关于《Spark快速大数据分析》这本书

Spark快速大数据分析

写在前面

我根据个人粗浅的认知，把大数据相关的工作笼统地分为“开发层”和“应用层”两个大类。
所谓开发层，是指真正的大数据工程师的工作。比如说，线上业务每天会产生很多数据，保存在了一个Mongo库。这些数据是原始的、文本的、杂乱的。大数据工程师负责去清洗、转换，并最终以一种结构化或半结构化的方式存储下来，如hive表等。
所谓应用层，则是指后续的数据分析人员、建模人员等基于上述已经比较规整的数据做一些应用分析，比如建立模型、分析业务、生成BI报表等。大部分时候，应用层人员可能仅使用hive-sql这种简单的工具即可完成任务，但当数据量较大或数据提取逻辑较复杂时，使用Spark则可能更高效。
我本人是一个模型工程师，也就是属于所谓的“应用层”。因此本文是从这个角度去理解和总结《Spark快速大数据分析》这本书的。
毫无疑问的是，应用层的人所需要的大数据相关技能，要比开发层简单的多，我本人对于大数据的理解，也比专业的大数据工程师粗浅的多。

关于这本书

我看的是第一版，出版时间为2015年9月，现在时间为2020年2月。Spark是快速发展和迭代的，因此可以说，这本书有点过时了。从具体的内容上说，这本书出版时，还没有Spark.DataFrame，而只有RDD、PairRDD、SchemaRDD（SchemaRDD后来发展成为Spark.DataFrame）。而作为应用层人员，面对的数据都是大数据开发人员准备好的结构化的，因此最常使用的数据格式肯定是Spark.DataFrame而不是更原始的RDD。因此我的总结是，这本书对于大数据初级应用人员来说，实际价值不大。（但对于大数据开发人员而言可能还是很好的一本书）。

要点总结

尽管如此，这本书还是提供了诸多有用的知识，可能是关于Spark整体架构的理解，也可能是琐碎的应用技巧。现无序总结如下。
（1）RDD的基本单位类似于文本中的行，针对RDD的filter、map等基本操作可以理解为是操作在了每一行上。
（2）关于DAG和惰性计算：一段典型的Spark代码的功能，无非是“读入数据形成RDD(or DataFrame) 或 创建RDD(or DataFrame) → 一系列的转换操作 → 保存结果”，Spark本身会首先解析代码（但不执行），解析后形成一个DAG。等到有保存、collect等操作时，Spark会根据DAG开始真正计算
（3）关于persist：假想一段Spark代码被解析成了如下的DAG，其中a是来源于分布式文件系统的原始数据，i是要保存回分布式文件系统的结果。根据（2），i的保存操作触发Spark的真正计算。为了得到i，需要首先得到g和h，为了得到g，需要得到d和e，为了得到d，需要首先得到c。最终能够回溯到读取操作上。但是，Spark本身不自动缓存中间会被重复使用的结果。比如首先屡出了一条线abcdgi，另一条线是abcegi，Spark会无脑的把两条线都计算一遍，造成浪费。persist的功能就是解决这个问题。在Spark代码中，通过转换得到c后，添加一个语句：c.persist()，该语句的功能是把中间结果c持久化到内存中。这样就不必重复计算了。总结一句话，只要一个中间结果会被使用两次及以上，就对其进行持久化缓存处理。

一个假想的SparkDAG
（4）关于文件的读取与保存：Spark可以与分布式文件系统（HDFS等）或更高层面的分布式数据库（Hive、HBase等）进行交互。前者的典型方法就是sc.textFile()、sc.saveAsTextFile()、sc.sequenceFile()、sc.saveAsSequenceFile()等，后者的典型交互方式则来源于SparkSQL，通常是通过执行一段SQL代码来获取原始的输入数据。
（5）关于spark-submit：应了解其各个参数的含义，并能够较合理的进行应用。此处不表，回头单独总结。
（6）SchemaRDD就是后来的Spark.DataFrame。
（7）入门级最常用最该学习的是SparkSQL工具及Spark.DataFrame的常用操作。