Spark从入门到精通(二)--SparkCore与RDD编程

Spark代码流程

创建SparkConf对象

可以设置Application name。
可以设置运行模式及资源需求。
val conf = new SparkConf()
conf.setAppName(“wordcount”)
conf.setMaster(“local”)
conf.set(key, value)

创建SparkContext对象

val sc = new SparkContext(conf)

基于Spark的上下文创建一个RDD，对RDD进行处理。

创建RDD的算子,paralize,textFile,makeRDD

应用程序中要有Action类算子来触发Transformation类算子执行。

关闭Spark上下文对象SparkContext。

sc.stop()

wordcount案例

	val conf = new SparkConf()
    conf.setMaster("local").setAppName("wordcount")
    val sc = new SparkContext(conf)
    val lines = sc.textFile("./data/words")
    val words = lines.flatMap(line=>{
      line.split(" ")
    })
    val pairWords = words.map(word=>{
      new Tuple2(word,1)
    })
    val reduceResult = pairWords.reduceByKey((v1,v2)=>{v1+v2})
    val result = reduceResult.sortBy(tp=>{tp._2},false)
    result.foreach(println)
    sc.stop()

上面的代码可以简写成一行

sc.textFile("/data/words").flatMap(_.split("")).map((_,1)).reduceByKey(_+_).foreach(println)

SparkCore

RDD(Resilient Distributed Dateset)，弹性分布式数据集

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

Transformations转换算子

延迟执行,懒加载执行,例如：
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。
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。
filter：过滤符合条件的记录数，true保留，false过滤掉。
reduceByKey：将相同的Key根据相应的逻辑进行处理。
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。
sortBy,sortByKey：作用在K,V格式的RDD上，进行升序或者降序排序。
join,leftOuterJoin,rightOuterJoin,fullOuterJoin：关联操作
union,intersection,subtract：并，交，差
mapPartitions：分区map
distinct：去重
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,Iterable）），子RDD的分区与父RDD多的一致。
repartition：增加或减少分区。会产生shuffle。（多个分区分到一个分区不会产生shuffle）。
coalesce：coalesce常用来减少分区，第二个参数是减少分区的过程中是否产生shuffle。 （ true为产生shuffle，false不产生shuffle。默认是false）。
repartition(numPartitions) = coalesce(numPartitions,true)
groupByKey：作用在K，V格式的RDD上。根据Key进行分组。作用在（K，V），返回（K，Iterable ）。
zip：将两个RDD中的元素（KV格式/非KV格式）变成一个KV格式的RDD,两个RDD的每个分区元素个数必须相同。
zipWithIndex：该函数将RDD中的元素和这个元素在RDD中的索引号（从0开始）组合成（K,V）对。

Action行动算子

触发执行,只有当遇到action行动算子，程序才会执行，一个application应用程序中有几个Action类算子执行，就有几个job运行，例如：
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：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。
collect：将计算结果回收到Driver端。收集，数据量大的时候不适用。
foreachPartition：遍历的数据是每个partition的数据。
countByKey：作用到K,V格式的RDD上，根据Key计数相同Key的数据集元素。
countByValue： 根据数据集每个元素相同的内容来计数。返回相同内容的元素对应的条数。
reduce：根据聚合逻辑聚合数据集中的每个元素。

控制算子

控制算子只有三种cache,persist,checkpoint,cache和persist都是懒执行，作用是持久化RDD

cache() = persist()=persist(StorageLevel.Memory_Only)

持久化级别

val NONE =new StorageLevel(false, false, false, false)
val DISK_ONLY = new StorageLevel(true, false, false, false)
val DISK_ONLY_2 = new StorageLevel(true, false, false, false, 2)
val MEMORY_ONLY = new StorageLevel(false,true, false, true)
val MEMORY_ONLY_2 = new StorageLevel(false,true, false, true, 2)
val MEMORY_ONLY_SER = new StorageLevel(false, true, false, false)
val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, false, 2)
val MEMORY_AND_DISK = new StorageLevel(true, true, false, true)
val MEMORY_AND_DISK_2 = new StorageLevel(true, true, false, true, 2)
val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false, false)
val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, false, 2)
val OFF_HEAP = new StorageLevel(false, false, true, false)
5个参数的意思分别是是否使用磁盘，是否使用内存，是否使用堆外内存，是否使用反序列化，副本数

cache和persist的注意事项：

1.cache和persist都是懒执行，必须有一个action类算子触发执行。
2.cache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。
3.cache和persist算子后不能立即紧跟action算子。
4.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。

checkpoint

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。
当RDD的job执行完毕后，会从finalRDD从后往前回溯。当回溯到某一个RDD调用checkpoint方法，会对当前的RDD做一个标记。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。

context.setCheckpointDir("./checkpoint")
var rdd = context.textFile("./data/words")
rdd = rdd.cache()
rdd = rdd.persist(StorageLevel.MEMORY_ONLY_SER)
rdd.checkpoint()
var result1 = rdd.count()

Spark Shuffle 与广播变量和累加器: https://blog.csdn.net/happiless/article/details/107307226