基础–>弹性分布式数据集
第一大特性：RDD由一系列的partitions组成（如果数据源在HDFS上，默认partition的数量与block的个数一致，Spark并没有读取HDFS的方法，它是沿用MR的方法，MR读取HDFS上的数据时首先会进行split,RDD中每一个partition与split对应，split默认与block的大小一致，所以默认partition的数量与block的个数一致）
第二大特性：每一个函数实际上是作用在RDD中的每一个partition上
第三大特性：RDD是由一系列的依赖关系的（这里体现出了RDD的弹性，弹性一，数据容错；弹性二，partition可大可小）
第四大特性：partitioner（分区器）是作用在KV格式的RDD上（RDD执行聚合类函数的时候会产生shuffle,Spark产生shuffle肯定会有partitioner,而partitioner是作用在KV格式的RDD上，推测出聚合类函数必须作用在KV格式的RDD上）
第五大特性：每一个RDD提供了最佳的计算位置，告诉我们每一个partition所在的节点，然后相对应的task就会移动到该节点进行计算（移动计算，而不是移动数据）

4.Spark运行机制

开机启动时
Driver 、
Worker
、和
Application 会将自己的资源信息注册到
Master 中，当初始化的时候，
Master 先为
Driver 分配资源然后启动
Driver。
Driver 运行时先从 main()方法开始，任务在
Worker 上执行，
Worker 可以是一台真实的物理机，也可以是虚拟机，拥有 RAM 和 Core。然后会将
Task 移动到本地的数据上执行运算。
最优计算位置Inputdata 和 Task 在一起(避免了网络间的信息传输)。实际情况很少会这样，有可能存在当前那个计算节点的
计算资源和
计算能力都满了，默认配置不变的情况下 Spark 计算框架会等待 3s(
spark.locality.wait 设置的，在
SparkConf()可以修改)，默认重试
5 次。如果均失败了，会选择一个比较差的本地节点；Spark 分配算法会将其分配到计算数据附近的节点，
Task 会通过其所在节点的
BlockManager 来获取数据，
BlockManager 发现自己本地没有数据，会通过
getRemote()方法，通过
TransferService（网络数据传输组件）从原 task 所在节点的
BlockManager 中，获取数据，通过网络传输回 Task 所在节点—–>(
性能大幅度下降，大量的网络 IO 占用资源) 计算后的结果会返回到 Driver 上

5.Spark运行时

Driver（SparkContext运行所在的节点可以看做一个Driver）作用：
分发task给对应的Worker,可以和其他节点(Worker)进行通信
接收task的计算结果

Worker作用：
Worker 可以是一台真实的物理机，也可以是虚拟机，拥有 RAM 和 Core，执行运算

6.Spark算子–Transformations || Actions

Transformations \|\| Actions 这两类算子的区别
Transformations	Transformations类的算子会返回一个新的RDD，懒执行
Actions	Actions类的算子会返回基本类型或者一个集合，能够触发一个job的执行，代码里面有多少个action类算子，那么就有多少个job

常见的算子

Transformation类算子	map	输入一条，输出一条将原来 RDD 的每个数据项通过 map 中的用户自定义函数映射转变为一个新的元素。输入一条输出一条；
	flatMap	输入一条输出多条先进行map后进行flat
	mapPartitions	与 map 函数类似，只不过映射函数的参数由 RDD 中的每一个元素变成了 RDD 中每一个分区的迭代器。将 RDD 中的所有数据通过 JDBC 连接写入数据库，如果使用 map 函数，可能要为每一个元素都创建一个 connection，这样开销很大，如果使用 mapPartitions，那么只需要针对每一个分区建立一个 connection。
	mapPartitionsWithIndex
	filter	依据条件过滤的算子
	join	聚合类的函数，会产生shuffle，必须作用在KV格式的数据上 join 是将两个 RDD 按照 Key 相同做一次聚合；而 leftouterjoin 是依据左边的 RDD 的 Key 进行聚
	union	不会进行数据的传输，只不过将这两个的RDD标识一下（代表属于一个RDD）
	reduceByKey	先分组groupByKey，后聚合根据传入的匿名函数聚合，适合在 map 端进行 combiner
	sortByKey	依据 Key 进行排序，默认升序，参数设为 false 为降序
	mapToPair	进行一次 map 操作，然后返回一个键值对的 RDD。(所有的带 Pair 的算子返回值均为键值对)
	sortBy	根据后面设置的参数排序
	distinct	对这个 RDD 的元素或对象进行去重操作
Actions类算子	foreach	foreach 对 RDD 中的每个元素都应用函数操作，传入一条处理一条数据，返回值为空
	collect	返回一个集合（RDD[T] => Seq[T]） collect 相当于 toArray， collect 将分布式的 RDD 返回为一个单机的 Array 数组。
	count	一个 action 算子，计数功能，返回一个 Long 类型的对象
	take(n)	取前N条数据
	save	将RDD的数据存入磁盘或者HDFS
	reduce	返回T和原来的类型一致（RDD[T] => T）
	foreachPartition	foreachPartition 也是根据传入的 function 进行处理，但不同处在于 function 的传入参数是一个 partition 对应数据的 iterator，而不是直接使用 iterator 的 foreach。

map和flatMap者两个算子的区别
《spark》

7.Spark中WordCount演变流程图_Scala和Java代码

《spark》
这里以Scala代码为例

package com.hzf.spark.exercise
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
/**
* 统计每一个单词出现的次数
*/
object WordCount{
def main(args:Array[String]):Unit={
/**
* 设置Spark运行时候环境参数，可以在SparkConf对象里面设置
* 我这个应用程序使用多少资源 appname 运行模式
*/
val conf =newSparkConf()
.setAppName("WordCount")
.setMaster("local")
/**
* 创建Spark的上下文 SparkContext
*
* SparkContext是通往集群的唯一通道。
* Driver
*/
val sc =newSparkContext(conf)
//将文本中数据加载到linesRDD中
val linesRDD = sc.textFile("userLog")
//对linesRDD中每一行数据进行切割
val wordsRDD = linesRDD.flatMap(_.split(" "))
val pairRDD = wordsRDD.map{(_,1)}
/**
* reduceByKey是一个聚合类的算子，实际上是由两步组成
*
* 1、groupByKey
* 2、recuce
*/
val resultRDD = pairRDD.reduceByKey(_+_)
/*(you,2)
(Hello,2)
(B,2)
(a,1)
(SQL,2)
(A,3)
(how,2)
(core,2)
(apple,1)
(H,1)
(C,1)
(E,1)
(what,2)
(D,2)
(world,2)*/
resultRDD.foreach(println)
/*(Spark,5)
(A,3)
(are,2)
(you,2)
(Hello,2)*/
val sortRDD = resultRDD.map(x=>(x._2,x._1))
val topN = sortRDD.sortByKey(false).map(x=>(x._2,x._1)).take(5)
topN.foreach(println)
}
}

并行化：把一个本地集合或数据转化为RDD的过程就是并行化
《spark》
7.Spark_RDD持久化 7.1cache需要注意的事项

1.cache的返回值，必须赋值给一个新的变量（或者原来的是var类型的变量），然后在其他job中直接使用这个变量即可

2.cache是一个懒执行的算子，所以必须有Actions类型的算子（比如：count）触发它

3.cache算子的后面不能立即添加Actions类型的算子（比如：val aRDD = linesRDD.cache()是正确的，而val bRDD = linesRDD.cache().count就是错误的）

7.2cache 和 persist 联系 || 区别？
联系：cache和persist都为懒执行,所以需要触发Actions类型的算子才会将RDD的结果持久化到内存
区别：cache是persist的一个简化版(cache是持久化到内存)，persist里面可以手动指定其他持久化级别
liensRDD = liensRDD.cache() 等价于 liensRDD = liensRDD.persist(StorageLevel.MEMORY_ONLY)
《spark》参数的含义： (1)持久化到磁盘 (2)持久化到内存 (3)使用对外内存(一般都是 false) (4) 表示“不序列化”：true 表示不序列化；false 表示序列化 (5)表示副本个数
持久化的单位是partition，上面的2是指partition的备份数，不是指持久化到几个节点上
7.3另一个持久化的算子–checkpoint checkpoin也是懒执行，为了使RDD持久化的数据更加安全，可以使用checkpoint

checkpoint流程
《spark》 1.在RDD的job执行完成之后，会自动的从
finalRDD(RDD3)从后往前进行
回溯(为什么能够回溯？因为RDD的第三大特性，RDD之间是有一系列的依赖关系)，遇到哪一个RDD（这里是RDD2）调用了checkpoint这个方法，就会对这个RDD做一个标记
maked for checkpoint
2.另外
重新启动一个新的job,重新计算被标记的RDD，将RDD的结果写入到HDFS中 3.
如何对第二步进行优化：重新计算被标记的RDD,这样的话这个RDD就被计算了两次，最好调用checkpoint之前进行cache一下，这样的话，重新启动这个job只需要将内存中的数据拷贝到HDFS上就可以（省去了计算的过程）
4.checkpoint的job执行完成之后，会将这个RDD的依赖关系切断（即RDD2不需要再依赖RDD1，因为已经将RDD2这一步持久化了，以后需要数据的时候直接从持久化的地方取就可以了），并统一更名为checkpointRDD（RDD3的父RDD更名为checkpointRDD）