生产实习Day08----大数据实例分析

学习目标：

• 了解Spark，RDD算子，以及Spark RDD的创建

---

学习内容：

在数据计算层，作为Hadoop核心组成的MapReduce可以结合Hive通过类SQL的方式进行数据的离线计算（当然也可以编写独立的MapReduce应用程序进行计算）；而Spark既可以做离线计算（Spark SQL），又可以做实时计算（Spark Streaming），它们底层都使用的是Spark的核心（Spark Core）。

Apache Spark是一个快速通用的集群计算系统，是一种与Hadoop相似的开源集群计算环境，但是Spark在一些工作负载方面表现得更加优越。它提供了Java、Scala、Python和R的高级API，以及一个支持通用的执行图计算的优化引擎。它还支持高级工具，包括使用SQL进行结构化数据处理的Spark SQL、用于机器学习的MLlib、用于图处理的GraphX，以及用于实时流处理的Spark Streaming。

---

学习时间：

• 6.14日

---

学习产出：

Spark主要有三种运行模式：

• 本地（单机）模式

​ 本地模式通过多线程模拟分布式计算，通常用于对应用程序的简单测试。本地模式在提交应用程序后，将会在本地生成一个名为SparkSubmit的进程，该进程既负责程序的提交，又负责任务的分配、执行和监控等。

• Spark Standalone模式

​ 使用Spark自带的资源调度系统，资源调度是Spark自己实现的。

• Spark On YARN模式

​ 以YARN作为底层资源调度系统以分布式的方式在集群中运行。

RDD被创建后是只读的，不允许修改。Spark提供了丰富的用于操作RDD的方法，这些方法被称为算子。一个创建完成的RDD只支持两种算子：转化（Transformation）算子和行动（Action）算子。

Spark提供了一种对数据的核心抽象，称为弹性分布式数据集（Resilient Distributed Dataset，简称RDD）。这个数据集的全部或部分可以缓存在内存中，并且可以在多次计算时重用。RDD其实就是一个分布在多个节点上的数据集合。

​ RDD的弹性主要是指：当内存不够时，数据可以持久化到磁盘，并且RDD具有高效的容错能力。

​ 分布式数据集是指：一个数据集存储在不同的节点上，每个节点存储数据集的一部分。

​ 例如，将数据集(hello,world,scala,spark,love,spark,happy)存储在三个节点上，节点一存储(hello,world)，节点二存储(scala,spark,love)，节点三存储(spark,happy)，这样对三个节点的数据可以并行计算，并且三个节点的数据共同组成了一个RDD。

分布式数据集类似于HDFS中的文件分块，不同的块存储在不同的节点上；而并行计算类似于使用MapReduce读取HDFS中的数据并进行Map和Reduce操作。Spark则包含这两种功能，并且计算更加灵活。

​ 在编程时，可以把RDD看作是一个数据操作的基本单位，而不必关心数据的分布式特性，Spark会自动将RDD的数据分发到集群的各个节点。Spark中对数据的操作主要是对RDD的操作（创建、转化、求值）。

RDD的主要特征（面试常问）

• RDD是不可变的，但可以将RDD转换成新的RDD进行操作，但是原来的RDD没有变化。
• RDD是可分区的。RDD由很多分区组成，每个分区对应一个Task任务来执行。
• 对RDD进行操作，相当于对RDD的每个分区进行操作。
• RDD拥有一系列对分区进行计算的函数，称为算子。
• RDD之间存在依赖关系，可以实现管道化，避免了中间数据的存储。