Spark的算子(函数)

作者: 羋学僧 | 来源:发表于2020-10-11 18:56 被阅读0次

Spark的算子

1、RDD基础

什么是RDD？

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。

RDD的属性（源码中的一段话）

一组分区（A list of partitions），即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。

一个计算每个分区的函数（A function for computing each split）。Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。

RDD之间的依赖关系（A list of dependencies on other RDDs）。RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。

一个Partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的 HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD，才会有 Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuﬄe输出时的分片数量。（Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)）

一个列表，存储存取每个Partition的优先位置（Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)）。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念，Spark在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

MapReduce和RDD分区

RDD的创建方式

一、通过外部的数据文件创建，如HDFS

val rdd1 = sc.textFile("hdfs://bigdata02:9000/wordcount.txt")

二、通过sc.parallelize进行创建

val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8),3)

RDD的类型：

Transformation和Action RDD的基本原理

2、Transformation

RDD中的所有转换都是延迟加载的，也就是说，它们并不会直接计算结果。

转换	含义
map(func)	返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成
ﬁlter(func)	返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成
ﬂatMap(func)	类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）
mapPartitions(func)	类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]
mapPartitionsWithIndex(func)	类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U]
sample(withReplacement, fraction, seed)	根据fraction指定的比例对数据进行采样，可以选择是否使用随机数进行替换，seed用于指定随机数生成器种子
union(otherDataset)	对源RDD和参数RDD求并集后返回一个新的 RDD
intersection(otherDataset)	对源RDD和参数RDD求交集后返回一个新的 RDD
distinct([numTasks]))	对源RDD进行去重后返回一个新的RDD
groupByKey([numTasks])	在一个(K,V)的RDD上调用，返回一个(K, Iterator[V])的RDD
reduceByKey(func, [numTasks])	在一个(K,V)的RDD上调用，返回一个(K,V)的 RDD，使用指定的reduce函数，将相同key的值聚合到一起，与groupByKey类似，reduce任务的个数可以通过第二个可选的参数来设置。reduceBykey会有一个本地操作,相当于有一个combiner
aggregateByKey(zeroValue) (seqOp,combOp,[numTasks])
sortByKey([ascending], [numTasks])	在一个(K,V)的RDD上调用，K必须实现Ordered 接口，返回一个按照key进行排序的(K,V)的RDD
sortBy(func,[ascending], [numTasks])	与sortByKey类似，但是更灵活
join(otherDataset, [numTasks])	在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的 RDD
cogroup(otherDataset, [numTasks])	在类型为(K,V)和(K,W)的RDD上调用，返回一个 (K,(Iterable,Iterable))类型的RDD
cartesian(otherDataset)	笛卡尔积
pipe(command, [envVars])
coalesce(numPartitions)
repartition(numPartitions)
repartitionAndSortWithinPartitions (partitioner)

示例

val rdd1=sc.parallelize(Array(5,6,7,8,1,2,3,100,30),3)

val rdd2 = rdd1.map(_*2).sortBy(x=>x,true)

val rdd3 =rdd2.filter(_>50)

val rdd4 =sc.parallelize(Array("a b c","d e f","x y z"))

val rdd5 =rdd4.flatMap(_.split(" "))

并集交集

val rdd6=sc.parallelize(List(5,6,7,8,1,2,3,100,30))
val rdd7=sc.parallelize(List(1,2,3,4,5,6,7,8,9,10))
val rdd8=rdd6.union(rdd7)
val rdd9=rdd6.intersection(rdd7)

分组

val rdd10 =sc.parallelize(List(("Tom",1000),("Jerry",3000),("Mary",2000)))
val rdd11 =sc.parallelize(List(("Jerry",1000),("Tom",3000),("Mike",2000)))

val rdd12 =rdd10.union(rdd11)
val rdd13 =rdd12.groupByKey

3、Action

动作	含义
reduce(func)	通过func函数聚集RDD中的所有元素，这个功能必须是课交换且可并联的
collect()	在驱动程序中，以数组的形式返回数据集的所有元素
count()	返回RDD的元素个数
ﬁrst()	返回RDD的第一个元素（类似于take(1)）
take(n)	返回一个由数据集的前n个元素组成的数组
takeSample(withReplacement,num, [seed])	返回一个数组，该数组由从数据集中随机采样的num个元素组成，可以选择是否用随机数替换不足的部分， seed用于指定随机数生成器种子
takeOrdered(n, [ordering])
saveAsTextFile(path)	将数据集的元素以textﬁle的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用 toString方法，将它装换为文件中的文本
saveAsSequenceFile(path)	将数据集中的元素以Hadoop sequenceﬁle的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。
saveAsObjectFile(path)
countByKey()	针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。
foreach(func)	在数据集的每一个元素上，运行函数func进行更新。

示例

rdd13.count
rdd13.take(2)

4、RDD的缓存机制

RDD通过persist方法或cache方法可以将前面的计算结果缓存，但是并不是这两个方法被调用时立即缓存，而是触发后面的action时，该RDD将会被缓存在计算节点的内存中，并供后面重用。

  /**
   * Persist this RDD with the default storage level (`MEMORY_ONLY`).
   */
  def persist(): this.type = persist(StorageLevel.MEMORY_ONLY)

  /**
   * Persist this RDD with the default storage level (`MEMORY_ONLY`).
   */
  def cache(): this.type = persist()

通过查看源码发现cache终也是调用了persist方法，默认的存储级别都是仅在内存存储一份，Spark 的存储级别还有好多种，存储级别在object StorageLevel中定义的。

/**
 * Various [[org.apache.spark.storage.StorageLevel]] defined and utility functions for creating
 * new storage levels.
 */
object StorageLevel {
  val NONE = new StorageLevel(false, false, false, false)
  val DISK_ONLY = new StorageLevel(true, false, false, false)
  val DISK_ONLY_2 = new StorageLevel(true, false, false, false, 2)
  val MEMORY_ONLY = new StorageLevel(false, true, false, true)
  val MEMORY_ONLY_2 = new StorageLevel(false, true, false, true, 2)
  val MEMORY_ONLY_SER = new StorageLevel(false, true, false, false)
  val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, false, 2)
  val MEMORY_AND_DISK = new StorageLevel(true, true, false, true)
  val MEMORY_AND_DISK_2 = new StorageLevel(true, true, false, true, 2)
  val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false, false)
  val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, false, 2)
  val OFF_HEAP = new StorageLevel(true, true, true, false, 1)

缓存有可能丢失，或者存储存储于内存的数据由于内存不足而被删除，RDD的缓存容错机制保证了即使缓存丢失也能保证计算的正确执行。通过基于RDD的一系列转换，丢失的数据会被重算，由于RDD的各个Partition是相对独立的，因此只需要计算丢失的部分即可，并不需要重算全部Partition。
Demo示例：

  val rdd1 =sc.textFile("hdfs://bigdata03:9000/oracle/sales")
  rdd1.count  #没有缓存，很慢
  rdd1.cache #缓存数据不会触发计算，因为cache是一个Transformation
  rdd1.count #很慢，但是缓存数据
  rdd1.count #很快

5、RDD的Checkpoint（检查点）

容错机制

检查点（本质是通过将RDD写入Disk做检查点）是为了通过lineage（血统）做容错的辅助，lineage过长会造成容错成本过高，这样就不如在中间阶段做检查点容错，如果之后有节点出现问题而丢失分区，从做检查点的RDD开始重做Lineage，就会减少开销。设置checkpoint的目录，可以是本地的文件夹、也可以是HDFS。一般是在具有容错能力，高可靠的文件系统上(比如HDFS, S3等)设置一个检查点路径，用于保存检查点数据。

分别举例说明：
本地目录注意：这种模式，需要将spark-shell运行在本地模式上

sc.setCheckpointDir("/home/bigdata/data/checkpoint1011")
val rdd1 =sc.textFile("hdfs://bigdata03:9000/oracle/sales")
rdd1.checkpoint
rdd1.count

HDFS的目录注意：这种模式，需要将spark-shell运行在集群模式上

sc.setCheckpointDir("hdfs://bigdata03:9000/checkpoint1011")
val rdd1 =sc.textFile("hdfs://bigdata03:9000/oracle/sales")
rdd1.checkpoint
rdd1.count

源码中的一段话

   * executed on this RDD. It is strongly recommended that this RDD is persisted in
   * memory, otherwise saving it on a file will require recomputation.

/**
   * Mark this RDD for checkpointing. It will be saved to a file inside the checkpoint
   * directory set with `SparkContext#setCheckpointDir` and all references to its parent
   * RDDs will be removed. This function must be called before any job has been
   * executed on this RDD. It is strongly recommended that this RDD is persisted in
   * memory, otherwise saving it on a file will require recomputation.
   */
  def checkpoint(): Unit = RDDCheckpointData.synchronized {
    // NOTE: we use a global lock here due to complexities downstream with ensuring
    // children RDD partitions point to the correct parent partitions. In the future
    // we should revisit this consideration.
    if (context.checkpointDir.isEmpty) {
      throw new SparkException("Checkpoint directory has not been set in the SparkContext")
    } else if (checkpointData.isEmpty) {
      checkpointData = Some(new ReliableRDDCheckpointData(this))
    }
  }

Lineage（血统）

RDD 只支持粗粒度转换，即只记录单个块上执行的单个操作。将创建RDD的一系列Lineage（即血统）记录下来，以便恢复丢失的分区。RDD 的Lineage会记录RDD 的元数据信息和转换行为，当该RDD 的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。

6、RDD的依赖关系和Spark任务中的Stage

RDD的依赖关系

RDD和它依赖的父RDD（s）的关系有两种不同的类型，即窄依赖（narrow dependency）和宽依赖（wide dependency）。

窄依赖指的是每一个父RDD的Partition多被子RDD的一个Partition使用

总结：窄依赖我们形象的比喻为独生子女

宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition

总结：窄依赖我们形象的比喻为超生

Spark任务中的Stage DAG(Directed Acyclic Graph)叫做有向无环图，原始的RDD通过一系列的转换就就形成了DAG，根据 RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在Stage中完成计算。对于宽依赖，由于有Shuﬄe的存在，只能在parent RDD处理完成后，才能开始接下来的计算，因此宽依赖是划分Stage的依据。

Spark RDD的高级算子

1、mapPartitionsWithIndex

把每个partition中的分区号和对应的值拿出来

  /**
   * Return a new RDD by applying a function to each partition of this RDD, while tracking the index
   * of the original partition.
   *
   * `preservesPartitioning` indicates whether the input function preserves the partitioner, which
   * should be `false` unless this is a pair RDD and the input function doesn't modify the keys.
   */
  def mapPartitionsWithIndex[U: ClassTag](
      f: (Int, Iterator[T]) => Iterator[U],
      preservesPartitioning: Boolean = false): RDD[U] = withScope {
    val cleanedF = sc.clean(f)
    new MapPartitionsRDD(
      this,
      (context: TaskContext, index: Int, iter: Iterator[T]) => cleanedF(index, iter),
      preservesPartitioning)
  }

接收一个函数参数：

第一个参数：分区号

第二个参数：分区中的元素示例：将每个分区中的元素和分区号打印出来。

示例：

val rdd1=sc.parallelize(List(1,2,3,4,5,6,7,8,9),2)

创建一个函数返回RDD中的每个分区号和元素：

def func1(index:Int,iter:Iterator[Int]):Iterator[String]={
iter.toList.map(x=>"[PartID:"+index+",value="+x+"]").iterator}

调用：

rdd1.mapPartitionsWithIndex(func1).collect

2、aggregate

先对局部聚合，再对全局聚合

def aggregate[U](zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U)(implicit arg0: ClassTag[U]): U
#Aggregate the elements of each partition, and then the results for all the partitions, using given combine functions and a neutral "zero value".

示例：

val rdd2 = sc.parallelize(List(1,2,3,4,5), 2) 

rdd2.mapPartitionsWithIndex(func1).collect

查看每个分区中的元素：

将每个分区中的大值求和，注意：初始值是0；

rdd2.aggregate(0)(math.max(_,_),_+_)

如果初始值时候10，则结果为：30

rdd2.aggregate(10)(math.max(_,_),_+_)

初始值会同时作用于局部操作和全局操作

如果是求和，注意：初始值是0：

rdd2.aggregate(0)(_+_,_+_)

如果初始值是10，则结果是：45

rdd2.aggregate(10)(_+_,_+_)

一个字符串的例子：

val rdd2 = sc.parallelize(List("a","b","c","d","e","f"),2)

修改一下刚才的查看分区元素的函数

def func2(index: Int, iter: Iterator[(String)]) : Iterator[String] = {  iter.toList.map(x => "[partID:" +  index + ", val: " + x + "]").iterator }

两个分区中的元素：

运行结果：

rdd2.aggregate("")(_+_,_+_)

rdd2.aggregate("|")(_+_,_+_)

更复杂一点的例子

val rdd3 = sc.parallelize(List("12","23","345","4567"),2)

rdd3.aggregate("")((x,y) => math.max(x.length, y.length).toString, (x,y) => x + y)

结果可能是：”24”，也可能是：”42”

val rdd4 = sc.parallelize(List("12","23","345",""),2)

rdd4.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y)

结果是：”10”，也可能是”01”

原因：注意有个初始值””，其长度0，然后0.toString变成字符串

val rdd5 = sc.parallelize(List("12","23","","345"),2)

rdd5.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y)

结果是：”11”，原因同上。

3、aggregateByKey

准备数据：

val pairRDD = sc.parallelize(List( ("cat",2), ("cat", 5), ("mouse", 4),("cat", 12), ("dog", 12), ("mouse", 2)), 2)

def func3(index: Int, iter: Iterator[(String, Int)]) : Iterator[String] = { iter.toList.map(x => "[partID:" +  index + ", val: " + x + "]").iterator }

两个分区中的元素：

示例：将每个分区中的动物多的个数求和

pairRDD.aggregateByKey(0)(math.max(_, _), _ + _).collect

将每种动物个数求和

pairRDD.aggregateByKey(0)( _ + _ , _ + _).collect

这个例子也可以使用：reduceByKey

pairRDD.reduceByKey(_+_).collect

4、coalesce与repartition

都是将RDD中的分区进行重分区。区别是：coalesce默认不会进行shuﬄe（false）；而repartition会进行shuﬄe（true），即：会将数据真正通过网络进行重分区。
示例：

def func4(index: Int, iter: Iterator[(Int)]) : Iterator[String] = { iter.toList.map(x => "[partID:" +  index + ", val: " + x + "]").iterator }

val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)

下面两句话是等价的：

val rdd2 = rdd1.repartition(3)

val rdd3 = rdd1.coalesce(3,true)
#如果是false，查看RDD的length依然是2