image.png
前言
本节科目主要做spark的相关入门知识
1.1、spark是什么？(what?)
spark是一个快速而通用的集群计算平台，扩展了MapReduce的计算模型，能够高效的支持更多计算模式，包含交互式查询和流处理。在spark核心数据处理引擎之上，有用于SQL，流处理，机器学习，图形计算等的库(如下图)。并且spark支持很多语言，包含Java，Python,Scala等(Scala更适配哦，spark本身由scala开发)。
image.png
1.2、为什么使用spark(why)?
1.2.1、haddop生态系统臃肿
现阶段hadoop生态系统存在的问题
- 离线计算：MapReduce
- hive:历史数据分析
- hbase：实时数据查询
- storm:流处理
这就导致维护成本和学习成本很高。而spark弥补了这些。 - spark streaming：流式计算
- spark sql:即时查询
- MLib：机器学习
- Graphx：图处理
1.2.2、效率高
spark基于内存开发。
1.3、什么时候使用spark(when)?
- 需要多次操作特定集合：基于内存计算的原理
- 粗粒度更新状态
1.4、怎么使用spark(how)?
我们通过一个简单的wordCount的demo看下。
public class WordCount {
public static void main(String[] args) {
// 编写Spark应用程序
// 本地执行，是可以执行在eclipse中的main方法中，执行的
// 第一步：创建SparkConf对象，设置Spark应用的配置信息
// 使用setMaster()可以设置Spark应用程序要连接的Spark集群的master节点的url
// 但是如果设置为local则代表，在本地运行
SparkConf conf = new SparkConf()
.setAppName("WordCountLocal")
.setMaster("local");
// 第二步：创建JavaSparkContext对象
// 在Spark中，SparkContext是Spark所有功能的一个入口，你无论是用java、scala，甚至是python编写
// 都必须要有一个SparkContext，它的主要作用，包括初始化Spark应用程序所需的一些核心组件，包括
// 调度器（DAGSchedule、TaskScheduler），还会去到Spark Master节点上进行注册，等等
// 一句话，SparkContext，是Spark应用中，可以说是最最重要的一个对象
// 但是呢，在Spark中，编写不同类型的Spark应用程序，使用的SparkContext是不同的，如果使用scala，
// 使用的就是原生的SparkContext对象
// 但是如果使用Java，那么就是JavaSparkContext对象
// 如果是开发Spark SQL程序，那么就是SQLContext、HiveContext
// 如果是开发Spark Streaming程序，那么就是它独有的SparkContext
// 以此类推
JavaSparkContext sc = new JavaSparkContext(conf);
// 第三步：要针对输入源（hdfs文件、本地文件，等等），创建一个初始的RDD
// 输入源中的数据会打散，分配到RDD的每个partition中，从而形成一个初始的分布式的数据集
// 我们这里呢，因为是本地测试，所以呢，就是针对本地文件
// SparkContext中，用于根据文件类型的输入源创建RDD的方法，叫做textFile()方法
// 在Java中，创建的普通RDD，都叫做JavaRDD
// 在这里呢，RDD中，有元素这种概念，如果是hdfs或者本地文件呢，创建的RDD，每一个元素就相当于
// 是文件里的一行
JavaRDD<String> lines = sc.textFile("/Users/sunliangliang/Documents/personal/csv/000002.csv");
// 第四步：对初始RDD进行transformation操作，也就是一些计算操作
// 通常操作会通过创建function，并配合RDD的map、flatMap等算子来执行
// function，通常，如果比较简单，则创建指定Function的匿名内部类
// 但是如果function比较复杂，则会单独创建一个类，作为实现这个function接口的类
// 先将每一行拆分成单个的单词
// FlatMapFunction，有两个泛型参数，分别代表了输入和输出类型
// 我们这里呢，输入肯定是String，因为是一行一行的文本，输出，其实也是String，因为是每一行的文本
// 这里先简要介绍flatMap算子的作用，其实就是，将RDD的一个元素，给拆分成一个或多个元素
JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
private static final long serialVersionUID = 1L;
@Override
public Iterator<String> call(String line) throws Exception {
String word = new String(line.getBytes("UTF-8"));
System.out.println("word = "+word);
return Arrays.asList(word.split(",")).iterator();
}
});
// 接着，需要将每一个单词，映射为(单词, 1)的这种格式
// 因为只有这样，后面才能根据单词作为key，来进行每个单词的出现次数的累加
// mapToPair，其实就是将每个元素，映射为一个(v1,v2)这样的Tuple2类型的元素
// 如果大家还记得scala里面讲的tuple，那么没错，这里的tuple2就是scala类型，包含了两个值
// mapToPair这个算子，要求的是与PairFunction配合使用，第一个泛型参数代表了输入类型
// 第二个和第三个泛型参数，代表的输出的Tuple2的第一个值和第二个值的类型
// JavaPairRDD的两个泛型参数，分别代表了tuple元素的第一个值和第二个值的类型
JavaPairRDD<String, Integer> pairs = words.mapToPair(
new PairFunction<String, String, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2<String, Integer> call(String word) throws Exception {
return new Tuple2<String, Integer>(word, 1);
}
});
// 接着，需要以单词作为key，统计每个单词出现的次数
// 这里要使用reduceByKey这个算子，对每个key对应的value，都进行reduce操作
// 比如JavaPairRDD中有几个元素，分别为(hello, 1) (hello, 1) (hello, 1) (world, 1)
// reduce操作，相当于是把第一个值和第二个值进行计算，然后再将结果与第三个值进行计算
// 比如这里的hello，那么就相当于是，首先是1 + 1 = 2，然后再将2 + 1 = 3
// 最后返回的JavaPairRDD中的元素，也是tuple，但是第一个值就是每个key，第二个值就是key的value
// reduce之后的结果，相当于就是每个单词出现的次数
JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey(
new Function2<Integer, Integer, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
// 到这里为止，我们通过几个Spark算子操作，已经统计出了单词的次数
// 但是，之前我们使用的flatMap、mapToPair、reduceByKey这种操作，都叫做transformation操作
// 一个Spark应用中，光是有transformation操作，是不行的，是不会执行的，必须要有一种叫做action
// 接着，最后，可以使用一种叫做action操作的，比如说，foreach，来触发程序的执行
wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() {
private static final long serialVersionUID = 1L;
@Override
public void call(Tuple2<String, Integer> wordCount) throws Exception {
System.out.println(wordCount._1 + " 出现 " + wordCount._2 + " 次");
}
});
sc.close();
}
}
引入的pom如下
<properties>
<spark.version>2.1.0</spark.version>
<scala.version>2.11</scala.version>
</properties>
<dependencies>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-mllib_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.10</artifactId>
<version>1.6.1</version>
</dependency>
</dependencies>
1.5、其他
- 1.5.1、SparkContext:
编写spark程序用到的第一个类，该类是spark的主要入口点，若spark集群当做服务端，那么SparkContext就是客户端的核心；它是用于连接spark集群、创建RDD、累加器、广播变量的基础。参考官网上的图片。
image.png
-
1.5.2、sparkcontext相关组件
image.png
-
1.5.3、创建sparkcontext
SparkConf conf = new SparkConf()
.setAppName("WordCountLocal")
.setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
注：如果不做特殊说明，后续文章中sc = JavaSparkContext对象。
参考出处
网友评论