Spark 计算框架为了能够进行高并发和高吞吐的数据处理,封装了三大数据结构,用于处理不同的应用场景。三大数据结构分别是:
- RDD : 弹性分布式数据集
- 累加器:分布式共享只写变量
- 广播变量:分布式共享只读变量
RDD
1.什么是RDD
RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,是 Spark 中最基本的数据处理模型。代码中是一个抽象类,它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。
弹性
- 存储的弹性:内存与磁盘的自动切换;
- 容错的弹性:数据丢失可以自动恢复;
- 计算的弹性:计算出错重试机制;
- 分片的弹性:可根据需要重新分片。
分布式
数据存储在大数据集群不同节点上
数据集
RDD 封装了计算逻辑,并不保存数据
数据抽象
RDD 是一个抽象类,需要子类具体实现
不可变
RDD 封装了计算逻辑,是不可以改变的,想要改变,只能产生新的RDD,在新的RDD 里面封装计算逻辑
可分区、并行计算
RDD和IO流的关系
- RDD的数据处理方式类似于IO流,也有装饰者设计模式
- RDD的数据只有在调用collect方法时,才会真正执行业务逻辑操作,之前的封装全部都是功能的扩展
- RDD是不保存数据的,但是IO可以临时保存一部分数据
2.核心属性
- 分区列表
RDD 数据结构中存在分区列表,用于执行任务时并行计算,是实现分布式计算的重要属性。 - 分区计算函数
Spark 在计算时,是使用分区函数对每一个分区进行计算 - RDD 之间的依赖关系
RDD 是计算模型的封装,当需求中需要将多个计算模型进行组合时,就需要将多个 RDD 建立依赖关系 - 分区器(可选)
当数据为 KV 类型数据时,可以通过设定分区器自定义数据的分区 - 首选位置(可选)
计算数据时,可以根据计算节点的状态选择不同的节点位置进行计算
3.执行原理
- 从计算的角度来讲,数据处理过程中需要计算资源(内存 & CPU)和计算模型(逻辑)。执行时,需要将计算资源和计算模型进行协调和整合。
- Spark 框架在执行时,先申请资源,然后将应用程序的数据处理逻辑分解成一个一个的计算任务。然后将任务发到已经分配资源的计算节点上, 按照指定的计算模型进行数据计算。最后得到计算结果。
- RDD 是 Spark 框架中用于数据处理的核心模型,接下来我们看看,在 Yarn 环境中,RDD 的工作原理:
1)启动 Yarn 集群环境
2)Spark 通过申请资源创建调度节点和计算节点
3)Spark 框架根据需求将计算逻辑根据分区划分成不同的任务
4)调度节点将任务根据计算节点状态发送到对应的计算节点进行计算
从以上流程可以看出 RDD 在整个流程中主要用于将逻辑进行封装,并生成 Task 发送给Executor 节点执行计算
4.基础编程
4.1 RDD创建
- 从集合(内存)中创建RDD
object Spark_rdd_01 {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
val sc = new SparkContext(conf)
//TODO 创建RDD
//从内存中创建RDD,将内存中集合的数据作为处理的数据源
val seq=Seq[Int](1,2,3,4)
//parallelize:并行
//val rdd: RDD[Int] = sc.parallelize(seq)
//makeRDD方法在底层实现时其实就是调用了rdd对象的parallelize方法
val rdd: RDD[Int] = sc.makeRDD(seq)
rdd.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
1
2
3
4
- 从外部存储(文件)创建RDD
object Spark_rdd_01 {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
val sc = new SparkContext(conf)
//TODO 创建RDD
//从文件中创建RDD,将文件中的数据作为处理的数据源
//path路径默认以当前环境的根路径为基准,可以写绝对路径,也可以写相对路径
//path路径可以是文件的具体路径,也可以是目录名称
//val rdd=sc.textFile("datas")
//path路径还可以使用通配符
//val rdd=sc.textFile("datas/1*.txt")
//path还可以是分布式存储系统的路径:HDFS
//val rdd=sc.textFile("hdfs://linux1:8020/test.txt")
//textFile:以行为单位来读取数据,读取的数据都是字符串
//wholeTextFiles:以文件为单位读取数据
//val rdd = sc.wholeTextFiles("datas")
//读取的结果表示为元组,第一个元素表示文件路径,第二个元素表示文件内容
val rdd: RDD[String] = sc.textFile("datas\\1.txt")
rdd.collect().foreach(println)
//TODO 关闭环境
sc.stop()
}
}
Hello World
Hello Spark
hello scala
hello Spark
- 从其他RDD创建
- 直接创建RDD
4.2 RDD并行度与分区
object Spark_rdd_01 {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
//conf.set("spark.default.parallelism","5") 可以手动配置核数
val sc = new SparkContext(conf)
//TODO 创建RDD
//RDD的并行度&分区
//makeRDD方法可以传递第二个参数,这个参数表示分区的数量
//第二个参数可以不传递的,那么makeRDD方法会使用默认值:defaultParallelism(默认为)
//源码scheduler.conf.getInt("spark.default.parallelism",totalCores)
//spark在默认情况下,从配置对象中获取配置参数:spark.default.parallelism
//如果获取不到,那么使用totalCores属性,这个属性取值为当前运行环境的最大可用核数
val rdd: RDD[Int] = sc.makeRDD(
List(1, 2, 3, 4), 2
)
//将处理的数据保存成分区文件
rdd.saveAsTextFile("output")
//TODO 关闭环境
sc.stop()
}
}
object Spark_rdd_01 {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
val sc = new SparkContext(conf)
//TODO 创建RDD
//textFile可以将文件作为数据处理的数据源,默认也可以设定分区,默认分区数是2
//minPartition:最小分区数量
//math.min(defaultParallelism,2)
//如果不想使用默认的分区数量,可以通过第二个参数指定分区数
//Spark读取文件,底层其实使用的是Hadoop的读取方式
//分区数量的计算方式:
// totalSize=7
// goalSize=7/2=3(byte)
// 7/3=2...1(1.1)+1=3(分区)
val rdd: RDD[String] = sc.textFile("datas\\1.txt",3)
//将处理的数据保存成分区文件
rdd.saveAsTextFile("output")
//TODO 关闭环境
sc.stop()
}
}
1.txt
1
2
3
object Spark_rdd_01 {
def main(args: Array[String]): Unit = {
//TODO 准备环境
val conf = new SparkConf().setMaster("local[*]").setAppName("RDD")
val sc = new SparkContext(conf)
//TODO 创建RDD
//TODO 数据分区的分配
//1.数据以行为单位进行读取
// spark读取文件,采用的是hadoop的方式读取,所以一行一行读取,和字节数没有关系
//2.数据读取时以偏移量为单位,偏移量不会被重复读取
/*字节 偏移量
* 1@@ => 012
* 2@@ => 345
* 3 => 6
*/
//3.数据分区的偏移量范围的计算
/*分区 偏移量范围
* 0 => [0,3] =>12
* 1 => [3,6] =>3
* 2 => [6,7] =>
*/
//如果数据源为多个文件,那么计算分区时以文件为单位进行分区
val rdd: RDD[String] = sc.textFile("datas\\1.txt",2)
//将处理的数据保存成分区文件
rdd.saveAsTextFile("output")
//TODO 关闭环境
sc.stop()
}
}