Spark RDD 整理

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。