Spark计算模型

Spark计算模型

标签（空格分隔）： spark

---

Spark依靠Scala强力的面向函数的编程、Actor通信模式、闭包、容器、泛型，借助统一资源分配调度框架Mesos，融合了MR和dryad，形成了简洁灵活高效的大数据分布式框架。为什么要用spark？因为有时候需要同时处理的数据量太大，超过了一台电脑所能承受的量，或者是有些计算过于复杂，计算时间过久，这种人等计算机的状态是难以接受的，于是要用分布式计算来处理，而spark已经逐渐代替hadoop的mapreduce在分布式计算中的使用，因为它更快更简便。同样在即时计算中，spark streaming也变得越来越好，而且spark MLlib也是我未来学习的目标。

Spark程序模型

一个简单的spark计算模型如上图，整个流程感觉不到分布式的存在，像编写单机程序一样。（但实际上他的运行模型涉及集群中多个不同分工的节点，后续再进行整理。）首先将数据从HDFS或Hive或Hbase等地方读到RDD弹性分布式数据集中，RDD包含多个partition逻辑块，分别进行计算汇总到下一个RDD中，最终得到result partition。

RDD

RDD是一种逻辑数据结构，包含了所操作的数据的实际地址和RDD所要进行的运算，一个RDD包括了多个partition，他们在物理上可能不连续，可能分布在不同的节点上，但是进行同一个运算，结果可能写入到同一个partition中（在下一个RDD中）。

4种创建方式

1. 从文件系统中获取
2. 从父RDD进行计算后得到结果RDD
3. 调用sc的parallelize方法，将Driver上的数据集转换成RDD
4. 通过cache（）等函数将计算后的RDD缓存到内存中，供后续计算使用。

RDD的2种算子

1. Transformation：变换只是定义了spark程序该如何做，等到有action执行的时候，才会真正执行。这类算子包括：
   输入输出分区一对一：mapValues（a=>a+1）针对每一个数据进行相同的操作
   单个RDD聚集：combineByKey、reduceByKey和partitionBy，这三个在MapReduce很有代表性。
   对两个RDD聚集：cogroup，两个RDD的相同分区进行combineByKey操作。
   连接：join：两个RDD进行笛卡儿积，然后对结果RDD进行combineByKey计算。同样还有左外连接和右外连接。后两者相比于join多了对某一个RDD中的元素在另一个RDD中是否存在的判断，若为空赋值null，然后再进行combineByKey操作。

2. Action：触发Spark提交job，并将计算结果输出到Spark系统。
   这类算子都会执行sc.runJob进行作业提交，从而触发Transformation的执行。根据输出的对象不同，可以分为无输出、HDFS、Scala集合和数据类型。

   无输出：foreach，没有结果RDD和Array，而是返回Unit
   
   HDFS：saveAsTextFile将结果写入到HDFS中，一个RDD写入到HDFS的一个block中；
   saveAsObjectFile将一个partition中的每10个元素组成一个Array数组，然后序列化，写成SequenceFile格式，同样是一个RDD对应HDFS中的一个block。
   
   Scala集合和数据类型：collect将RDD转换成一个scala Array数组，供scala计算。
   collectAsMap将RDD转换成HashMap，如果存在相同的Key，则保留新的Key。
   reduceByKeyLocally先将RDD进行reduce操作，然后再collectAsMap。
   lookup对制定key的value形成sequence。
   count计数。
   top统计最大的k个元素，这个函数感觉应用场景非常大，因为大数据中最值更有价值。相似的还有take最小的k个元素。
   reduce对RDD中每个分区进行reduceleft，再对分区结果进行reduceleft。
   fold在reduce的基础上，每有一个元素都会对0进行一次reduce。
   aggregate对RDD中的多个分区同时进行aggregate，然后将各个分区的结果进行reduce归并。（怎么看都是mapreduce的思路）