Spark学习（2）——Spark介绍

一、简介

（1）什么是Spark

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。Spark是Scala编写，方便快速编程。

（2）Spark与MapReduce的区别

都是分布式计算框架，Spark基于内存，MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上，Spark中除了基于内存计算外，还有DAG有向无环图来切分任务的执行先后顺序

（3）Spark运行模式

• Local： 多用于本地测试，如在eclipse，idea中写程序测试等。
• Standalone： Standalone是Spark自带的一个资源调度框架，它支持完全分布式。
• Yarn： Hadoop生态圈里面的一个资源调度框架，Spark也是可以基于Yarn来计算的（要基于Yarn来进行资源调度，必须实现AppalicationMaster接口，Spark实现了这个接口，所以可以基于Yarn）。
• Mesos： 资源调度框架。

二、SparkCore

2.1、RDD：弹性分布式数据集

（1）RDD的五大特性

1. RDD是由一系列的partition组成的。
2. 函数是作用在每一个partition（split）上的。
3. RDD之间有一系列的依赖关系。
4. 分区器是作用在K,V格式的RDD上。
5. RDD提供一系列最佳的计算位置。

RDD理解图:

注意：

• textFile方法底层封装的是读取MR读取文件的方式，读取文件之前先split，默认split大小是一个block大小。
• RDD实际上不存储数据，这里方便理解，暂时理解为存储数据。
• 什么是K,V格式的RDD？：如果RDD里面存储的数据都是二元组对象，那么这个RDD我们就叫做K,V格式的RDD。
• 哪里体现RDD的弹性（容错）？：partition数量，大小没有限制，体现了RDD的弹性、RDD之间依赖关系，可以基于上一个RDD重新计算出RDD。
• 哪里体现RDD的分布式？：RDD是由Partition组成，partition是分布在不同节点上的
• RDD提供计算最佳位置，体现了数据本地化。体现了大数据中“计算移动数据不移动”的理念。

 2.2、Spark任务执行原理

以上图中有四个机器节点，Driver和Worker是启动在节点上的进程，运行在JVM中的进程 

• Driver与集群节点之间有频繁的通信。

• Driver负责任务(tasks)的分发和结果的回收。任务的调度。如果task的计算结果非常大就不要回收了。会造成oom。
• Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM进程。
• Master是Standalone资源调度框架里面资源管理的主节点。也是JVM进程。

2.3、Spark代码流程

（1）创建SparkConf对象

• 可以设置Application name。
• 可以设置运行模式及资源需求。

（2）创建SparkContext对象

（3）基于Spark的上下文创建一个RDD，对RDD进行处理

（4）应用程序中要有Action类算子来触发Transformation类算子执行

（5）关闭Spark上下文对象SparkContext

2.4、Transformations转换算子

（1）概念

Transformations类算子：是一类算子（函数）叫做转换算子，如map,flatMap,reduceByKey等。Transformations算子是延迟执行，也叫懒加载执行。

（2）Transformation类算子：

• filter: 过滤符合条件的记录数，true保留，false过滤掉;
• map: 将一个RDD中的每个数据项，通过map中的函数映射变为一个新的元素（特点：输入一条，输出一条数据）；
• flatMap： 先map后flat。与map类似，每个输入项可以映射为0到多个输出项；
• sample： 随机抽样算子，根据传进去的小数按比例进行又放回或者无放回的抽样；
• reduceByKey ：将相同的Key根据相应的逻辑进行处理；
• sortByKey/sortBy ：作用在K,V格式的RDD上，对key进行升序或者降序排序

2.5、Action行动算子

（1）概念

Action类算子：也是一类算子（函数）叫做行动算子，如foreach,collect，count等。Transformations类算子是延迟执行，Action类算子是触发执行。一个application应用程序中有几个Action类算子执行，就有几个job运行。

（2）Action类算子

• count：返回数据集中的元素数。会在结果计算完成后回收到Driver端。
• take(n)：返回一个包含数据集前n个元素的集合。
• first：first=take(1),返回数据集中的第一个元素。
• foreach：循环遍历数据集中的每个元素，运行相应的逻辑。
• collect：将计算结果回收到Driver端。

2.6、控制算子

（1）概念

控制算子有三种，cache,persist,checkpoint，以上算子都可以将RDD持久化，持久化的单位是partition。cache和persist都是懒执行的，必须有一个action类算子触发执行。checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关系。

（2）cache介绍

默认将RDD的数据持久化到内存中。cache是懒执行。

注意：chche () = persist()=persist(StorageLevel.Memory_Only)

测试cache文件：文件：见“NASA_access_log_Aug95”文件

测试代码：

SparkConf conf = new SparkConf();
 conf.setMaster("local").setAppName("CacheTest");
 JavaSparkContext jsc = new JavaSparkContext(conf);
 JavaRDD<String> lines = jsc.textFile("./NASA_access_log_Aug95");

 lines = lines.cache();
 long startTime = System.currentTimeMillis();
 long count = lines.count();
 long endTime = System.currentTimeMillis();
 System.out.println("共"+count+ "条数据，"+"初始化时间+cache时间+计算时间="+ 
          (endTime-startTime));
		
 long countStartTime = System.currentTimeMillis();
 long countrResult = lines.count();
 long countEndTime = System.currentTimeMillis();
 System.out.println("共"+countrResult+ "条数据，"+"计算时间="+ (countEndTime-
           countStartTime));
		
 jsc.stop();

（3）persist介绍

可以指定持久化的级别。最常用的是MEMORY_ONLY和MEMORY_AND_DISK。”_2”表示有副本数。

 

cache和persist的注意事项：

• cache和persist都是懒执行，必须有一个action类算子触发执行；
• ache和persist算子的返回值可以赋值给一个变量，在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition；
• cache和persist算子后不能立即紧跟action算子；
• cache和persist算子持久化的数据当applilcation执行完成之后会被清除；
• 错误：rdd.cache().count() 返回的不是持久化的RDD，而是一个数值了。

（4）checkpoint介绍

checkpoint将RDD持久化到磁盘，还可以切断RDD之间的依赖关系。checkpoint目录数据当application执行完之后不会被清除。

checkpoint 的执行原理：

1. 当RDD的job执行完毕后，会从finalRDD从后往前回溯。
2. 当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一个标记。
3. Spark框架会自动启动一个新的job，重新计算这个RDD的数据，将数据持久化到HDFS上

优化：

 对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步。

使用：

 SparkConf conf = new SparkConf();
 conf.setMaster("local").setAppName("checkpoint");
 JavaSparkContext sc = new JavaSparkContext(conf);
 sc.setCheckpointDir("./checkpoint");
 JavaRDD<Integer> parallelize = sc.parallelize(Arrays.asList(1,2,3));
 parallelize.checkpoint();
 parallelize.count();
 sc.stop();

2.7、算子补充

transformation：

（1）join,leftOuterJoin,rightOuterJoin,fullOuterJoin

作用在K,V格式的RDD上。根据K进行连接，对（K,V）join(K,W)返回（K,(V,W)）

join后的分区数与父RDD分区数多的那一个相同。

（2）union

合并两个数据集。两个数据集的类型要一致。

返回新的RDD的分区数是合并RDD分区数的总和。

（3）intersection

取两个数据集的交集，返回新的RDD与父RDD分区多的一致

（4）subtract

取两个数据集的差集，结果RDD的分区数与subtract前面的RDD的分区数一致。

（5）mapPartitions

与map类似，遍历的单位是每个partition上的数据。

（6）distinct(map+reduceByKey+map)

（7）cogroup

当调用类型（K,V）和（K，W）的数据上时，返回一个数据集（K，（Iterable<V>,Iterable<W>）），子RDD的分区与父RDD多的一致。

action：

（1）foreachPartition

遍历的数据是每个partition的数据。