(一)spark基础
一.为什么使用Spark
分布式计算框架(处理效率)
1.MapReduce编程模型的局限性
缺点:代码复杂,处理效率低
-
繁杂
只有Map和Reduce两个操作,复杂的逻辑需要大量的样板代码 -
处理效率低:
Map中间结果写磁盘,Reduce写HDFS,多个Map通过HDFS交换数据
任务调度与启动开销大 -
不适合迭代处理、交互式处理和流式处理
Spark是类Hadoop MapReduce的通用并行框架
Job中间输出结果可以保存在内存,不再需要读写HDFS
比MapReduce平均快10倍以上
2.Spark简介
诞生于加州大学伯克利分校AMP实验室,是一个基于内存的分布式计算框架
发展历程
2009年诞生于加州大学伯克利分校AMP实验室
2010年正式开源
2013年6月正式成为Apache孵化项目
2014年2月成为Apache顶级项目
2014年5月正式发布Spark 1.0版本
2014年10月Spark打破MapReduce保持的排序记录
2015年发布了1.3、1.4、1.5版本
2016年发布了1.6、2.x版本
3.Spark优势
速度快
基于内存数据处理,比MR快100个数量级以上(逻辑回归算法测试)
基于硬盘数据处理,比MR快10个数量级以上
易用性
支持Java、Scala、Python、R语言
交互式shell方便开发测试
通用性
一栈式解决方案:批处理、交互式查询、实时流处理、图计算及机器学习
随处运行
YARN、Mesos、EC2、Kubernetes、Standalone、Local
4.Spark技术栈
- Spark Core
核心组件,分布式计算引擎 - Spark SQL
高性能的基于Hadoop的SQL解决方案 - Spark Streaming
可以实现高吞吐量、具备容错机制的准实时流处理系统 - Spark GraphX
分布式图处理框架 - Spark MLlib
构建在Spark上的分布式机器学习库
5.Spark-shell:spark自带的交互式工具
- 本机(没有master和worker进程)
spark-shell --master local[*]
- Standalone(会有master和worker进程)
spark-shell --master spark://MASTERHOST:7077
- YARN
spark-shell --master yarn-client
6.Spark架构设计
sc是SparkContext的一个对象
- 在驱动程序中,通过SparkContext主导应用的执行
- SparkContext可以连接不同类型的Cluster Manager(Standalone、YARN、Mesos),连接后,获得集群节点上的Executor
- 一个Worker节点默认一个Executor,可通过SPARK_WORKER_INSTANCES调整
- 每个应用获取自己的Executor
- 每个Task处理一个RDD分区
job下可有很多task,每一个task运行在executor里面,处理一个RDD分区
drive端取决于client和cluster
executor运行在 Worker node端,driver可能运行Master 节点上
Worker node Executor(执行代码)
Master node Driver(把运行程序通过cluster manager分发给executor端)
7.Spark架构核心组件
术语 | 说 明 |
---|---|
Application | 建立在Spark上的用户程序,包括Driver代码和运行在集群各节点Executor中的代码 |
Driver program | 驱动程序。Application中的main函数并创建SparkContext |
Cluster Manager | 在集群(Standalone、Mesos、YARN)上获取资源的外部服务 |
Worker Node | 集群中任何可以运行Application代码的节点 |
Executor | 某个Application运行在worker节点上的一个进程 |
Task | 被送到某个Executor上的工作单元 |
Job | 包含多个Task组成的并行计算,往往由Spark Action触发生成,一个Application中往往会产生多个Job |
Stage | 每个Job会被拆分成多组Task,作为一个TaskSet,其名称为Stage |
job—stage—task(根据分区)
二.Spark API
创建maven工程:
(1)新建一个maven工程
(2)下载依赖包
scala-library
spark-core
spark-sql
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>2.11.8</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.1.1</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.11</artifactId>
<version>2.1.1</version>
</dependency>
<dependency>
<groupId>log4j</groupId>
<artifactId>log4j</artifactId>
<version>1.2.17</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-api</artifactId>
<version>1.7.21</version>
</dependency>
(3)在main文件夹下创建scala目录文件夹并设置成资源文件夹(右键—new—directory—scala—mark directory as —source root)
(4)添加Scala SDK(File—Project Structure —libraries—+—Scala SDK—ok—ok—ok)
(5)(避免在控制台中打印log)在工程目录下创建一个资源文件夹(resource),找到log4j-defaults.properties(External Libraries—Maven:org.apache.spark:spark-core_2.11:2.1.1—spark-core_2.11-2.1.1.jar—org—apache.spark—log4j-defaults.properties),复制log4j-defaults.properties文件到resource文件下,并改名为log4j.properties;并将log4j.properties中第19行log4j.rootCategory=INFO, console改成log4j.rootCategory=ERROR, console
(6)使用idea实现wordcount功能(先将文件上传到hdfs上)
1.SparkContext
- 连接Driver与Spark Cluster(Workers)
- Spark的主入口
- 每个JVM仅能有一个活跃的SparkContext
- SparkContext.getOrCreate
import org.apache.spark.{
SparkConf, SparkContext}
object SparkContextDemo extends App {
//创建一个sparkcontext对象
val conf: SparkConf = new SparkConf().setMaster("local[2]").setAppName("sparkTest")
val sc: SparkContext = SparkContext.getOrCreate(conf)
//实现wordcount的代码
sc.textFile("hdfs://192.168.36.100:9000/data/a.txt").flatMap(x=>x.split(" ")).map((_,1)).reduceByKey(_+_).collect.foreach(println)
//关闭资源
sc.stop()
}
- SparkSession
Spark 2.0+应用程序的主入口:包含了SparkContext、SQLContext、HiveContext以及StreamingContext
SparkSession.getOrCreat
import org.apache.spark.sql.SparkSession
import org.apache.spark.{
SparkConf, SparkContext}
object SparkContextDemo extends App {
//创建一个sparkcontext对象
val spark: SparkSession = SparkSession.builder().master("local[2]")
.appName("sparkSessionTest")
.getOrCreate()
private val sc: SparkContext = spark.sparkContext
sc.textFile("hdfs://192.168.36.100:9000/data/a.txt").flatMap(x=>x.split(" ")).map((_,1)).reduceByKey(_+_).collect.foreach(println)
}
//输出
(are,1)
(hive,1)
(love,4)
(python,1)
(mapreduce,1)
(,2)
(basic,1)
(mysql,1)
(very,1)
(important,1)
(ever,1)
(linux,1)
(java,1)
(yarn,1)
(them,1)
(forget,1)
(you,2)
(forever,1)
(hadoop,2)
(if,1)
(lovr,1)
(i,6)
(to,2)
(wish,7)
(won't,1)
(things,1)
(but,1)
(and,2)
(hdfs,1)
(these,1)
(the,3)
(hbase,1)
三.Spark RDD
RDD
Spark核心,主要数据抽象
Dataset
从Spark1.6开始引入的新的抽象,特定领域对象中的强类型集合,它可以使用函数或者相关操作并行地进行转换等操作
DataFrame
DataFrame是特殊的Dataset
1.Spark RDD概念
简单的解释
RDD是将数据项拆分为多个分区的集合,存储在集群的工作节点上的内存中,并执行正确的操作
复杂的解释
RDD是用于数据转换的接口
RDD指向了存储在HDFS、Cassandra、HBase等、或缓存(内存、内存+磁盘、仅磁盘等),或在故障或缓存收回时重新计算其他RDD分区中的数据
RDD是弹性分布式数据集(Resilient Distributed Datasets)
- 分布式数据集(Distributed)
数据的计算
-
数据集( Datasets)
RDD是只读的、分区记录的集合,每个分区分布在集群的不同节点上
RDD并不存储真正的数据,只是对数据和操作的描述 -
弹性(Resilient)
自动进行存储方式的切换,RDD默认存放在内存中,当内存不足,Spark自动将RDD写入磁盘基于Lineage的高效容错机制,在任何时候都能进行重算,根据数据血统,以自动从节点失败中恢复分区,各个分区之间的数据互不影响
Stage失败自动重试/Task失败自动重试
Check point和Persist,checkpoint持久化到文件系统
-
容错性
根据数据血统,可以自动从节点失败中恢复分区
rdd是集合,指向数据
2.RDD的五大特性
(1)A list of partitions
一个分区列表,RDD中的数据都存在一个分区列表里面,每个任务处理一个分区
(2)A function for computing each split
每个分区上都有compute函数,计算该分区中的数据,相当于对RDD的每个split或partition做计算
(3)A list of dependencies on other RDDs
RDD之间有依赖关系,RDD的容错机制就是根据这个特性而来
(4)Optionally,a Partitioner for key-value RDDs(e.g. to say that the RDD is hash-partitoned)
可选的,针对于kv类型的RDD才具有这个特性,作用是决定了数据的来源以及数据处理后的去向
(5)Optionally,a list of preferred locations to compute each split on(e.g. block locations for an HDFS file)
可选项,数据本地性,数据位置最优;将计算任务分派到其所在处理数据块的存储位置
3.RDD与DAG
- 两者是Spark提供的核心抽象
- DAG(有向无环图)反映了RDD之间的依赖关系
4.RDD编程流程
RDD创建—RDD转换—RDD持久化—RDD执行
四.RDD创建
1.使用集合创建RDD
import org.apache.spark.{
SparkConf, SparkContext}
object rddCreate extends App {
//创建SparkContext对象
private val conf: SparkConf = new SparkConf().setAppName("rddCreate").setMaster("local[*]")
private val sc = new SparkContext(conf)
//1.用集合创建RDD
//*使用parallelize创建RDD
val rdd1=sc.parallelize(List(1,2,3,4,5,6))
//计算集合
println(rdd1.count)
println(rdd1.partitions.size)
//设置分区数
val rdd2=sc.parallelize(List(1,2,3,4,5,6),5)
println(rdd2.partitions.size)
//*使用makeRDD创建RDD
private val rdd3: RDD[Int] = sc.makeRDD(List(1,2,3,4,5))
println(rdd3.partitions.size)
}
//输出
6
12//默认分区数是电脑可用线程数
5
12
注:
- Spark默认会根据集群的情况来设置分区的数量,也可以通过parallelize()第二参数来指定
- Spark会为每一个分区运行一个任务进行处理
2.通过加载文件产生RDD
import org.apache.spark.rdd.RDD
import org.apache.spark.{
SparkConf, SparkContext}
object rddCreate extends App {
//创建SparkContext对象
private val conf: SparkConf = new SparkConf()