一、RDD
RDD概念
RDD（Resilient Distributed Dateset）弹性分布式数据集
RDD的五大特性
- RDD是由一系列的partition组成的。
- 算子（函数）是作用在每一个partition上的。
- RDD之间有一系列的依赖关系。
- 分区器是作用在K,V格式的RDD上。
- 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
- 创建SparkConf对象
可以设置Application name。
可以设置运行模式及资源需求。 - 创建SparkContext对象
- 基于Spark的上下文创建一个RDD，对RDD进行处理。
- 应用程序中要有Action类算子来触发Transformation类算子执行。
- 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();
网友评论