Spark學習（2）——Spark介紹

一、簡介

（1）什麼是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。

（2）Spark與MapReduce的區別

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

（3）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（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）。
• Mesos： 資源調度框架。

二、SparkCore

2.1、RDD：彈性分佈式數據集

（1）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：

• 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。
• RDD實際上不存儲數據，這裏方便理解，暫時理解爲存儲數據。
• 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。
• 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。
• 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
• 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。

 2.2、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。

2.3、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

2.4、Transformations轉換算子

（1）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。

（2）Transformation類算子：

• filter: 過濾符合條件的記錄數，true保留，false過濾掉;
• 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）；
• 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；
• 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

2.5、Action行動算子

（1）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。

（2）Action類算子

• 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。
• take(n)：返回一個包含數據集前n個元素的集合。
• first：first=take(1),返回數據集中的第一個元素。
• foreach：循環遍歷數據集中的每個元素，運行相應的邏輯。
• collect：將計算結果回收到Driver端。

2.6、控制算子

（1）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。

（2）cache介紹

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)

測試cache文件：文件：見“NASA_access_log_Aug95”文件

測試代碼：

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();

（3）persist介紹

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：

• cache和persist都是懶執行，必須有一個action類算子觸發執行；
• ache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；
• cache和persist算子後不能立即緊跟action算子；
• 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。

（4）checkpoint介紹

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();

2.7、算子補充

transformation：

（1）join,leftOuterJoin,rightOuterJoin,fullOuterJoin

作用在K,V格式的RDD上。根據K進行連接，對（K,V）join(K,W)返回（K,(V,W)）

join後的分區數與父RDD分區數多的那一個相同。

（2）union

合併兩個數據集。兩個數據集的類型要一致。

返回新的RDD的分區數是合併RDD分區數的總和。

（3）intersection

取兩個數據集的交集，返回新的RDD與父RDD分區多的一致

（4）subtract

取兩個數據集的差集，結果RDD的分區數與subtract前面的RDD的分區數一致。

（5）mapPartitions

與map類似，遍歷的單位是每個partition上的數據。

（6）distinct(map+reduceByKey+map)

（7）cogroup

當調用類型（K,V）和（K，W）的數據上時，返回一個數據集（K，（Iterable<V>,Iterable<W>）），子RDD的分區與父RDD多的一致。

action：

（1）foreachPartition

遍歷的數據是每個partition的數據。