Spark基础与Java Api介绍

原创文章,转载请注明: 转载自http://www.cnblogs.com/tovin/p/3832405.html 

 

一、Spark简介

1、什么是Spark

发源于AMPLab实验室的分布式内存计算平台,它克服了MapReduce在迭代式计算和交互式计算方面的不足。

相比于MapReduce,Spark能充分利用内存资源提高计算效率。

2、Spark计算框架

Driver程序启动很多workers,然后workers在(分布式)文件系统中读取数据后转化为RDD(弹性分布式数据集),最后对RDD在内存中进行缓存和计算

3、为什么Spark计算速度快
(1)内存计算

(2)优化执行计划

  4、Spark Api语言支持

(1)Scala

(2)Java

(3)Python

5、怎么运行Spark

Local本地模式、Spark独立集群、Mesos、Yarn-Standalone、Yarn-Client

二、编程模型

1、RDD(弹性分布式数据集)是什么

只读的、分块的数据记录集合

可以通过读取来不同存储类型的数据进行创建、或者通过RDD操作生成(map、filter操作等)

使用者只能控制RDD的缓存或者分区方式

RDD的数据可以有多种类型存储方式(可(序列化)存在内存或硬盘中) 

2、RDD 存储类型 

RDD可以设置不同类型存储方式,只存硬盘、只存内存等。

3、RDD操作

Transformation:根据已有RDD创建新的RDD数据集build

Action:在RDD数据集运行计算后,返回一个值或者将结果写入外部存储
 
4、RDD如何创建
首先创建JavaSparkContext对象实例sc

        JavaSparkContext  sc = new JavaSparkContext("local","SparkTest");

  接受2个参数:

  第一个参数表示运行方式(local、yarn-client、yarn-standalone等)

  第二个参数表示应用名字
 
直接从集合转化 sc.parallelize(List(1,2,3,4,5,6,7,8,9,10))
从HDFS文件转化 sc.textFile("hdfs://")
从本地文件转化 sc.textFile("file:/")
下面例子中list2就是根据data2List生成的一个RDD
根据文件或者集合生成RDD后,接着就可以通过RDD的Transformation操作来完成对数据的各种转化操作
常用的map、flatMap、filter操作都是对单元素的操作
常用的groupByKey、join都是对(key、value)类型元素操作
 
5、RDD操作例子Java Api
(1)map
map操作对数据集每行数据执行函数里面操作
list1数据集("a,b,c,d,e"),("1,2,3,4,5"); 

执行结果:对list1数据集每行数据用","进行切分

(2)flatMap
flatMap相比于map操作,它对每行数据操作后会生成多行数据,而map操作只会生成一行。

执行结果:对list1数据集每行数据用","进行切分

 

(3)filter

filter对每行数据执行过滤操作,返回true则保留,返回false则过滤该行数据

 

  执行结果:过滤list1数据集中包含‘a’字符的行

(4)union

union操作对两个RDD数据进行合并。与SQL中的union一样

list2数据集("11,22,33,44,55"),("aa,bb,cc,dd,ee"); 
执行结果:合并list1与list2数据集
(5)groupByKey
groupByKey对pair中的key进行group by操作
pair1RDD数据集("a,1"),("b,2"),("a,3"),("b,4")

 

执行结果:对pair1RDD数据集按key进行group by

(6)reduceByKey

reduceByKey对pair中的key先进行group by操作,然后根据函数对聚合数据后的数据操作

执行结果:先group by操作后进行concat

(7)mapValues

mapValues操作对pair中的value部分执行函数里面的操作

执行结果:对pair1RDD中value部分加上test字符串

(8)join

join与sql中join含义一致,将两个RDD中key一致的进行join连接操作

pair2RDD数据集("a,11"),("b,22"),("a,13"),("c,4")

执行结果:对pair1RDD与pair2RDD按key进行join

(9)cogroup

cogroup对两个RDD数据集按key进行group by,并对每个RDD的value进行单独group by

 

  执行结果:对pair1RDD与pair2RDD按key进行cogroup

 

6、RDD数据如何输出

使用RDD的Transformation对数据操作后,需要再使用Action操作才能将结果数据输出
可以分别使用count、collect、save等操作来输出或统计RDD结果
7、RDD Action实例
执行结果:

  count:统计输出数据行数

  collect:输出所有输出数据

             save:保存输出数据至外部存储

7、WordCount实例                                                                  

 执行结果:

 

8、广播变量& 累加器

Broadcast variables(广播变量) 

广播变量,类似于hadoop中的distribute cache,将同一份数据分发至每台机器。

Accumulators(累加器)

类似于MapReduce中的counter,用于计数
 
 

三、调度机制

1、DAG Scheduler

为每个job分割stage,同时会决定最佳路径,并且DAG Scheduler会记录哪个RDD或者stage的数据被checkpoint,从而找到最优调度方案                                      (transformations是延迟执行的原因)

2、DAG Scheduler优化

单个Stage内Pipeline执行

基于分区选择合适的join算法最小化shuffle
重用已经cache过的数据

3、窄依赖& 宽依赖

窄依赖:每个子分区只依赖有限数目的父分区 

宽依赖:每个子分区只依赖所有的父分区

4、Stage

调度器会在产生宽依赖的地方形成一个stage,同一个stage内的RDD操作会流式执行,不会发生数据迁移。

rdd join操作属于宽依赖,从spark产生的日志可以看出需要分3个stage执行

       rdd flatMap、Map操作属于窄依赖,从spark产生的日志可以看出需要分1个stage执行

5、Shuffle

每个RDD都可以选择Partitioner进行shuffle操作

任何在两个RDD上的shuffle操作,将选择其中一个RDD的Partitioner作为标准。如果两个RDD都没有设置Partitioner的话,就使用默认的HashPartitioner

shuffle需要在node之间移动数据,会影响spark执行效率,应该尽量避免RDD操作中发生shuffle。

 

 

原创文章,转载请注明: 转载自http://www.cnblogs.com/tovin/p/3832405.html 

转载于:https://www.cnblogs.com/tovin/p/3832405.html