Spark高级特性 (难)

最新推荐文章于 2024-05-11 23:50:03 发布

我像影子一样

最新推荐文章于 2024-05-11 23:50:03 发布

阅读量3.1k

点赞数 88

分类专栏： Spark 大数据文章标签： spark 大数据

本文链接：https://blog.csdn.net/m0_56181660/article/details/135590340

版权

大数据同时被 2 个专栏收录

44 篇文章 1 订阅

订阅专栏

Spark

30 篇文章 0 订阅

订阅专栏

Spark高级特性 (难)

闭包

/*
  * 编写一个高阶函数，在这个函数要有一个变量，返回一个函数，通过这个变量完成一个计算
  * */
  @Test
  def test(): Unit = {
//    val f: Int => Double = closure()
//    val area = f(5)
//    println(area)

    // 在这能否访问到 factor，不能，因为factor所在作用域是closure()方法，test()方法和closure()方法作用域是平级的，所有不能直接访问
    // 不能访问，说明 factor 在一个单独的作用域中

    // 在拿到 f 的时候， 可以通过 f 间接的访问到 closure() 作用域中的内容
    // 说明 f 携带了一个作用域
    // 如果一个函数携带了一个外包的作用域，这种函数我们称之为闭包
    val f = closure()
    f(5)

    // 闭包的本质是什么？
    // f 就是闭包，闭包的本质就是一个函数
    // 在 Scala 中，函数就是一个特殊的类型，FunctionX
    // 闭包也是一个 FunctionX 类型的对象
    // 所以闭包是一个对象
  }
  /*
  * 返回一个新的函数
  * */
  def closure(): Int => Double = {
    val factor = 3.14
    val areaFunction = (r: Int) => math.pow(r, 2) * factor // 计算圆的面积
    areaFunction
  }

通过 closure 返回的函数 f 就是一个闭包, 其函数内部的作用域并不是 test 函数的作用域, 这种连带作用域一起打包的方式, 我们称之为闭包, 在 Scala 中

Scala 中的闭包本质上就是一个对象, 是 FunctionX 的实例

Spark中的闭包

分发闭包
```
sc.textFile("./dataset/access_log_sample.txt")
      .flatMap(item => item.split(" "))
      .collect()

// item => item.split(" ") 是一个函数，代表一个Task，这个Task会被分发到不同的Executor中
```
上述这段代码中，flatMp中传入的是另外一个函数，传入的这个函数就是一个闭包，这个闭包会被序列化运行在不同的Executor中
```
class MyClass {
  val field = "Hello"

  def doStuff(rdd: RDD[String]): RDD[String] = {
    rdd.map(x => field + x)
  }
}

/* 
 * x => field + x   引用MyClass对象中的一个成员变量,说明它可以访问MyClass这个类的作用域,
 * 所以这个函数也是一个闭包，封闭的是MyClass这个作用域。
 * x => field + x 
 */
```
这段代码中的闭包就有了一个依赖, 依赖于外部的一个类, 因为传递给算子的函数最终要在 Executor 中运行, 所以需要序列化 MyClass 发给每一个 Executor, 从而在 Executor 访问 MyClass 对象的属性

总结
- 闭包就是一个封闭的作用域, 也是一个对象
- Spark 算子所接受的函数, 本质上是一个闭包, 因为其需要封闭作用域, 并且序列化自身和依赖, 分发到不同的节点中运行

累加器

一个小问题
```
var count = 0

val conf = new SparkConf().setAppName("ip_ana").setMaster("local[6]")
val sc = new SparkContext(conf)

sc.parallelize(Seq(1, 2, 3, 4, 5))
  .foreach(count += _)

println(count)
```
上面这段代码是一个非常错误的使用, 请不要仿照, 这段代码只是为了证明一些事情

先明确两件事, var count = 0是在 Driver 中定义的, foreach(count += _)这个算子以及传递进去的闭包运行在 Executor 中

这段代码整体想做的事情是累加一个变量, 但是这段代码的写法却做不到这件事, 原因也很简单, 因为具体的算子是闭包, 被分发给不同的节点运行, 所以这个闭包中累加的并不是 Driver 中的这个变量
全局累加器（只能对数值型数据累加）

Accumulators(累加器) 是一个只支持 added(添加) 的分布式变量, 可以在分布式环境下保持一致性, 并且能够做到高效的并发.

原生 Spark 支持数值型的累加器, 可以用于实现计数或者求和, 开发者也可以使用自定义累加器以实现更高级的需求
```
val conf = new SparkConf().setAppName("ip_ana").setMaster("local[6]")
val sc = new SparkContext(conf)

val counter = sc.longAccumulator("counter")

sc.parallelize(Seq(1, 2, 3, 4, 5))
  .foreach(counter.add(_)) 

// 运行结果: 15
println(counter.value)
```
注意点：
- Accumulator 是支持并发并行的, 在任何地方都可以通过 add 来修改数值, 无论是 Driver 还是 Executor
- 只能在 Driver 中才能调用 value 来获取数值
在 WebUI 中关于 Job 部分也可以看到 Accumulator 的信息, 以及其运行的情况

累加器还有两个小特性, 第一, 累加器能保证在 Spark 任务出现问题被重启的时候不会出现重复计算. 第二, 累加器只有在 Action 执行的时候才会被触发.
```
val config = new SparkConf().setAppName("ip_ana").setMaster("local[6]")
val sc = new SparkContext(config)

val counter = sc.longAccumulator("counter")

sc.parallelize(Seq(1, 2, 3, 4, 5))
  .map(counter.add(_)) // 这个地方不是 Action, 而是一个 Transformation

// 运行结果是 0
println(counter.value)
```

自定义累加器

开发者可以通过自定义累加器来实现更多类型的累加器, 累加器的作用远远不只是累加, 比如可以实现一个累加器, 用于向里面添加一些运行信息

/**
 * RDD -> (1,2,3,4,5) —> Set(1,2,3,4,5)，将原先的数，累加到一个集合中
 */
@Test
  def acc(): Unit = {
    val conf = new SparkConf().setMaster("local[6]").setAppName("acc")
    val sc = new SparkContext(conf)

    val numAcc = new NumAccumulator()
    // 注册给Spark
    sc.register(numAcc, "num")

    sc.parallelize(Seq("1", "2", "3"))
      .foreach(item => numAcc.add(item))

    println(numAcc.value)

    sc.stop()
  }

}

class NumAccumulator extends AccumulatorV2[String, Set[String]] {
  private val nums: mutable.Set[String] = mutable.Set() // 定义类型是可变Set，否则后面的newAccumulator.nums ++= this.nums，++=会报错

  /**
   * 告诉 Spark 框架，这个累加器对象是否是空的
   */
  override def isZero: Boolean = {
    nums.isEmpty
  }

  /**
   * 提供给 Spark 框架一个拷贝的累加器
   */
  override def copy(): AccumulatorV2[String, Set[String]] = {
    val newAccumulator = new NumAccumulator()
    nums.synchronized {
      newAccumulator.nums ++= this.nums
    }
    newAccumulator
  }

  /**
   * 帮助 Spark 框架，清理累加器的内容
   */
  override def reset(): Unit = {
    nums.clear()
  }

  /**
   * 外部传入要累加的内容，在这个方法中进行累加
   */
  override def add(v: String): Unit = {
    nums += v

  }

  /**
   * 累加器在进行累加的时候，可能每个分布式节点都有一个实例
   * 在最后 Driver 进行一次合并，把所有的实例的内容合并起来，会调用这个 merge 方法进行合并
   */
  override def merge(other: AccumulatorV2[String, Set[String]]): Unit = {
    nums ++= other.value
  }

  /**
   * 提供给外部累加结果
   * 为什么一定不可变的，因为外部有可能再进行修改，如果是可变的集合，其外部的修改会影响内部的值
   */
  override def value: Set[String] = {
    nums.toSet // 不可变
}

广播变量

广播变量的作用

广播变量允许开发者将一个 Read-Only的变量缓存到集群中每个节点中, 而不是传递给每一个 Task 一个副本.
- 集群中每个节点, 指的是一个机器
- 每一个 Task, 一个 Task 是一个 Stage 中的最小处理单元, 一个 Executor 中可以有多个 Stage, 每个 Stage 有多个 Task
所以在需要跨多个 Stage 的多个 Task 中使用相同数据的情况下, 广播特别的有用

只需要2个map，我们可以用广播
广播变量的API

方法名描述
id 唯一标识
value 广播变量的值
unpersist 在 Executor 中异步的删除缓存副本
destroy 销毁所有此广播变量所关联的数据和元数据
toString 字符串表示

方法名	描述
id	唯一标识
value	广播变量的值
unpersist	在 Executor 中异步的删除缓存副本
destroy	销毁所有此广播变量所关联的数据和元数据
toString	字符串表示

使用广播变量的一般套路

可以通过如下方式创建广播变量

val b = sc.broadcast(1)

如果 Log 级别为 DEBUG 的时候, 会打印如下信息

DEBUG BlockManager: Put block broadcast_0 locally took  430 ms
DEBUG BlockManager: Putting block broadcast_0 without replication took  431 ms
DEBUG BlockManager: Told master about block broadcast_0_piece0
DEBUG BlockManager: Put block broadcast_0_piece0 locally took  4 ms
DEBUG BlockManager: Putting block broadcast_0_piece0 without replication took  4 ms

创建后可以使用 value获取数据

b.value

获取数据的时候会打印如下信息

DEBUG BlockManager: Getting local block broadcast_0
DEBUG BlockManager: Level for block broadcast_0 is StorageLevel(disk, memory, deserialized, 1 replicas)

广播变量使用完了以后, 可以使用 unpersist删除数据

b.unpersist

删除数据以后, 可以使用 destroy销毁变量, 释放内存空间

b.destroy

销毁以后, 会打印如下信息

DEBUG BlockManager: Removing broadcast 0
DEBUG BlockManager: Removing block broadcast_0_piece0
DEBUG BlockManager: Told master about block broadcast_0_piece0
DEBUG BlockManager: Removing block broadcast_0

使用 value 方法的注意

方法签名 value: T

在 value方法内部会确保使用获取数据的时候, 变量必须是可用状态, 所以必须在变量被 destroy之前使用 value方法, 如果使用 value时变量已经失效, 则会报出以下错误

org.apache.spark.SparkException: Attempted to use Broadcast(0) after it was destroyed (destroy at <console>:27)
  at org.apache.spark.broadcast.Broadcast.assertValid(Broadcast.scala:144)
  at org.apache.spark.broadcast.Broadcast.value(Broadcast.scala:69)
  ... 48 elided

使用 destory 方法的注意点

方法签名 destroy(): Unit

destroy方法会移除广播变量, 彻底销毁掉, 但是如果你试图多次 destroy广播变量, 则会报出以下错误

org.apache.spark.SparkException: Attempted to use Broadcast(0) after it was destroyed (destroy at <console>:27)
  at org.apache.spark.broadcast.Broadcast.assertValid(Broadcast.scala:144)
  at org.apache.spark.broadcast.Broadcast.destroy(Broadcast.scala:107)
  at org.apache.spark.broadcast.Broadcast.destroy(Broadcast.scala:98)
  ... 48 elided

使用code

/**
   * 资源占用比较大, 有十个对应的 value
   */
  @Test
  def bc1():Unit = {
    // 数据，假装这个数据很大，大概一百兆
    val v = Map("Spark" -> "http://spark.apache.cn", "Scala" -> "http://www.scala-lang.org")

    val conf = new SparkConf().setMaster("local[6]").setAppName("bc")
    val sc = new SparkContext(conf)

    // 将其中的 Spark 和 Scala 转为对应的网址
    val r = sc.parallelize(Seq("Spark","Scala"))
    val result = r.map(item => v(item)).collect()
    result.foreach(println(_))
  }
  /**
   * 使用广播, 大幅度减少 value 的复制
   */
  @Test
  def bc2():Unit = {
    // 数据，假装这个数据很大，大概一百兆
    val v = Map("Spark" -> "http://spark.apache.cn", "Scala" -> "http://www.scala-lang.org")

    val conf = new SparkConf().setMaster("local[6]").setAppName("bc")
    val sc = new SparkContext(conf)

    // 创建广播
    val bc = sc.broadcast(v)

    // 将其中的 Spark 和 Scala 转为对应的网址
    val r = sc.parallelize(Seq("Spark","Scala"))

    // 在算子中使用广播变量代替直接引用集合, 只会复制和executor一样的数量
    // 在使用广播之前, 复制 map 了 task 数量份
    // 在使用广播以后, 复制次数和 executor 数量一致
    val result = r.map(item => bc.value(item)).collect()
    result.foreach(println(_))
  }