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