Spark核心编程
Spark 计算框架为了能够进行高并发和高吞吐的数据处理,封装了三大数据结构,用于处理不同的应用场景。三大数据结构分别是:
RDD : 弹性分布式数据集
累加器:分布式共享只写变量
广播变量:分布式共享只读变量
接下来我们一起看看这三大数据结构是如何在数据处理中使用的。
模拟分布式计算
task
class Task extends Serializable {
val datas = List(1, 2, 3, 5)
val logic: Int => Int = _ *2
}
subTask
class SubTask extends Serializable {
var datas: List[Int] = _
var logic: Int => Int = _
// 计算
def compute(): List[Int] = {
val ints = datas.map(logic)
ints
}
}
Driver
object Driver {
def main(args: Array[String]): Unit = {
// 启动客户端,发送数据
val client1 = new Socket("localhost", 9999)
val client2 = new Socket("localhost", 8888)
val task = new Task
val out1 = client1.getOutputStream
val objOut1 = new ObjectOutputStream(out1)
val subTask1 = new SubTask
subTask1.datas = task.datas.take(2)
subTask1.logic = task.logic
objOut1.writeObject(subTask1)
objOut1.flush()
objOut1.close()
println("client1 data send over")
client1.close()
val out2 = client2.getOutputStream
val objOut2 = new ObjectOutputStream(out2)
val subTask2 = new SubTask
subTask2.datas = task.datas.takeRight(2)
subTask2.logic = task.logic
objOut2.writeObject(subTask2)
objOut2.flush()
objOut2.close()
println("client2 data send over")
client2.close()
}
}
Executor
object Executor {
def main(args: Array[String]): Unit = {
// 启动服务器,接受数据
val server = new ServerSocket(9999)
println("server 9999 is running")
// 等待客户端的链接
val client = server.accept()
val in = client.getInputStream
val objIn = new ObjectInputStream(in)
val task = objIn.readObject().asInstanceOf[SubTask]
val result = task.compute()
println(s"ger client send data and compute result is $result")
objIn.close()
client.close()
server.close()
}
}
Executor2
object Executor2 {
def main(args: Array[String]): Unit = {
// 启动服务器,接受数据
val server = new ServerSocket(8888)
println("server 8888 is running")
// 等待客户端的链接
val client = server.accept()
val in = client.getInputStream
val objIn = new ObjectInputStream(in)
val task = objIn.readObject().asInstanceOf[SubTask]
val result = task.compute()
println(s"ger client send data and compute result is $result") // ger client send data and compute result is List(2, 4, 6, 10)
objIn.close()
client.close()
server.close()
}
}
RDD
RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,是 Spark 中最基本的数据处理模型。代码中是一个抽象类,它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。
1、弹性:
存储的弹性: 内存与磁盘的自动切换;
容错的弹性: 数据丢失可以自动恢复;
计算的弹性: 计算出错重试机制;
分片的弹性: 可根据需要重新分片。
2、分布式: 数据存储在大数据集群不同节点上
3、数据集: RDD 封装了计算逻辑,并不保存数据
4、数据抽象: RDD 是一个抽象类,需要子类具体实现
5、不可变: RDD 封装了计算逻辑,是不可以改变的,想要改变,只能产生新的 RDD,在新的 RDD 里面封装计算逻辑
6、可分区、并行计算
WordCount的RDD执行流程如下:
核心属性
分区列表:RDD 数据结构中存在分区列表,用于执行任务时并行计算,是实现分布式计算的重要属性
分区计算函数:Spark 在计算时,是使用分区函数对每一个分区进行计算,每个分区里面的计算逻辑是一样的
RDD 之间的依赖关系:RDD 是计算模型的封装,当需求中需要将多个计算模型进行组合时,就需要将多个 RDD 建立依赖关系
分区器(可选):当数据为 KV 类型数据时,可以通过设定分区器自定义数据的分区,也就是通过分区规则进行分区处理
首选位置(可选):计算数据时,可以根据计算节点的状态选择不同的节点位置进行计算,用来判断计算发送到哪个节点效率最优;移动数据不如移动计算
执行原理
从计算的角度来讲,数据处理过程中需要计算资源(内存 & CPU)和计算模型(逻辑)。执行时,需要将计算资源和计算模型进行协调和整合。
Spark 框架在执行时,先申请资源,然后将应用程序的数据处理逻辑分解成一个一个的计算任务。然后将任务发到已经分配资源的计算节点上, 按照指定的计算模型进行数据计算。最后得到计算结果。
RDD 是 Spark 框架中用于数据处理的核心模型,接下来我们看看,在 Yarn 环境中, RDD的工作原理:
1、启动 Yarn 集群环境
2、Spark 通过申请资源创建调度节点和计算节点
3、Spark 框架根据需求将计算逻辑根据分区划分成不同的任务
4、调度节点将任务根据计算节点状态发送到对应的计算节点进行计算
从以上流程可以看出 RDD 在整个流程中主要用于将逻辑进行封装,并生成 Task 发送给Executor 节点执行计算,接下来我们就一起看看 Spark 框架中 RDD 是具体是如何进行数据处理的。
基础编程
RDD 创建
在 Spark 中创建 RDD 的创建方式可以分为四种:
从集合(内存)中创建 RDD
从集合中创建 RDD,Spark 主要提供了两个方法:parallelize 和 makeRDD,从底层代码实现来讲,makeRDD 方法其实就是 parallelize 方法
object TestRDDMemory {
def main(args: Array[String]): Unit = {
// 1、准备环境
// 这里的local[*]表示根据计算机的所有核创建对应个数的线程来模拟真实计算场景,不设置默认是1
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("RDD")
val sc = new SparkContext(sparkConf)
// 2、创建RDD
// 从内存中创建RDD,将内存中集合的数据作为处理的数据源
val seq = Seq[Int](1, 2, 3, 4)
// parallelize:并行
// val rdd: RDD[Int] = sc.parallelize(seq)
// makeRDD方法在底层实现其实就是调用了rdd对象的parallelize方法。
val rdd: RDD[Int] = sc.makeRDD(seq)
// 不调用collect的话也能执行,但是顺序会乱掉
rdd.collect().foreach(println)
// 3、关闭环境
sc.stop()
}
}
从外部存储(文件)创建 RDD
由外部存储系统的数据集创建 RDD 包括:本地的文件系统,所有 Hadoop 支持的数据集,比如 HDFS、HBase 等。
// textFile:以行为单位读取数据,读取的数据都是字符串
object TestRDDFile {
def main(args: Array[String]): Unit = {
// 1、准备环境
// 这里的local[*]表示根据计算机的所有核创建对应个数的线程来模拟真实计算场景,不设置默认是1
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("RDD")
val sc = new SparkContext(sparkConf)
// 2、创建RDD
// 从文件中创建RDD,将文件中的数据作为处理的数据源
// path路径默认以当前项目的根路径作为基准,可以写绝对路径,也可以写相对路径
// val rdd: RDD[String] = sc.textFile("datas/scala/test")
// path可以是文件名也可以是目录名,如果是文件夹的话,要注意该文件夹下面不能再有文件夹,否则会报错
// val rdd: RDD[String] = sc.textFile("datas/scala")
// path也可以使用通配符
// val rdd: RDD[String] = sc.textFile("datas/scala/test*")
// path也可以是分布式存储系统路径:HDFS
val rdd: RDD[String] = sc.textFile("hdfs://hadoop113:8020/sanguo/wei")
// 不调用collect的话也能执行,但是顺序会乱掉
rdd.collect().foreach(println)
// 3、关闭环境
sc.stop()
}
}
// wholeTextFiles:以文件为单位读取数据,
// 读取的结果表示为元组,第一个元素表示文件路径,第二个元素表示文件内容
object TestRDDFile1 {
def main(args: Array[String]): Unit = {
// 1、准备环境
// 这里的local[*]表示根据计算机的所有核创建对应个数的线程来模拟真实计算场景,不设置默认是1
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("RDD")
val sc = new SparkContext(sparkConf)
// 2、创建RDD
// 从文件中创建RDD,将文件中的数据作为处理的数据源
val rdd = sc.wholeTextFiles("datas/scala")
// 不调用collect的话也能执行,但是顺序会乱掉
rdd.collect().foreach(println)
// (file:/home/lxj/workspace/Spark/datas/scala/out,hello hahahahaha)
// (file:/home/lxj/workspace/Spark/datas/scala/test,hello caocao
// hello sanguo
// hello donghan)
// (file:/home/lxj/workspace/Spark/datas/scala/test1,hello caocao
// hello sanguo
// hello donghan)
// 3、关闭环境
sc.stop()
}
}
从其他 RDD 创建
主要是通过一个 RDD 运算完后,再产生新的 RDD。一般是由框架自己使用
直接创建 RDD(new)
使用 new 的方式直接构造 RDD,一般由 Spark 框架自身使用。
RDD 并行度与分区
默认情况下,Spark 可以将一个作业切分多个任务后,发送给 Executor 节点并行计算,而能够并行计算的任务数量我们称之为并行度。这个数量可以在构建 RDD 时指定。这里的并行执行的任务数量,并不是指的切分任务的数量。
读取内存数据时,数据可以按照并行度的设定进行数据的分区操作
object TestRDDMemoryPar {
def main(args: Array[String]): Unit = {
// 1、准备环境
// 这里的local[*]表示根据计算机的所有核创建对应个数的线程来模拟真实计算场景,不设置默认是1
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("RDD")
// 配置分区的数量
// sparkConf.set("spark.default.parallelism", "5")
val sc = new SparkContext(sparkConf)
// 2、创建RDD
// RDD的并行度 && 分区
// makeRDD方法可以传递第二个参数,这个参数表示分区的数量
// 第二个参数可以不传递,不传的话会使用默认值,defaultParallelism
// spark在默认情况下,从配置对象中获取配置参数:spark.default.parallelism
// 如果获取不到,那么使用totalCores属性,这个属性取值为当前运行环境的最大可用核数
// 上面配置的是*即当前服务器的核数,如果是配置了具体值,则取其具体的值
// 【1, 2】【3, 4】
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
// 【1】【2】【3, 4】
// val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 3)
// 【1】【2, 3】【4, 5】
// val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4, 5), 3)
// 将处理的数据保存成分区文件
rdd.saveAsTextFile("output")
// 3、关闭环境
sc.stop()
}
}
数据分区规则的Spark 核心源码如下
def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = {
(0 until numSlices).iterator.map { i =>
val start = ((i * length) / numSlices).toInt
val end = (((i + 1) * length) / numSlices).toInt
(start, end)
}
}
val array = seq.toArray // To prevent O(n^2) operations for List etc
positions(array.length, numSlices).map { case (start, end) =>
array.slice(start, end).toSeq
}.toSeq
// slice(from: Int, until: Int)
读取文件数据时,数据是按照 Hadoop 文件读取的规则进行切片分区,而切片规则和数据读取的规则有些差异
object TestRDDFilePar {
def main(args: Array[String]): Unit = {
// 1、准备环境
// 这里的local[*]表示根据计算机的所有核创建对应个数的线程来模拟真实计算场景,不设置默认是1
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("RDD")
val sc = new SparkContext(sparkConf)
// 2、创建RDD
// textFile可以讲文件作为数据处理的数据源,默认也可以设定分区
// minPartitions:最小分区数量
// math.min(defaultParallelism, 2)
// 如果不想使用默认的分区数量,可以通过第二个参数指定分区数
// Spark读取文件,底层是Hadoop的读取方式,也就是每次读取一行
// 分区数量的计算方式:
// totalSize = 7(1和2后面携带了回车换行符(占用2字节),因此1+2+1+2+1=7)
// goalSize = 7 / 2 = 3(byte) 每个分区3个字节
// 7 / 3 = 2余1(这里也会涉及到分区1.1倍的概念) + 1 = 3
// 数据分区的分配
// 1、数据以行为单位进行读取
// spark读取文件,采用的是hadoop的方式读取,所以一行一行读取,和字节数没有关系
// 2、数据读取时以偏移量为单位,已经被读过的行,将不会重复读取
// 3、数据分区的偏移量范围的计算
// 0 => [0, 3] => 12
// 1 => [3, 6] => 3
// 2 => [6, 7] =>
// 【1, 2】【3】【】
val rdd: RDD[String] = sc.textFile("datas/scala/test2", 2)
// test2的数据为
// 1 => 偏移量为012
// 2 => 偏移量为345
// 3 => 偏移量为6
// 分区计算
// 14 / 2 = 7(byte)
// 14 / 7 = 2 个分区
// 数据分区的偏移量范围的计算
// [0, 7] => 01234567
// [7, 14] => 890
// val rdd: RDD[String] = sc.textFile("datas/scala/test3", 2)
// test3的数据为
// 1234567 => 偏移量为012345678
// 89 => 偏移量为9101112
// 0 => 偏移量为13
// 如果数据源为多个文件,那么计算分区时以文件为单位进行分区
rdd.saveAsTextFile("output")
// 3、关闭环境
sc.stop()
}
}