目录
Spark计算模型... 1
1. 课程目标... 1
1.1. 熟练使用RDD的算子完成计算... 1
1.2. 掌握RDD的原理... 1
2. 弹性分布式数据集RDD.. 1
2.1. RDD概述... 1
2.1.1. 什么是RDD.. 1
2.1.2. RDD的特性... 1
2.2. 创建RDD.. 2
2.3. RDD编程API2
2.3.1. Transformation. 2
2.3.2. Action. 4
2.3.3. WordCount中的RDD.. 4
2.3.4. WordCount中的RDD的数据过程... 5
2.4. RDD的依赖关系... 6
2.4.1. 窄依赖... 6
2.4.2. 宽依赖... 6
2.4.3. Lineage(血统):所谓血统,就是你爸爸和妈妈是谁,可以理解为上一个RDD和算子(转换行为)。 6
2.5. RDD的缓存... 7
2.5.1. RDD缓存方式... 7
2.6. DAG的生成... 8
Spark计算模型
1. 课程目标
1.1. 熟练使用RDD的算子完成计算
1.2. 掌握RDD的原理
2. 弹性分布式数据集RDD
2.1. RDD概述
2.1.1. 什么是RDD
RDD(ResilientDistributed Dataset)叫做分布式数据集,是Spark中最基本的数据抽象,它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点:自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中,后续的查询能够重用工作集,这极大地提升了查询速度。
2.1.2. RDD的特性
1)一组分片(Partition),即数据集的基本组成单位。对于RDD来说,每个分片都会被一个计算任务处理,并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数,如果没有指定,那么就会采用默认值。默认值就是程序所分配到的CPUCore的数目。
2)一个计算每个分区的函数。Spark中RDD的计算是以分片为单位的,每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合,不需要保存每次计算的结果。
3)RDD之间的依赖关系。RDD的每次转换都会生成一个新的RDD,所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时,Spark可以通过这个依赖关系重新计算丢失的分区数据,而不是对RDD的所有分区进行重新计算。
4)一个Partitioner,即RDD的分片函数。当前Spark中实现了两种类型的分片函数,一个是基于哈希的HashPartitioner,另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD,才会有Partitioner,非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量,也决定了parent RDD Shuffle输出时的分片数量。
5)一个列表,存储存取每个Partition的优先位置(preferredlocation)。对于一个HDFS文件来说,这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念,Spark在进行任务调度的时候,会尽可能地将计算任务分配到其所要处理数据块的存储位置。
2.2. 创建RDD
1)由一个已经存在的Scala集合创建。
val rdd1 =sc.parallelize(Array(1,2,3,4,5,6,7,8))
2)由外部存储系统的数据集创建,包括本地的文件系统,还有所有Hadoop支持的数据集,比如HDFS、Cassandra、HBase等
val rdd2 =sc.textFile("hdfs://node1.itcast.cn:9000/words.txt")
2.3. RDD编程API
2.3.1. Transformation
RDD中的所有转换都是延迟加载的,也就是说,它们并不会直接计算结果。相反的,它们只是记住这些应用到基础数据集(例如一个文件)上的转换动作。只有当发生一个要求返回结果给Driver的动作时,这些转换才会真正运行。这种设计让Spark更加有效率地运行。
常用的Transformation:
转换 | 含义 |
map(func) | 返回一个新的RDD,该RDD由每一个输入元素经过func函数转换后组成 |
filter(func) | 返回一个新的RDD,该RDD由经过func函数计算后返回值为true的输入元素组成 |
flatMap(func) | 类似于map,但是每一个输入元素可以被映射为0或多个输出元素(所以func应该返回一个序列,而不是单一元素) |
mapPartitions(func) | 类似于map,map是针对RDD的每一个元素,而mapPartitions是针对RDD的每一个分区进行处理,我们用Interator【T】表示一个分区。而Interator中装的就是RDD中分区的数据。 |
mapPartitionsWithIndex(func) | 类似于mapPartitions,但func带有一个整数参数表示分片的索引值,因此在类型为T的RDD上运行时,func的函数类型必须是 (Int, Interator[T]) => Iterator[U] |
sample(withReplacement, fraction, seed) | 根据fraction指定的比例对数据进行采样,可以选择是否使用随机数进行替换,seed用于指定随机数生成器种子 |
union(otherDataset) | 对源RDD和参数RDD求并集后返回一个新的RDD |
intersection(otherDataset) | 对源RDD和参数RDD求交集后返回一个新的RDD |
distinct([numTasks])) | 对源RDD进行去重后返回一个新的RDD |
groupByKey([numTasks]) | 在一个(K,V)的RDD上调用,返回一个(K, Iterator[V])的RDD |
reduceByKey(func, [numTasks])
| 在一个(K,V)的RDD上调用,返回一个(K,V)的RDD,使用指定的reduce函数,将相同key的值聚合到一起,与groupByKey类似,reduce任务的个数可以通过第二个可选的参数来设置。
Reduce 的流程实际上和aggregate、combineByKey一样,每个分区先聚合,然后分区结果聚合。只不过在reduce中没有显性的写出来。
|
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]) | 和reduceByKey相似,只是这个是先对分区元素和初始值reduceByKey,然后对分区结果reduceByKey。 |
combineByKey() | 因为combineByKey是Spark中一个比较核心的高级函数,其他一些高阶键值对函数底层都是用它实现的。诸如 groupByKey,reduceByKey等等。 CombineByKey是最灵活的。
|
partitionBy(Partitioner) | 按哪种分区器进行重新分区。一般和自己写的分区器,一起使用。 |
sortByKey([ascending], [numTasks]) | 在一个(K,V)的RDD上调用,K必须实现Ordered接口,返回一个按照key进行排序的(K,V)的RDD |
sortBy(func,[ascending], [numTasks]) | 与sortByKey类似,但是更灵活 |
join(otherDataset, [numTasks]) | 在类型为(K,V)和(K,W)的RDD上调用,返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD |
cogroup(otherDataset, [numTasks]) | 在类型为(K,V)和(K,W)的RDD上调用,返回一个(K,(Iterable<V>,Iterable<W>))类型的RDD |
cartesian(otherDataset) | 笛卡尔积 |
pipe(command, [envVars]) |
|
coalesce(numPartitions,Boolean) | 第二个参数:是否如许shuffle,不填得的话默认是false。不shuffle,就相当于合并,分区只能比原来少;可以shuffle就是可以自动调整分区大小 |
repartition(numPartitions) | 是按照系统默认的HashPartitioner分区器重新分区,分成numPartitions(分区总数) Reparation(n)底层就是调用了coalesce(n,true) |
repartitionAndSortWithinPartitions(partitioner) |
|
ReduceByKey和aggregateByKey都是对先按key值分组,然后在聚合。 |
|
2.3.2. Action
动作 | 含义 |
aggregate[U: ClassTag](zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U | 说明:即每个分区内对 zeroValue 初始值和分区的数据进行 reduce ,再对各分区结果以及zeroValue初始值进行 reduce 。与 reduce 的区别是, aggregate 有对分区内的操作定义;还有初始值定义;reduce 仅有一个统一的对所有元素的操作定义。 |
reduce(func) | Reduce 的流程实际上和aggregate、combineByKey一样,每个分区先聚合,然后分区结果聚合。只不过在reduce中没有显性的写出来。 |
collect() | 在驱动程序中,以数组的形式返回数据集的所有元素 |
count() | 返回RDD的元素个数 |
first() | 返回RDD的第一个元素(类似于take(1)) |
take(n) | 返回一个由数据集的前n个元素组成的数组 |
takeSample(withReplacement,num, [seed]) | 返回一个数组,该数组由从数据集中随机采样的num个元素组成,可以选择是否用随机数替换不足的部分,seed用于指定随机数生成器种子 |
takeOrdered(n, [ordering]) |
|
saveAsTextFile(path) | 将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统,对于每个元素,Spark将会调用toString方法,将它装换为文件中的文本 |
saveAsSequenceFile(path) | 将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下,可以使HDFS或者其他Hadoop支持的文件系统。 |
saveAsObjectFile(path) |
|
countByKey() | 针对(K,V)类型的RDD,返回一个(K,Int)的map,表示每一个key对应的元素个数。 |
foreach(func) | 在数据集的每一个元素上,运行函数func进行更新。 |
Foreachpartition( jdbc连接)
Foreach( jdbc连接)
| 每个分区,分别向数据库写数据,这可以解决数据输出效率的问题。 只有Driver向数据库写数据 |
2.3.3. WordCount中的RDD
调用各种算子的时候,每个算子分别产生哪些RDD。
这里有一点需要注意:
分区的作用范围是元素(k,v)的RDD,而那么textFile读取进来的数据不是一行行的吗,为什么还能分区那?
答:textFile产生两个RDD,首先会把数据映射成(k,v数据)的形式得到HadoopRDD,之后将数据(k,v)=> v ,在这个步骤进行分区,得到MapPartitionRDD。有兴趣可以查看Textfile—》HadoopFile的源码。
2.3.4. WordCount中的RDD的数据过程
Reduce、reduceByKey、aggregate、aggregateBykey、conbineByKey都是包含了shuffle的过程以及得出结果。
2.4. RDD的依赖关系
RDD和它依赖的父RDD(s)的关系有两种不同的类型,即窄依赖(narrow dependency)和宽依赖(wide dependency)。
2.4.1. 窄依赖
窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用
总结:窄依赖我们形象的比喻为独生子女
2.4.2. 宽依赖
宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition
总结:窄依赖我们形象的比喻为超生
2.4.3. Lineage(血统):所谓血统,就是你爸爸和妈妈是谁,可以理解为上一个RDD和算子(转换行为)。
RDD只支持粗粒度转换,即在大量记录上执行的单个操作。将创建RDD的一系列Lineage(即血统)记录下来,以便恢复丢失的分区。RDD的Lineage会记录RDD的元数据信息和转换行为,当该RDD的部分分区数据丢失时,它可以根据这些信息来重新运算和恢复丢失的数据分区。
2.5. RDD的缓存
Spark速度非常快的原因之一,就是在不同操作中可以在内存中持久化或缓存数据集。当持久化某个RDD后,每一个节点都将把计算的分片结果保存在内存中,并在对此RDD或衍生出的RDD进行的其他动作中重用。这使得后续的动作变得更加迅速。RDD相关的持久化和缓存,是Spark最重要的特征之一。可以说,缓存是Spark构建迭代式算法和快速交互式查询的关键。
2.5.1. RDD的持久化(在rdd所在的程序运行结束后,持久化消失)
RDD通过persist方法或cache方法进行性持久化,但是并不是这两个方法被调用时立即缓存,而是触发后面的action时,该RDD将会被缓存在计算节点的内存中,并供后面重用。
注意persist是持久化的方法,cache只是缓存到内存中
实质:Persist(StorageLevel.Memory_Only)=cache
如果不想用了,就通过RDD.unpersist(true)就不缓存了。
通过查看源码发现cache最终也是调用了persist方法,默认的存储级别都是仅在内存存储一份,Spark的存储级别还有好多种,存储级别在object StorageLevel中定义的。
缓存有可能丢失,或者存储存储于内存的数据由于内存不足而被删除,RDD的缓存容错机制保证了即使缓存丢失也能保证计算的正确执行。通过基于RDD的一系列转换,丢失的数据会被重算,由于RDD的各个Partition是相对独立的,因此只需要计算丢失的部分即可,并不需要重算全部Partition。
*_SER 是序列化存到内存或者磁盘上,序列化之后文件会小一些,但是需要消耗内存和cup进行序列化就比直接存储要慢一些。
2.6. DAG的生成
DAG(Directed Acyclic Graph)叫做有向无环图,原始的RDD通过一系列的转换就就形成了DAG,根据RDD之间的依赖关系的不同将DAG划分成不同的Stage,对于窄依赖,partition的转换处理在Stage中完成计算。对于宽依赖,由于有Shuffle的存在,只能在parent RDD处理完成后,才能开始接下来的计算,因此宽依赖是划分Stage的依据。