一、Spark WordCount运行原理
二、划分Stage
数据本地化
移动计算,而不是移动数据
保证一个Stage内不会发生数据移动
三、Spark Shuffle过程
在分区之间重新分配数据
父RDD中同一分区中的数据按照算子要求重新进入RDD的不同分区中
中间结果写入磁盘
有子RDD拉取数据,而不是由父RDD推送
默认情况下,shuffle不会改变分区数量
四、RDD的依赖关系
Lineage:血统、依赖
RDD最重要的特征之一,保存了RDD的依赖关系
RDD实现了基于Lineage的容错机制
依赖关系
宽依赖:一个父RDD的分区被子RDD的多个分区使用
窄依赖:一个父RDD的分区被子RDD的一个分区使用
宽依赖对比窄依赖
宽依赖对应shuffle操作,需要在运行时将同一个父RDD的分区传入到不同的子RDD分区中,不同的分区可能位于不同的节点,就可能涉及多个节点间数据传输
当RDD分区丢失时,Spark会对数据进行重新计算,对于窄依赖只需要重新计算一次子RDD的父RDD分区
补:最多22个元组,元组可以套元组
宽依赖容错图 结论: 相比于宽依赖,窄依赖对优化更有利 |
练习:判断RDD依赖关系
Map flatMap filter distinct reduceByKey groupByKey sortByKey union join
scala> val b = sc.parallelize(Array(("hello",11),("java",12),("scala",13),("kafka",14),("sun",15)))
// b: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[2] at parallelize at <console>:24
scala> val c = sc.parallelize(Array(("hello",11),("java",12),("scala",13),("kafka",14),("sun",15)))
// c: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[3] at parallelize at <console>:24
scala> b.glom.collect
// collect collectAsync
scala> b.glom.collect
// res4: Array[Array[(String, Int)]] = Array(Array((hello,11)), Array((java,12)), Array((scala,13)), Array((kafka,14), (sun,15)))
scala> c.glom.collect
// collect collectAsync
scala> c.glom.collect
// res5: Array[Array[(String, Int)]] = Array(Array((hello,11)), Array((java,12)), Array((scala,13)), Array((kafka,14), (sun,15)))
scala> val d = a.jion(b)
// <console>:27: error: value jion is not a member of org.apache.spark.rdd.RDD[(String, Int, Int, Int)]
// val d = a.jion(b) //拼写错误
^
scala> val d = a.join(b)
// <console>:27: error: value join is not a member of org.apache.spark.rdd.RDD[(String, Int, Int, Int)]
// val d = a.join(b) //应该是bc不是ab
^
scala> val d = b.join(c) //Tab成功
// d: org.apache.spark.rdd.RDD[(String, (Int, Int))] = MapPartitionsRDD[8] at join at <console>:27
scala> d.glom.collect
// collect collectAsync
scala> d.glom.collect
// res6: Array[Array[(String, (Int, Int))]] = Array(Array((sun,(15,15))), Array(), Array((scala,(13,13)), (hello,(11,11)), (java,(12,12)), (kafka,(14,14))), Array())
五、DAG工作原理
(1)根据RDD之间的依赖关系,形成一个DAG(有向无环图)
(2)DAGScheduler将DAG划分为多个Stage
划分依据:是否发生宽依赖(Shuffle)
划分规则:从后往前,遇到宽依赖切割为新的Stage
每个Stage由一组并行的Task组成的
六、Shuffle实践
最佳实践
提前部分聚合减少数据移动
尽量避免Shuffle
七、RDD优化
- RDD持久化
- RDD共享变量