Spark學習總結——SparkCore、任務執行原理、算子

Spark初始

什麼是Spark

• Apache Spark
  Apache Spark 是專爲大規模數據處理而設計的快速通用的計算引擎。Spark是UC Berkeley AMP lab (加州大學伯克利分校的AMP實驗室)所開源的類Hadoop MapReduce的通用並行計算框架，Spark擁有Hadoop MapReduce所具有的優點；但不同於MapReduce的是Job中間輸出結果可以保存在內存中，從而不再需要讀寫HDFS，因此Spark能更好地適用於數據挖掘與機器學習等需要迭代的MapReduce的算法。
  Spark是Scala編寫，方便快速編程。

總體技術棧講解

Spark與MapReduce的區別

• 區別
  都是分佈式計算框架，Spark基於內存，MR基於HDFS。Spark處理數據的能力一般是MR的十倍以上，Spark中除了基於內存計算外，還有DAG有向無環圖來切分任務的執行先後順序。

Spark運行模式

• Local
  多用於本地測試，如在eclipse，idea中寫程序測試等。
• Standalone
  Standalone是Spark自帶的一個資源調度框架，它支持完全分佈式。
• Yarn
  Hadoop生態圈裏面的一個資源調度框架，Spark也是可以基於Yarn來計算的。
• Mesos
  資源調度框架。
  要基於Yarn來進行資源調度，必須實現AppalicationMaster接口，Spark實現了這個接口，所以可以基於Yarn。

SparkCore

RDD

• 概念：RDD(Resilient Distributed Dateset)，彈性分佈式數據集。
• RDD的五大特性：
  1.RDD是由一系列的partition組成的。
  2.函數是作用在每一個partition（split）上的。
  3.RDD之間有一系列的依賴關係。
  4.分區器是作用在K,V格式的RDD上。
  5.RDD提供一系列最佳的計算位置。
• RDD理解圖:
  
• 注意：
  1.textFile方法底層封裝的是讀取MR讀取文件的方式，讀取文件之前先split，默認split大小是一個block大小。
  2.RDD實際上不存儲數據，這裏方便理解，暫時理解爲存儲數據。
  3.什麼是K,V格式的RDD?
  如果RDD裏面存儲的數據都是二元組對象，那麼這個RDD我們就叫做K,V格式的RDD。
  4.哪裏體現RDD的彈性（容錯）？
  partition數量，大小沒有限制，體現了RDD的彈性。
  RDD之間依賴關係，可以基於上一個RDD重新計算出RDD。
  5.哪裏體現RDD的分佈式？
  RDD是由Partition組成，partition是分佈在不同節點上的。
  6.RDD提供計算最佳位置，體現了數據本地化。體現了大數據中“計算移動數據不移動”的理念。

Spark任務執行原理

以上圖中有四個機器節點，Driver和Worker是啓動在節點上的進程，運行在JVM中的進程。

• Driver與集羣節點之間有頻繁的通信。
• Driver負責任務(tasks)的分發和結果的回收。任務的調度。如果task的計算結果非常大就不要回收了。會造成oom。
• Worker是Standalone資源調度框架裏面資源管理的從節點。也是JVM進程。
• Master是Standalone資源調度框架裏面資源管理的主節點。也是JVM進程。

Spark代碼流程

1. 創建SparkConf對象
   可以設置Application name。可以設置運行模式及資源需求。
2. 創建SparkContext對象
3. 基於Spark的上下文創建一個RDD，對RDD進行處理。
4. 應用程序中要有Action類算子來觸發Transformation類算子執行。
5. 關閉Spark上下文對象SparkContext。

Transformations轉換算子

• 概念：Transformations類算子是一類算子（函數）叫做轉換算子，如map,flatMap,reduceByKey等。Transformations算子是延遲執行，也叫懶加載執行。
• Transformation類算子：
  1.filter：過濾符合條件的記錄數，true保留，false過濾掉。
  2.map：將一個RDD中的每個數據項，通過map中的函數映射變爲一個新的元素。
  特點：輸入一條，輸出一條數據。
  3.flatMap：先map後flat。與map類似，每個輸入項可以映射爲0到多個輸出項。
  4.sample：隨機抽樣算子，根據傳進去的小數按比例進行又放回或者無放回的抽樣。
  reduceByKey：將相同的Key根據相應的邏輯進行處理。
  sortByKey/sortBy：作用在K,V格式的RDD上，對key進行升序或者降序排序。

Action行動算子

• 概念：Action類算子也是一類算子（函數）叫做行動算子，如foreach,collect，count等。Transformations類算子是延遲執行，Action類算子是觸發執行。一個application應用程序中有幾個Action類算子執行，就有幾個job運行。
• Action類算子：
  1.count：返回數據集中的元素數。會在結果計算完成後回收到Driver端。
  2.take(n)：返回一個包含數據集前n個元素的集合。
  3.first：first=take(1),返回數據集中的第一個元素。
  4.foreach：循環遍歷數據集中的每個元素，運行相應的邏輯。
  5.collect：將計算結果回收到Driver端。
  思考：一千萬條數據量的文件，過濾掉出現次數多的記錄，並且其餘記錄按照出現次數降序排序。

控制算子

• 概念：控制算子有三種，cache,persist,checkpoint，以上算子都可以將RDD持久化，持久化的單位是partition。cache和persist都是懶執行的。必須有一個action類算子觸發執行。checkpoint算子不僅能將RDD持久化到磁盤，還能切斷RDD之間的依賴關係。
• cache
  默認將RDD的數據持久化到內存中。cache是懶執行。
  注意：chche () =persist()=persist(StorageLevel.Memory_Only)

 SparkConf conf = new SparkConf();
 conf.setMaster("local").setAppName("CacheTest");
 JavaSparkContext jsc = new JavaSparkContext(conf);
 JavaRDD<String> lines = jsc.textFile("./NASA_access_log_Aug95");

 lines = lines.cache();
 long startTime = System.currentTimeMillis();
 long count = lines.count();
 long endTime = System.currentTimeMillis();
 System.out.println("共"+count+ "條數據，"+"初始化時間+cache時間+計算時間="+ 
          (endTime-startTime));
		
 long countStartTime = System.currentTimeMillis();
 long countrResult = lines.count();
 long countEndTime = System.currentTimeMillis();
 System.out.println("共"+countrResult+ "條數據，"+"計算時間="+ (countEndTime-
           countStartTime));
		
 jsc.stop();

• persist：可以指定持久化的級別。最常用的是MEMORY_ONLY和MEMORY_AND_DISK。”_2”表示有副本數。
  
• cache和persist的注意事項：
  1.cache和persist都是懶執行，必須有一個action類算子觸發執行。
  2.cache和persist算子的返回值可以賦值給一個變量，在其他job中直接使用這個變量就是使用持久化的數據了。持久化的單位是partition。
  3.cache和persist算子後不能立即緊跟action算子。
  4.cache和persist算子持久化的數據當applilcation執行完成之後會被清除。
  錯誤：rdd.cache().count() 返回的不是持久化的RDD，而是一個數值了。
• checkpoint
  checkpoint將RDD持久化到磁盤，還可以切斷RDD之間的依賴關係。checkpoint目錄數據當application執行完之後不會被清除。
  checkpoint 的執行原理：
  1.當RDD的job執行完畢後，會從finalRDD從後往前回溯。
  2.當回溯到某一個RDD調用了checkpoint方法，會對當前的RDD做一個標記。
  3.Spark框架會自動啓動一個新的job，重新計算這個RDD的數據，將數據持久化到HDFS上。
  優化：對RDD執行checkpoint之前，最好對這個RDD先執行cache，這樣新啓動的job只需要將內存中的數據拷貝到HDFS上就可以，省去了重新計算這一步。
  使用：

 SparkConf conf = new SparkConf();
 conf.setMaster("local").setAppName("checkpoint");
 JavaSparkContext sc = new JavaSparkContext(conf);
 sc.setCheckpointDir("./checkpoint");
 JavaRDD<Integer> parallelize = sc.parallelize(Arrays.asList(1,2,3));
 parallelize.checkpoint();
 parallelize.count();
 sc.stop();