美文网首页
Spark学习笔记二:Spark Core

Spark学习笔记二:Spark Core

作者: 开发者连小超 | 来源:发表于2019-12-21 21:26 被阅读0次

    一、RDD

    RDD概念

    RDD(Resilient Distributed Dateset)弹性分布式数据集

    RDD的五大特性
    1. RDD是由一系列的partition组成的。
    2. 算子(函数)是作用在每一个partition上的。
    3. RDD之间有一系列的依赖关系。
    4. 分区器是作用在K,V格式的RDD上。
    5. RDD提供一系列最佳的计算位置。
    RDD理解图
    RDD图.png
    • textFile方法底层封装的是读取MapReduce读取文件的方式,读取文件之前先split,默认split大小是一个block大小(128M),每个split对应生产RDD的每个partition。
    • RDD实际上不存储数据,这里方便理解,暂时理解为存储数据。
    • 什么是K,V格式的RDD?
      如果RDD里面存储的数据都是二元组(Tuple)对象,那么这个RDD我们就叫做K,V格式的RDD。
    • 哪里体现RDD的弹性(容错)?
      partition数量,大小没有限制,体现了RDD的弹性。
      RDD之间依赖关系,可以基于上一个RDD重新计算出RDD。
    • 哪里体现RDD的分布式?
      RDD是由Partition组成,partition是分布在不同节点上的。
    • RDD提供计算最佳位置,体现了数据本地化。体现了大数据中“计算移动数据不移动”的理念。
    窄依赖和宽依赖

    RDD之间有一系列的依赖关系,依赖关系又分为窄依赖和宽依赖。

    • 窄依赖
      父RDD和子RDD partition之间的关系是一对一的。或者父RDD一个partition只对应一个子RDD的partition情况下的父RDD和子RDD partition关系是多对一的。不会有shuffle的产生。
    • 宽依赖
      父RDD与子RDD partition之间的关系是一对多。会有shuffle的产生。
    RDD的宽窄依赖.jpg

    二、Spark任务执行原理

    Spark任务执行原理.png

    以上图中有四个机器节点,Driver和Worker是启动在节点上的进程,运行在JVM中的进程。

    • Driver与集群节点之间有频繁的通信。
    • Driver负责任务(tasks)的分发和结果的回收。任务的调度。如果task的计算结果非常大就不要回收了,会造成oom。
    • Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM进程。
    • Master是Standalone资源调度框架里面资源管理的主节点。也是JVM进程。

    三、Spark代码流程

    1. 创建SparkConf对象
      可以设置Application name。
      可以设置运行模式及资源需求。
    2. 创建SparkContext对象
    3. 基于Spark的上下文创建一个RDD,对RDD进行处理。
    4. 应用程序中要有Action类算子来触发Transformation类算子执行。
    5. 关闭Spark上下文对象SparkContext。

    四、Spark算子

    1.Transformations转换算子

    Transformations类算子是一类算子(函数)叫做转换算子,如map,flatMap,reduceByKey等。Transformations算子是延迟执行,也叫懒加载执行。

    Transformation类算子:

    • filter
      过滤符合条件的记录数,true保留,false过滤掉。

    • map
      将一个RDD中的每个数据项,通过map中的函数映射变为一个新的元素。
      特点:输入一条,输出一条数据。

    • flatMap
      先map后flat。与map类似,每个输入项可以映射为0到多个输出项。

    • sample
      随机抽样算子,根据传进去的小数按比例进行又放回或者无放回的抽样。

    • reduceByKey
      将相同的Key根据相应的逻辑进行处理。

    • sortByKey/sortBy
      作用在K,V格式的RDD上,对key进行升序或者降序排序。

    • join,leftOuterJoin,rightOuterJoin,fullOuterJoin
      作用在K,V格式的RDD上。根据K进行连接,对(K,V)join(K,W)返回(K,(V,W))
      ★ join后的分区数与父RDD分区数多的那一个相同。

    • union
      合并两个数据集。两个数据集的类型要一致。
      ★ 返回新的RDD的分区数是合并RDD分区数的总和。

    • intersection
      取两个数据集的交集,返回新的RDD与父RDD分区多的一致

    • subtract
      取两个数据集的差集,结果RDD的分区数与subtract前面的RDD的分区数一致。

    • mapPartitions
      与map类似,遍历的单位是每个partition上的数据。

    • distinct(map+reduceByKey+map)

    • cogroup
      当调用类型(K,V)和(K,W)的数据上时,返回一个数据集(K,(Iterable<V>,Iterable<W>)),子RDD的分区与父RDD多的一致。

    • mapPartitionWithIndex
      类似于mapPartitions,除此之外还会携带分区的索引值。

    • repartition
      增加或减少分区。会产生shuffle。(多个分区分到一个分区不会产生shuffle)

    • coalesce
      coalesce常用来减少分区,第二个参数是减少分区的过程中是否产生shuffle。
      true为产生shuffle,false不产生shuffle。默认是false。
      如果coalesce设置的分区数比原来的RDD的分区数还多的话,第二个参数设置为false不会起作用,如果设置成true,效果和repartition一样。即repartition(numPartitions) = coalesce(numPartitions,true)

    • groupByKey
      作用在K,V格式的RDD上。根据Key进行分组。作用在(K,V),返回(K,Iterable <V>)。

    • zip
      将两个RDD中的元素(KV格式/非KV格式)变成一个KV格式的RDD,两个RDD的每个分区元素个数必须相同。

    • zipWithIndex
      该函数将RDD中的元素和这个元素在RDD中的索引号(从0开始)组合成(K,V)对。

    2.Action行动算子

    Action类算子也是一类算子(函数)叫做行动算子,如foreach,collect,count等。Transformations类算子是延迟执行,Action类算子是触发执行。一个application应用程序中有几个Action类算子执行,就有几个job运行。

    Action类算子:

    • count
      返回数据集中的元素数。会在结果计算完成后回收到Driver端。

    • take(n)
      返回一个包含数据集前n个元素的集合。

    • first
      first=take(1),返回数据集中的第一个元素。

    • foreach
      循环遍历数据集中的每个元素,运行相应的逻辑。

    • collect
      将计算结果回收到Driver端。

    • foreachPartition
      遍历的数据是每个partition的数据。

    • countByKey
      作用到K,V格式的RDD上,根据Key计数相同Key的数据集元素。

    • countByValue
      根据数据集每个元素相同的内容来计数。返回相同内容的元素对应的条数。

    • reduce
      根据聚合逻辑聚合数据集中的每个元素。

    3.控制算子

    控制算子有三种,cache,persist,checkpoint,以上算子都可以将RDD持久化,持久化的单位是partition。cache和persist都是懒执行的。必须有一个action类算子触发执行。checkpoint算子不仅能将RDD持久化到磁盘,还能切断RDD之间的依赖关系。

    • cache
      默认将RDD的数据持久化到内存中。cache是懒执行
      注意:chche () = persist()=persist(StorageLevel.Memory_Only)

    • persist
      可以指定持久化的级别。最常用的是MEMORY_ONLY和MEMORY_AND_DISK。”_2”表示有副本数。持久化级别如下:

      persist持久化级.png

    cache和persist的注意事项:
     1.cache和persist都是懒执行,必须有一个action类算子触发执行。
     2.cache和persist算子的返回值可以赋值给一个变量,在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。
     3.cache和persist算子后不能立即紧跟action算子。
     4.cache和persist算子持久化的数据当applilcation执行完成之后会被清除。
     错误:rdd.cache().count() 返回的不是持久化的RDD,而是一个数值了。

    • checkpoint
      checkpoint将RDD持久化到磁盘,还可以切断RDD之间的依赖关系。checkpoint目录数据当application执行完之后不会被清除。

    checkpoint的执行原理:
     当RDD的job执行完毕后,会从finalRDD从后往前回溯。
     当回溯到某一个RDD调用了checkpoint方法,会对当前的RDD做一个标记。
     Spark框架会自动启动一个新的job,重新计算这个RDD的数据,将数据持久化到HDFS上。
     优化:对RDD执行checkpoint之前,最好对这个RDD先执行cache,这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以,省去了重新计算这一步。

    checkpoint代码示例:

    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();
    

    相关文章

      网友评论

          本文标题:Spark学习笔记二:Spark Core

          本文链接:https://www.haomeiwen.com/subject/lofnnctx.html