Spark-核心编程（一）模拟分布式计算以及RDD基础原理

魔笛Love

于 2021-08-03 10:31:05 发布

阅读量343

点赞数

文章标签： spark 大数据

本文链接：https://blog.csdn.net/clearlxj/article/details/119344552

版权

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。

在这里插入图片描述

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：

在这里插入图片描述

核心属性

在这里插入图片描述

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

在这里插入图片描述

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

在这里插入图片描述

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
在这里插入图片描述

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
在这里插入图片描述

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
在这里插入图片描述

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

在这里插入图片描述

2、Spark 通过申请资源创建调度节点和计算节点

在这里插入图片描述

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

在这里插入图片描述

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

在这里插入图片描述

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()

    }
}

魔笛Love

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
Spark-核心编程（一）模拟分布式计算以及RDD基础原理

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taskclass Task extends Serializable { val datas = List(1, 2, 3, 5) val logic: Int => In
复制链接

扫一扫