Spark core Insight
目标
- 深入理解 RDD 的内在逻辑
- 能够使用 RDD 的算子
- 理解 RDD 算子的 Shuffle 和缓存
- 理解 RDD 整体的使用流程
- 理解 RDD 的调度原理
- 理解 Spark 中常见的分布式变量共享方式
1. 深入 RDD
目标
- 深入理解 RDD 的内在逻辑, 以及 RDD 的内部属性(RDD 由什么组成)
1.1. 案例
需求
- 给定一个网站的访问记录, 俗称 Access log
- 计算其中出现的独立 IP, 以及其访问的次数
val config = new SparkConf().setAppName("ip_ana").setMaster("local[6]")
val sc = new SparkContext(config)
val result = sc.textFile("dataset/access_log_sample.txt")
.map(item => (item.split(" ")(0), 1))
.filter(item => StringUtils.isNotBlank(item._1))
.reduceByKey((curr, agg) => curr + agg)
.sortBy(item => item._2, false)
.take(10)
result.foreach(item => println(item))
针对这个小案例, 我们问出互相关联但是又方向不同的五个问题
-
假设要针对整个网站的历史数据进行处理, 量有 1T, 如何处理?
放在集群中, 利用集群多台计算机来并行处理
-
如何放在集群中运行?
-
简单来讲, 并行计算就是同时使用多个计算资源解决一个问题, 有如下四个要点
要解决的问题必须可以分解为多个可以并发计算的部分每个部分要可以在不同处理器上被同时执行需要一个共享内存的机制需要一个总体上的协作机制来进行调度
-
-
如果放在集群中的话, 可能要对整个计算任务进行分解, 如何分解?
-
概述
对于 HDFS 中的文件, 是分为不同的 Block 的在进行计算的时候, 就可以按照 Block 来划分, 每一个 Block 对应一个不同的计算单元
-
扩展
RDD
并没有真实的存放数据, 数据是从 HDFS 中读取的, 在计算的过程中读取即可RDD
至少是需要可以 分片 的, 因为HDFS中的文件就是分片的,RDD
分片的意义在于表示对源数据集每个分片的计算,RDD
可以分片也意味着 可以并行计算
-
-
移动数据不如移动计算是一个基础的优化, 如何做到?
每一个计算单元需要记录其存储单元的位置, 尽量调度过去
-
在集群中运行, 需要很多节点之间配合, 出错的概率也更高, 出错了怎么办?
-
RDD1 → RDD2 → RDD3 这个过程中, RDD2 出错了, 有两种办法可以解决
缓存 RDD2 的数据, 直接恢复 RDD2, 类似 HDFS 的备份机制记录 RDD2 的依赖关系, 通过其父级的 RDD 来恢复 RDD2, 这种方式会少很多数据的交互和保存
-
如何通过父级 RDD 来恢复?
记录 RDD2 的父亲是 RDD1记录 RDD2 的计算函数, 例如记录
RDD2 = RDD1.map(…)
,map(…)
就是计算函数当 RDD2 计算出错的时候, 可以通过父级 RDD 和计算函数来恢复 RDD2
-
-
假如任务特别复杂, 流程特别长, 有很多 RDD 之间有依赖关系, 如何优化?
上面提到了可以使用依赖关系来进行容错, 但是如果依赖关系特别长的时候, 这种方式其实也比较低效, 这个时候就应该使用另外一种方式, 也就是记录数据集的状态
-
在 Spark 中有两个手段可以做到
缓存Checkpoint
-
1.2. 再谈 RDD
目标
- 理解 RDD 为什么会出现
- 理解 RDD 的主要特点
- 理解 RDD 的五大属性
1.2.1. RDD 为什么会出现?
-
在 RDD 出现之前, 当时 MapReduce 是比较主流的, 而 MapReduce 如何执行迭代计算的任务呢?
多个 MapReduce 任务之间没有基于内存的数据共享方式, 只能通过磁盘来进行共享这种方式明显比较低效
-
RDD 如何解决迭代计算非常低效的问题呢?
在 Spark 中, 其实最终 Job3 从逻辑上的计算过程是:
Job3 = (Job1.map).filter
, 整个过程是共享内存的, 而不需要将中间结果存放在可靠的分布式文件系统中这种方式可以在保证容错的前提下, 提供更多的灵活, 更快的执行速度, RDD 在执行迭代型任务时候的表现可以通过下面代码体现// 线性回归 val points = sc.textFile(...) .map(...) .persist(...) val w = randomValue for (i <- 1 to 10000) { val gradient = points.map(p => p.x * (1 / (1 + exp(-p.y * (w dot p.x))) - 1) * p.y) .reduce(_ + _) w -= gradient }
在这个例子中, 进行了大致 10000 次迭代, 如果在 MapReduce 中实现, 可能需要运行很多 Job, 每个 Job 之间都要通过 HDFS 共享结果, 熟快熟慢一窥便知
1.2.2. RDD 的特点
-
RDD 不仅是数据集, 也是编程模型
RDD 即是一种数据结构, 同时也提供了上层 API, 同时 RDD 的 API 和 Scala 中对集合运算的 API 非常类似, 同样也都是各种算子
RDD 的算子大致分为两类:Transformation 转换操作, 例如
map
flatMap
filter
等Action 动作操作, 例如reduce
collect
show
等执行 RDD 的时候, 在执行到转换操作的时候, 并不会立刻执行, 直到遇见了 Action 操作, 才会触发真正的执行, 这个特点叫做 惰性求值 -
RDD 可以分区
RDD 是一个分布式计算框架, 所以, 一定是要能够进行分区计算的, 只有分区了, 才能利用集群的并行计算能力同时, RDD 不需要始终被具体化, 也就是说: RDD 中可以没有数据, 只要有足够的信息知道自己是从谁计算得来的就可以, 这是一种非常高效的容错方式
-
RDD 是只读的
RDD 是只读的, 不允许任何形式的修改. 虽说不能因为 RDD 和 HDFS 是只读的, 就认为分布式存储系统必须设计为只读的. 但是设计为只读的, 会显著降低问题的复杂度, 因为 RDD 需要可以容错, 可以惰性求值, 可以移动计算, 所以很难支持修改.RDD2 中可能没有数据, 只是保留了依赖关系和计算函数, 那修改啥?如果因为支持修改, 而必须保存数据的话, 怎么容错?如果允许修改, 如何定位要修改的那一行? RDD 的转换是粗粒度的, 也就是说, RDD 并不感知具体每一行在哪.
-
RDD 是可以容错的
RDD 的容错有两种方式保存 RDD 之间的依赖关系, 以及计算函数, 出现错误重新计算直接将 RDD 的数据存放在外部存储系统, 出现错误直接读取, Checkpoint
1.2.3. 什么叫做弹性分布式数据集
-
分布式
RDD 支持分区, 可以运行在集群中
-
弹性
RDD 支持高效的容错RDD 中的数据即可以缓存在内存中, 也可以缓存在磁盘中, 也可以缓存在外部存储中
-
数据集
RDD 可以不保存具体数据, 只保留创建自己的必备信息, 例如依赖和计算函数RDD 也可以缓存起来, 相当于存储具体数据
总结: RDD 的五大属性
首先整理一下上面所提到的 RDD 所要实现的功能:
- RDD 有分区
- RDD 要可以通过依赖关系和计算函数进行容错
- RDD 要针对数据本地性进行优化
- RDD 支持 MapReduce 形式的计算, 所以要能够对数据进行 Shuffled
对于 RDD 来说, 其中应该有什么内容呢? 如果站在 RDD 设计者的角度上, 这个类中, 至少需要什么属性?
Partition List
分片列表, 记录 RDD 的分片, 可以在创建 RDD 的时候指定分区数目, 也可以通过算子来生成新的 RDD 从而改变分区数目Compute Function
为了实现容错, 需要记录 RDD 之间转换所执行的计算函数RDD Dependencies
RDD 之间的依赖关系, 要在 RDD 中记录其上级 RDD 是谁, 从而实现容错和计算Partitioner
为了执行 Shuffled 操作, 必须要有一个函数用来计算数据应该发往哪个分区Preferred Location
优先位置, 为了实现数据本地性操作, 从而移动计算而不是移动存储, 需要记录每个 RDD 分区最好应该放置在什么位置
2. RDD 的算子
目标
- 理解 RDD 的算子分类, 以及其特性
- 理解常见算子的使用
-
分类
RDD 中的算子从功能上分为两大类Transformation(转换) 它会在一个已经存在的 RDD 上创建一个新的 RDD, 将旧的 RDD 的数据转换为另外一种形式后放入新的 RDDAction(动作) 执行各个分区的计算任务, 将的到的结果返回到 Driver 中RDD 中可以存放各种类型的数据, 那么对于不同类型的数据, RDD 又可以分为三类针对基础类型(例如 String)处理的普通算子针对
Key-Value
数据处理的byKey
算子针对数字类型数据处理的计算算子 -
特点
Spark 中所有的 Transformations 是 Lazy(惰性) 的, 它们不会立即执行获得结果. 相反, 它们只会记录在数据集上要应用的操作. 只有当需要返回结果给 Driver 时, 才会执行这些操作, 通过 DAGScheduler 和 TaskScheduler 分发到集群中运行, 这个特性叫做 惰性求值默认情况下, 每一个 Action 运行的时候, 其所关联的所有 Transformation RDD 都会重新计算, 但是也可以使用
presist
方法将 RDD 持久化到磁盘或者内存中. 这个时候为了下次可以更快的访问, 会把数据保存到集群上.
2.1. Transformations 算子
2.2. Action 算子
Action function | 解释 |
---|---|
reduce( (T, T) ⇒ U ) | val rdd = sc.parallelize(Seq(("手机", 10.0), ("手机", 15.0), ("电脑", 20.0))) val result = rdd.reduce((curr, agg) => ("总价", curr._2 + agg._2)) println(result) 作用对整个结果集规约, 最终生成一条数据, 是整个数据集的汇总调用reduce( (currValue[T], agg[T]) ⇒ T ) 注意点reduce 和 reduceByKey 是完全不同的, reduce 是一个 action, 并不是 Shuffled 操作本质上 reduce 就是现在每个 partition 上求值, 最终把每个 partition 的结果再汇总 |
collect() | 以数组的形式返回数据集中所有元素 |
count() | 返回元素个数 |
first() | 返回第一个元素 |
take( N ) | 返回前 N 个元素 |
takeSample(withReplacement, fract) | 类似于 sample, 区别在这是一个Action, 直接返回结果 |
fold(zeroValue)( (T, T) ⇒ U ) | 指定初始值和计算函数, 折叠聚合整个数据集 |
saveAsTextFile(path) | 将结果存入 path 对应的文件中 |
saveAsSequenceFile(path) | 将结果存入 path 对应的 Sequence 文件中 |
countByKey() | val rdd = sc.parallelize(Seq(("手机", 10.0), ("手机", 15.0), ("电脑", 20.0))) val result = rdd.countByKey() println(result) 作用求得整个数据集中 Key 以及对应 Key 出现的次数注意点返回结果为 Map(key → count) 常在解决数据倾斜问题时使用, 查看倾斜的 Key |
foreach( T ⇒ … ) | 遍历每一个元素 |
-
应用
scala val rdd = sc.parallelize(Seq(("手机", 10.0), ("手机", 15.0), ("电脑", 20.0))) // 结果: Array((手机,10.0), (手机,15.0), (电脑,20.0)) println(rdd.collect()) // 结果: Array((手机,10.0), (手机,15.0)) println(rdd.take(2)) // 结果: (手机,10.0) println(rdd.first())
总结
-
RDD 的算子大部分都会生成一些专用的 RDD
map
,flatMap
,filter
等算子会生成MapPartitionsRDD``coalesce
,repartition
等算子会生成CoalescedRDD
-
常见的 RDD 有两种类型
转换型的 RDD, Transformation动作型的 RDD, Action
-
常见的 Transformation 类型的 RDD
mapflatMapfiltergroupByreduceByKey
-
常见的 Action 类型的 RDD
collectcountByKeyreduce
2.3. RDD 对不同类型数据的支持
目标
- 理解 RDD 对 Key-Value 类型的数据是有专门支持的
- 理解 RDD 对数字类型也有专门的支持
-
一般情况下 RDD 要处理的数据有三类
字符串键值对数字型
-
RDD 的算子设计对这三类不同的数据分别都有支持
对于以字符串为代表的基本数据类型是比较基础的一些的操作, 诸如 map, flatMap, filter 等基础的算子对于键值对类型的数据, 有额外的支持, 诸如 reduceByKey, groupByKey 等 byKey 的算子同样对于数字型的数据也有额外的支持, 诸如 max, min 等
-
RDD 对键值对数据的额外支持
键值型数据本质上就是一个二元元组, 键值对类型的 RDD 表示为
RDD[(K, V)]
RDD 对键值对的额外支持是通过隐式支持来完成的, 一个RDD[(K, V)]
, 可以被隐式转换为一个PairRDDFunctions
对象, 从而调用其中的方法.既然对键值对的支持是通过
PairRDDFunctions
提供的, 那么从PairRDDFunctions
中就可以看到这些支持有什么类别算子聚合操作reduceByKey``foldByKey``combineByKey
分组操作cogroup``groupByKey
连接操作join``leftOuterJoin``rightOuterJoin
排序操作sortBy``sortByKey
ActioncountByKey``take``collect
-
RDD 对数字型数据的额外支持
对于数字型数据的额外支持基本上都是 Action 操作, 而不是转换操作算子含义
count
个数mean
均值sum
求和max
最大值min
最小值variance
方差sampleVariance
从采样中计算方差stdev
标准差sampleStdev
采样的标准差val rdd = sc.parallelize(Seq(1, 2, 3)) // 结果: 3 println(rdd.max())
2.4. 阶段练习和总结
导读
- 通过本节, 希望大家能够理解 RDD 的一般使用步骤
// 1. 创建 SparkContext
val conf = new SparkConf().setMaster("local[6]").setAppName("stage_practice1")
val sc = new SparkContext(conf)
// 2. 创建 RDD
val rdd1 = sc.textFile("dataset/BeijingPM20100101_20151231_noheader.csv")
// 3. 处理 RDD
val rdd2 = rdd1.map { item =>
val fields = item.split(",")
((fields(1), fields(2)), fields(6))
}
val rdd3 = rdd2.filter { item => !item._2.equalsIgnoreCase("NA") }
val rdd4 = rdd3.map { item => (item._1, item._2.toInt) }
val rdd5 = rdd4.reduceByKey { (curr, agg) => curr + agg }
val rdd6 = rdd5.sortByKey(ascending = false)
// 4. 行动, 得到结果
println(rdd6.first())
通过上述代码可以看到, 其实 RDD 的整体使用步骤如下
3. RDD 的 Shuffle 和分区
目标
- RDD 的分区操作
- Shuffle 的原理
-
分区的作用
RDD 使用分区来分布式并行处理数据, 并且要做到尽量少的在不同的 Executor 之间使用网络交换数据, 所以当使用 RDD 读取数据的时候, 会尽量的在物理上靠近数据源, 比如说在读取 Cassandra 或者 HDFS 中数据的时候, 会尽量的保持 RDD 的分区和数据源的分区数, 分区模式等一一对应
-
分区和 Shuffle 的关系
分区的主要作用是用来实现并行计算, 本质上和 Shuffle 没什么关系, 但是往往在进行数据处理的时候, 例如
reduceByKey
,groupByKey
等聚合操作, 需要把 Key 相同的 Value 拉取到一起进行计算, 这个时候因为这些 Key 相同的 Value 可能会坐落于不同的分区, 于是理解分区才能理解 Shuffle 的根本原理 -
Spark 中的 Shuffle 操作的特点
只有
Key-Value
型的 RDD 才会有 Shuffle 操作, 例如RDD[(K, V)]
, 但是有一个特例, 就是repartition
算子可以对任何数据类型 Shuffle早期版本 Spark 的 Shuffle 算法是Hash base shuffle
, 后来改为Sort base shuffle
, 更适合大吞吐量的场景
3.1. RDD 的分区操作
-
查看分区数
scala> sc.parallelize(1 to 100).count res0: Long = 100
之所以会有 8 个 Tasks, 是因为在启动的时候指定的命令是
spark-shell --master local[8]
, 这样会生成 1 个 Executors, 这个 Executors 有 8 个 Cores, 所以默认会有 8 个 Tasks, 每个 Cores 对应一个分区, 每个分区对应一个 Tasks, 可以通过rdd.partitions.size
来查看分区数量同时也可以通过 spark-shell 的 WebUI 来查看 Executors 的情况
默认的分区数量是和 Cores 的数量有关的, 也可以通过如下三种方式修改或者重新指定分区数量
-
创建 RDD 时指定分区数
scala> val rdd1 = sc.parallelize(1 to 100, 6) rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[1] at parallelize at :24 scala> rdd1.partitions.size res1: Int = 6 scala> val rdd2 = sc.textFile("hdfs:///dataset/wordcount.txt", 6) rdd2: org.apache.spark.rdd.RDD[String] = hdfs:///dataset/wordcount.txt MapPartitionsRDD[3] at textFile at :24 scala> rdd2.partitions.size res2: Int = 7
rdd1 是通过本地集合创建的, 创建的时候通过第二个参数指定了分区数量. rdd2 是通过读取 HDFS 中文件创建的, 同样通过第二个参数指定了分区数, 因为是从 HDFS 中读取文件, 所以最终的分区数是由 Hadoop 的 InputFormat 来指定的, 所以比指定的分区数大了一个. -
通过
coalesce
算子指定coalesce(numPartitions: Int, shuffle: Boolean = false)(implicit ord: Ordering[T] = null): RDD[T]
numPartitions新生成的 RDD 的分区数shuffle是否 Shufflescala> val source = sc.parallelize(1 to 100, 6) source: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at :24 scala> source.partitions.size res0: Int = 6 scala> val noShuffleRdd = source.coalesce(numPartitions=8, shuffle=false) noShuffleRdd: org.apache.spark.rdd.RDD[Int] = CoalescedRDD[1] at coalesce at :26 scala> noShuffleRdd.toDebugString res1: String = (6) CoalescedRDD[1] at coalesce at :26 [] | ParallelCollectionRDD[0] at parallelize at :24 [] scala> val noShuffleRdd = source.coalesce(numPartitions=8, shuffle=false) noShuffleRdd: org.apache.spark.rdd.RDD[Int] = CoalescedRDD[1] at coalesce at :26 scala> shuffleRdd.toDebugString res3: String = (8) MapPartitionsRDD[5] at coalesce at :26 [] | CoalescedRDD[4] at coalesce at :26 [] | ShuffledRDD[3] at coalesce at :26 [] +-(6) MapPartitionsRDD[2] at coalesce at :26 [] | ParallelCollectionRDD[0] at parallelize at :24 [] scala> noShuffleRdd.partitions.size res4: Int = 6 scala> shuffleRdd.partitions.size res5: Int = 8
如果shuffle
参数指定为false
, 运行计划中确实没有ShuffledRDD
, 没有shuffled
这个过程如果shuffle
参数指定为true
, 运行计划中有一个ShuffledRDD
, 有一个明确的显式的shuffled
过程如果shuffle
参数指定为false
却增加了分区数, 分区数并不会发生改变, 这是因为增加分区是一个宽依赖, 没有shuffled
过程无法做到, 后续会详细解释宽依赖的概念 -
通过
repartition
算子指定repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]``repartition
算子本质上就是coalesce(numPartitions, shuffle = true)
scala> val source = sc.parallelize(1 to 100, 6) source: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[7] at parallelize at :24 scala> source.partitions.size res7: Int = 6 scala> source.repartition(100).partitions.size res8: Int = 100 scala> source.repartition(1).partitions.size res9: Int = 1
增加分区有效减少分区有效repartition
算子无论是增加还是减少分区都是有效的, 因为本质上repartition
会通过shuffle
操作把数据分发给新的 RDD 的不同的分区, 只有shuffle
操作才可能做到增大分区数, 默认情况下, 分区函数是RoundRobin
, 如果希望改变分区函数, 也就是数据分布的方式, 可以通过自定义分区函数来实现
3.2. RDD 的 Shuffle 是什么
val sourceRdd = sc.textFile("hdfs://node01:9020/dataset/wordcount.txt")
val flattenCountRdd = sourceRdd.flatMap(_.split(" ")).map((_, 1))
val aggCountRdd = flattenCountRdd.reduceByKey(_ + _)
val result = aggCountRdd.collect
reduceByKey
这个算子本质上就是先按照 Key 分组, 后对每一组数据进行 reduce
, 所面临的挑战就是 Key 相同的所有数据可能分布在不同的 Partition 分区中, 甚至可能在不同的节点中, 但是它们必须被共同计算.
为了让来自相同 Key 的所有数据都在 reduceByKey
的同一个 reduce
中处理, 需要执行一个 all-to-all
的操作, 需要在不同的节点(不同的分区)之间拷贝数据, 必须跨分区聚集相同 Key 的所有数据, 这个过程叫做 Shuffle
.
3.3. RDD 的 Shuffle 原理
Spark 的 Shuffle 发展大致有两个阶段: Hash base shuffle
和 Sort base shuffle
-
Hash base shuffle
大致的原理是分桶, 假设 Reducer 的个数为 R, 那么每个 Mapper 有 R 个桶, 按照 Key 的 Hash 将数据映射到不同的桶中, Reduce 找到每一个 Mapper 中对应自己的桶拉取数据.假设 Mapper 的个数为 M, 整个集群的文件数量是
M * R
, 如果有 1,000 个 Mapper 和 Reducer, 则会生成 1,000,000 个文件, 这个量非常大了.过多的文件会导致文件系统打开过多的文件描述符, 占用系统资源. 所以这种方式并不适合大规模数据的处理, 只适合中等规模和小规模的数据处理, 在 Spark 1.2 版本中废弃了这种方式. -
Sort base shuffle
对于 Sort base shuffle 来说, 每个 Map 侧的分区只有一个输出文件, Reduce 侧的 Task 来拉取, 大致流程如下Map 侧将数据全部放入一个叫做 AppendOnlyMap 的组件中, 同时可以在这个特殊的数据结构中做聚合操作然后通过一个类似于 MergeSort 的排序算法 TimSort 对 AppendOnlyMap 底层的 Array 排序先按照 Partition ID 排序, 后按照 Key 的 HashCode 排序最终每个 Map Task 生成一个 输出文件, Reduce Task 来拉取自己对应的数据从上面可以得到结论, Sort base shuffle 确实可以大幅度减少所产生的中间文件, 从而能够更好的应对大吞吐量的场景, 在 Spark 1.2 以后, 已经默认采用这种方式.但是需要大家知道的是, Spark 的 Shuffle 算法并不只是这一种, 即使是在最新版本, 也有三种 Shuffle 算法, 这三种算法对每个 Map 都只产生一个临时文件, 但是产生文件的方式不同, 一种是类似 Hash 的方式, 一种是刚才所说的 Sort, 一种是对 Sort 的一种优化(使用 Unsafe API 直接申请堆外内存)
4. 缓存
概要
- 缓存的意义
- 缓存相关的 API
- 缓存级别以及最佳实践
4.1. 缓存的意义
-
使用缓存的原因 - 多次使用 RDD
需求: 在日志文件中找到访问次数最少的 IP 和访问次数最多的 IP
val conf = new SparkConf().setMaster("local[6]").setAppName("debug_string") val sc = new SparkContext(conf) val interimRDD = sc.textFile("dataset/access_log_sample.txt") .map(item => (item.split(" ")(0), 1)) .filter(item => StringUtils.isNotBlank(item._1)) .reduceByKey((curr, agg) => curr + agg) val resultLess = interimRDD.sortBy(item => item._2, ascending = true).first() val resultMore = interimRDD.sortBy(item => item._2, ascending = false).first() println(s"出现次数最少的 IP : $resultLess, 出现次数最多的 IP : $resultMore") sc.stop()
这是一个 Shuffle 操作, Shuffle 操作会在集群内进行数据拷贝在上述代码中, 多次使用到了interimRDD
, 导致文件读取两次, 计算两次, 有没有什么办法增进上述代码的性能? -
使用缓存的原因 - 容错
当在计算 RDD3 的时候如果出错了, 会怎么进行容错?会再次计算 RDD1 和 RDD2 的整个链条, 假设 RDD1 和 RDD2 是通过比较昂贵的操作得来的, 有没有什么办法减少这种开销?
上述两个问题的解决方案其实都是 缓存
, 除此之外, 使用缓存的理由还有很多, 但是总结一句, 就是缓存能够帮助开发者在进行一些昂贵操作后, 将其结果保存下来, 以便下次使用无需再次执行, 缓存能够显著的提升性能.
所以, 缓存适合在一个 RDD 需要重复多次利用, 并且还不是特别大的情况下使用, 例如迭代计算等场景.
4.2. 缓存相关的 API
-
可以使用
cache
方法进行缓存val conf = new SparkConf().setMaster("local[6]").setAppName("debug_string") val sc = new SparkContext(conf) val interimRDD = sc.textFile("dataset/access_log_sample.txt") .map(item => (item.split(" ")(0), 1)) .filter(item => StringUtils.isNotBlank(item._1)) .reduceByKey((curr, agg) => curr + agg) .cache() val resultLess = interimRDD.sortBy(item => item._2, ascending = true).first() val resultMore = interimRDD.sortBy(item => item._2, ascending = false).first() println(s"出现次数最少的 IP : $resultLess, 出现次数最多的 IP : $resultMore") sc.stop()
缓存方法签名如下cache(): this.type = persist()
cache 方法其实是persist
方法的一个别名 -
也可以使用 persist 方法进行缓存
val conf = new SparkConf().setMaster("local[6]").setAppName("debug_string") val sc = new SparkContext(conf) val interimRDD = sc.textFile("dataset/access_log_sample.txt") .map(item => (item.split(" ")(0), 1)) .filter(item => StringUtils.isNotBlank(item._1)) .reduceByKey((curr, agg) => curr + agg) .persist(StorageLevel.MEMORY_ONLY) val resultLess = interimRDD.sortBy(item => item._2, ascending = true).first() val resultMore = interimRDD.sortBy(item => item._2, ascending = false).first() println(s"出现次数最少的 IP : $resultLess, 出现次数最多的 IP : $resultMore") sc.stop()
缓存方法签名如下persist(): this.type persist(newLevel: StorageLevel): this.type``persist
方法其实有两种形式,persist()
是persist(newLevel: StorageLevel)
的一个别名,persist(newLevel: StorageLevel)
能够指定缓存的级别 -
缓存其实是一种空间换时间的做法, 会占用额外的存储资源, 如何清理?
val conf = new SparkConf().setMaster("local[6]").setAppName("debug_string") val sc = new SparkContext(conf) val interimRDD = sc.textFile("dataset/access_log_sample.txt") .map(item => (item.split(" ")(0), 1)) .filter(item => StringUtils.isNotBlank(item._1)) .reduceByKey((curr, agg) => curr + agg) .persist() interimRDD.unpersist() val resultLess = interimRDD.sortBy(item => item._2, ascending = true).first() val resultMore = interimRDD.sortBy(item => item._2, ascending = false).first() println(s"出现次数最少的 IP : $resultLess, 出现次数最多的 IP : $resultMore") sc.stop()
清理缓存根据缓存级别的不同, 缓存存储的位置也不同, 但是使用unpersist
可以指定删除 RDD 对应的缓存信息, 并指定缓存级别为NONE
4.3. 缓存级别
其实如何缓存是一个技术活, 有很多细节需要思考, 如下
- 是否使用磁盘缓存?
- 是否使用内存缓存?
- 是否使用堆外内存?
- 缓存前是否先序列化?
- 是否需要有副本?
如果要回答这些信息的话, 可以先查看一下 RDD 的缓存级别对象
val conf = new SparkConf().setMaster("local[6]").setAppName("debug_string")
val sc = new SparkContext(conf)
val interimRDD = sc.textFile("dataset/access_log_sample.txt")
.map(item => (item.split(" ")(0), 1))
.filter(item => StringUtils.isNotBlank(item._1))
.reduceByKey((curr, agg) => curr + agg)
.persist()
println(interimRDD.getStorageLevel)
sc.stop()
打印出来的对象是 StorageLevel
, 其中有如下几个构造参数
根据这几个参数的不同, StorageLevel
有如下几个枚举对象
缓存级别 | userDisk 是否使用磁盘 | useMemory 是否使用内存 | useOffHeap 是否使用堆外内存 | deserialized 是否以反序列化形式存储 | replication 副本数 |
---|---|---|---|---|---|
NONE | false | false | false | false | 1 |
DISK_ONLY | true | false | false | false | 1 |
DISK_ONLY_2 | true | false | false | false | 2 |
MEMORY_ONLY | false | true | false | true | 1 |
MEMORY_ONLY_2 | false | true | false | true | 2 |
MEMORY_ONLY_SER | false | true | false | false | 1 |
MEMORY_ONLY_SER_2 | false | true | false | false | 2 |
MEMORY_AND_DISK | true | true | false | true | 1 |
MEMORY_AND_DISK | true | true | false | true | 2 |
MEMORY_AND_DISK_SER | true | true | false | false | 1 |
MEMORY_AND_DISK_SER_2 | true | true | false | false | 2 |
OFF_HEAP | true | true | true | false | 1 |
如何选择分区级别
Spark 的存储级别的选择,核心问题是在 memory 内存使用率和 CPU 效率之间进行权衡。建议按下面的过程进行存储级别的选择:
如果您的 RDD 适合于默认存储级别(MEMORY_ONLY),leave them that way。这是 CPU 效率最高的选项,允许 RDD 上的操作尽可能快地运行.
如果不是,试着使用 MEMORY_ONLY_SER 和 selecting a fast serialization library 以使对象更加节省空间,但仍然能够快速访问。(Java和Scala)
不要溢出到磁盘,除非计算您的数据集的函数是昂贵的,或者它们过滤大量的数据。否则,重新计算分区可能与从磁盘读取分区一样快.
如果需要快速故障恢复,请使用复制的存储级别(例如,如果使用 Spark 来服务 来自网络应用程序的请求)。All 存储级别通过重新计算丢失的数据来提供完整的容错能力,但复制的数据可让您继续在 RDD 上运行任务,而无需等待重新计算一个丢失的分区.
5. Checkpoint
目标
- Checkpoint 的作用
- Checkpoint 的使用
5.1. Checkpoint 的作用
Checkpoint 的主要作用是斩断 RDD 的依赖链, 并且将数据存储在可靠的存储引擎中, 例如支持分布式存储和副本机制的 HDFS.
-
Checkpoint 的方式
可靠的 将数据存储在可靠的存储引擎中, 例如 HDFS本地的 将数据存储在本地
-
什么是斩断依赖链
斩断依赖链是一个非常重要的操作, 接下来以 HDFS 的 NameNode 的原理来举例说明HDFS 的 NameNode 中主要职责就是维护两个文件, 一个叫做
edits
, 另外一个叫做fsimage
.edits
中主要存放EditLog
,FsImage
保存了当前系统中所有目录和文件的信息. 这个FsImage
其实就是一个Checkpoint
.HDFS 的 NameNode 维护这两个文件的主要过程是, 首先, 会由fsimage
文件记录当前系统某个时间点的完整数据, 自此之后的数据并不是时刻写入fsimage
, 而是将操作记录存储在edits
文件中. 其次, 在一定的触发条件下,edits
会将自身合并进入fsimage
. 最后生成新的fsimage
文件,edits
重置, 从新记录这次fsimage
以后的操作日志.如果不合并edits
进入fsimage
会怎样? 会导致edits
中记录的日志过长, 容易出错.所以当 Spark 的一个 Job 执行流程过长的时候, 也需要这样的一个斩断依赖链的过程, 使得接下来的计算轻装上阵. -
Checkpoint 和 Cache 的区别
Cache 可以把 RDD 计算出来然后放在内存中, 但是 RDD 的依赖链(相当于 NameNode 中的 Edits 日志)是不能丢掉的, 因为这种缓存是不可靠的, 如果出现了一些错误(例如 Executor 宕机), 这个 RDD 的容错就只能通过回溯依赖链, 重放计算出来.但是 Checkpoint 把结果保存在 HDFS 这类存储中, 就是可靠的了, 所以可以斩断依赖, 如果出错了, 则通过复制 HDFS 中的文件来实现容错.所以他们的区别主要在以下两点Checkpoint 可以保存数据到 HDFS 这类可靠的存储上, Persist 和 Cache 只能保存在本地的磁盘和内存中Checkpoint 可以斩断 RDD 的依赖链, 而 Persist 和 Cache 不行因为 CheckpointRDD 没有向上的依赖链, 所以程序结束后依然存在, 不会被删除. 而 Cache 和 Persist 会在程序结束后立刻被清除.
5.2. 使用 Checkpoint
val conf = new SparkConf().setMaster("local[6]").setAppName("debug_string")
val sc = new SparkContext(conf)
sc.setCheckpointDir("checkpoint")
val interimRDD = sc.textFile("dataset/access_log_sample.txt")
.map(item => (item.split(" ")(0), 1))
.filter(item => StringUtils.isNotBlank(item._1))
.reduceByKey((curr, agg) => curr + agg)
interimRDD.checkpoint()
interimRDD.collect().foreach(println(_))
sc.stop()
在使用 Checkpoint 之前需要先设置 Checkpoint 的存储路径, 而且如果任务在集群中运行的话, 这个路径必须是 HDFS 上的路径 | |
---|---|
开启 Checkpoint |
一个小细节val interimRDD = sc.textFile("dataset/access_log_sample.txt") .map(item => (item.split(" ")(0), 1)) .filter(item => StringUtils.isNotBlank(item._1)) .reduceByKey((curr, agg) => curr + agg) .cache() interimRDD.checkpoint() interimRDD.collect().foreach(println(_))``checkpoint 之前先 cache 一下, 准没错应该在 checkpoint 之前先 cache 一下, 因为 checkpoint 会重新计算整个 RDD 的数据然后再存入 HDFS 等地方.所以上述代码中如果 checkpoint 之前没有 cache , 则整个流程会被计算两次, 一次是 checkpoint , 另外一次是 collect | |
---|---|
6. Spark 底层逻辑
导读
- 从部署图了解
Spark
部署了什么, 有什么组件运行在集群中 - 通过对
WordCount
案例的解剖, 来理解执行逻辑计划的生成 - 通过对逻辑执行计划的细化, 理解如何生成物理计划
如无特殊说明, 以下部分均针对于 Spark Standalone 进行介绍 | |
---|---|
-
部署情况
在
Spark
部分的底层执行逻辑开始之前, 还是要先认识一下Spark
的部署情况, 根据部署情况, 从而理解如何调度.针对于上图, 首先可以看到整体上在集群中运行的角色有如下几个:
Master Daemon
负责管理Master
节点, 协调资源的获取, 以及连接Worker
节点来运行Executor
, 是 Spark 集群中的协调节点Worker Daemon``Workers
也称之为叫Slaves
, 是 Spark 集群中的计算节点, 用于和 Master 交互并管理Executor
.当一个Spark Job
提交后, 会创建SparkContext
, 后Worker
会启动对应的Executor
.Executor Backend
上面有提到Worker
用于控制Executor
的启停, 其实Worker
是通过Executor Backend
来进行控制的,Executor Backend
是一个进程(是一个JVM
实例), 持有一个Executor
对象另外在启动程序的时候, 有三种程序需要运行在集群上:Driver``Driver
是一个JVM
实例, 是一个进程, 是Spark Application
运行时候的领导者, 其中运行了SparkContext
.Driver
控制Job
和Task
, 并且提供WebUI
.Executor``Executor
对象中通过线程池来运行Task
, 一个Executor
中只会运行一个Spark Application
的Task
, 不同的Spark Application
的Task
会由不同的Executor
来运行 -
案例
因为要理解执行计划, 重点不在案例, 所以本节以一个非常简单的案例作为入门, 就是我们第一个案例 WordCount
val sc = ... val textRDD = sc.parallelize(Seq("Hadoop Spark", "Hadoop Flume", "Spark Sqoop")) val splitRDD = textRDD.flatMap(_.split(" ")) val tupleRDD = splitRDD.map((_, 1)) val reduceRDD = tupleRDD.reduceByKey(_ + _) val strRDD = reduceRDD.map(item => s"${item._1}, ${item._2}") println(strRDD.toDebugString) strRDD.collect.foreach(item => println(item))
整个案例的运行过程大致如下:通过代码的运行, 生成对应的RDD
逻辑执行图通过Action
操作, 根据逻辑执行图生成对应的物理执行图, 也就是Stage
和Task
将物理执行图运行在集群中 -
逻辑执行图
对于上面代码中的
reduceRDD
如果使用toDebugString
打印调试信息的话, 会显式如下内容(6) MapPartitionsRDD[4] at map at WordCount.scala:20 [] | ShuffledRDD[3] at reduceByKey at WordCount.scala:19 [] +-(6) MapPartitionsRDD[2] at map at WordCount.scala:18 [] | MapPartitionsRDD[1] at flatMap at WordCount.scala:17 [] | ParallelCollectionRDD[0] at parallelize at WordCount.scala:16 []
根据这段内容, 大致能得到这样的一张逻辑执行图其实 RDD 并没有什么严格的逻辑执行图和物理执行图的概念, 这里也只是借用这个概念, 从而让整个 RDD 的原理可以解释, 好理解.对于 RDD 的逻辑执行图, 起始于第一个入口 RDD 的创建, 结束于 Action 算子执行之前, 主要的过程就是生成一组互相有依赖关系的 RDD, 其并不会真的执行, 只是表示 RDD 之间的关系, 数据的流转过程.
-
物理执行图
当触发 Action 执行的时候, 这一组互相依赖的 RDD 要被处理, 所以要转化为可运行的物理执行图, 调度到集群中执行.因为大部分 RDD 是不真正存放数据的, 只是数据从中流转, 所以, 不能直接在集群中运行 RDD, 要有一种 Pipeline 的思想, 需要将这组 RDD 转为 Stage 和 Task, 从而运行 Task, 优化整体执行速度.以上的逻辑执行图会生成如下的物理执行图, 这一切发生在 Action 操作被执行时.
从上图可以总结如下几个点
在第一个
Stage
中, 每一个这样的执行流程是一个Task
, 也就是在同一个 Stage 中的所有 RDD 的对应分区, 在同一个 Task 中执行Stage 的划分是由 Shuffle 操作来确定的, 有 Shuffle 的地方, Stage 断开
6.1. 逻辑执行图生成
导读
- 如何生成 RDD
- 如何控制 RDD 之间的关系
6.1.1. RDD 的生成
重点内容
本章要回答如下三个问题
- 如何生成 RDD
- 生成什么 RDD
- 如何计算 RDD 中的数据
val sc = ...
val textRDD = sc.parallelize(Seq("Hadoop Spark", "Hadoop Flume", "Spark Sqoop"))
val splitRDD = textRDD.flatMap(_.split(" "))
val tupleRDD = splitRDD.map((_, 1))
val reduceRDD = tupleRDD.reduceByKey(_ + _)
val strRDD = reduceRDD.map(item => s"${item._1}, ${item._2}")
println(strRDD.toDebugString)
strRDD.collect.foreach(item => println(item))
-
明确逻辑计划的边界
在
Action
调用之前, 会生成一系列的RDD
, 这些RDD
之间的关系, 其实就是整个逻辑计划例如上述代码, 如果生成逻辑计划的, 会生成如下一些RDD
, 这些RDD
是相互关联的, 这些RDD
之间, 其实本质上生成的就是一个 计算链接下来, 采用迭代渐进式的方式, 一步一步的查看一下整体上的生成过程
-
textFile
算子的背后研究
RDD
的功能或者表现的时候, 其实本质上研究的就是RDD
中的五大属性, 因为RDD
透过五大属性来提供功能和表现, 所以如果要研究textFile
这个算子, 应该从五大属性着手, 那么第一步就要看看生成的RDD
是什么类型的RDD``textFile
生成的是HadoopRDD
除了上面这一个步骤以外, 后续步骤将不再直接基于代码进行讲解, 因为从代码的角度着手容易迷失逻辑, 这个章节的初心有两个, 一个是希望大家了解 Spark 的内部逻辑和原理, 另外一个是希望大家能够通过本章学习具有代码分析的能力
HadoopRDD
的Partitions
对应了HDFS
的Blocks
其实本质上每个
HadoopRDD
的Partition
都是对应了一个Hadoop
的Block
, 通过InputFormat
来确定Hadoop
中的Block
的位置和边界, 从而可以供一些算子使用HadoopRDD
的compute
函数就是在读取HDFS
中的Block
本质上,compute
还是依然使用InputFormat
来读取HDFS
中对应分区的Block``textFile
这个算子生成的其实是一个MapPartitionsRDD``textFile
这个算子的作用是读取HDFS
上的文件, 但是HadoopRDD
中存放是一个元组, 其Key
是行号, 其Value
是Hadoop
中定义的Text
对象, 这一点和MapReduce
程序中的行为是一致的但是并不适合Spark
的场景, 所以最终会通过一个map
算子, 将(LineNum, Text)
转为String
形式的一行一行的数据, 所以最终textFile
这个算子生成的RDD
并不是HadoopRDD
, 而是一个MapPartitionsRDD
-
map
算子的背后map
算子生成了MapPartitionsRDD
由源码可知, 当val rdd2 = rdd1.map()
的时候, 其实生成的新RDD
是rdd2
,rdd2
的类型是MapPartitionsRDD
, 每个RDD
中的五大属性都会有一些不同, 由map
算子生成的RDD
中的计算函数, 本质上就是遍历对应分区的数据, 将每一个数据转成另外的形式MapPartitionsRDD
的计算函数是collection.map( function )
真正运行的集群中的处理单元是Task
, 每个Task
对应一个RDD
的分区, 所以collection
对应一个RDD
分区的所有数据, 而这个计算的含义就是将一个RDD
的分区上所有数据当作一个集合, 通过这个Scala
集合的map
算子, 来执行一个转换操作, 其转换操作的函数就是传入map
算子的function
传入map
算子的函数会被清理这个清理主要是处理闭包中的依赖, 使得这个闭包可以被序列化发往不同的集群节点运行
-
flatMap
算子的背后flatMap
和map
算子其实本质上是一样的, 其步骤和生成的RDD
都是一样, 只是对于传入函数的处理不同,map
是collect.map( function )
而flatMap
是collect.flatMap( function )
从侧面印证了, 其实Spark
中的flatMap
和Scala
基础中的flatMap
其实是一样的 -
textRDD
→splitRDD
→tupleRDD
由
textRDD
到splitRDD
再到tupleRDD
的过程, 其实就是调用map
和flatMap
算子生成新的RDD
的过程, 所以如下图所示, 就是这个阶段所生成的逻辑计划
总结
-
如何生成
RDD
?生成
RDD
的常见方式有三种从本地集合创建从外部数据集创建从其它RDD
衍生通过外部数据集创建RDD
, 是通过Hadoop
或者其它外部数据源的SDK
来进行数据读取, 同时如果外部数据源是有分片的话,RDD
会将分区与其分片进行对照通过其它RDD
衍生的话, 其实本质上就是通过不同的算子生成不同的RDD
的子类对象, 从而控制compute
函数的行为来实现算子功能 -
生成哪些
RDD
?不同的算子生成不同的
RDD
, 生成RDD
的类型取决于算子, 例如map
和flatMap
都会生成RDD
的子类MapPartitions
的对象 -
如何计算
RDD
中的数据 ?虽然前面我们提到过
RDD
是偏向计算的, 但是其实RDD
还只是表示数据, 纵观RDD
的五大属性中有三个是必须的, 分别如下Partitions List
分区列表Compute function
计算函数Dependencies
依赖虽然计算函数是和计算有关的, 但是只有调用了这个函数才会进行计算,RDD
显然不会自己调用自己的Compute
函数, 一定是由外部调用的, 所以RDD
更多的意义是用于表示数据集以及其来源, 和针对于数据的计算所以如何计算RDD
中的数据呢? 一定是通过其它的组件来计算的, 而计算的规则, 由RDD
中的Compute
函数来指定, 不同类型的RDD
子类有不同的Compute
函数
6.1.2. RDD 之间的依赖关系
导读
- 讨论什么是 RDD 之间的依赖关系
- 继而讨论 RDD 分区之间的关系
- 最后确定 RDD 之间的依赖关系分类
- 完善案例的逻辑关系图
-
什么是
RDD
之间的依赖关系?什么是关系(依赖关系) ?从算子视角上来看,
splitRDD
通过map
算子得到了tupleRDD
, 所以splitRDD
和tupleRDD
之间的关系是map
但是仅仅这样说, 会不够全面, 从细节上来看,RDD
只是数据和关于数据的计算, 而具体执行这种计算得出结果的是一个神秘的其它组件, 所以, 这两个RDD
的关系可以表示为splitRDD
的数据通过map
操作, 被传入tupleRDD
, 这是它们之间更细化的关系但是RDD
这个概念本身并不是数据容器, 数据真正应该存放的地方是RDD
的分区, 所以如果把视角放在数据这一层面上的话, 直接讲这两个 RDD 之间有关系是不科学的, 应该从这两个 RDD 的分区之间的关系来讨论它们之间的关系那这些分区之间是什么关系?如果仅仅说splitRDD
和tupleRDD
之间的话, 那它们的分区之间就是一对一的关系但是tupleRDD
到reduceRDD
呢?tupleRDD
通过算子reduceByKey
生成reduceRDD
, 而这个算子是一个Shuffle
操作,Shuffle
操作的两个RDD
的分区之间并不是一对一,reduceByKey
的一个分区对应tupleRDD
的多个分区 -
reduceByKey
算子会生成ShuffledRDD
reduceByKey
是由算子combineByKey
来实现的,combineByKey
内部会创建ShuffledRDD
返回, 具体的代码请大家通过IDEA
来进行查看, 此处不再截图, 而整个reduceByKey
操作大致如下过程去掉两个
reducer
端的分区, 只留下一个的话, 如下所以, 对于
reduceByKey
这个Shuffle
操作来说,reducer
端的一个分区, 会从多个mapper
端的分区拿取数据, 是一个多对一的关系至此为止, 出现了两种分区见的关系了, 一种是一对一, 一种是多对一 -
整体上的流程图
6.1.3. RDD 之间的依赖关系详解
导读
上个小节通过例子演示了 RDD 的分区间的关系有两种形式
- 一对一, 一般是直接转换
- 多对一, 一般是 Shuffle
本小节会说明如下问题:
- 如果分区间得关系是一对一或者多对一, 那么这种情况下的 RDD 之间的关系的正式命名是什么呢?
- RDD 之间的依赖关系, 具体有几种情况呢?
-
窄依赖
假如
rddB = rddA.transform(…)
, 如果rddB
中一个分区依赖rddA
也就是其父RDD
的少量分区, 这种RDD
之间的依赖关系称之为窄依赖换句话说, 子 RDD 的每个分区依赖父 RDD 的少量个数的分区, 这种依赖关系称之为窄依赖举个栗子
val sc = ... val rddA = sc.parallelize(Seq(1, 2, 3)) val rddB = sc.parallelize(Seq("a", "b")) /** * 运行结果: (1,a), (1,b), (2,a), (2,b), (3,a), (3,b) */ rddA.cartesian(rddB).collect().foreach(println(_))
上述代码的cartesian
是求得两个集合的笛卡尔积上述代码的运行结果是rddA
中每个元素和rddB
中的所有元素结合, 最终的结果数量是两个RDD
数量之和rddC
有两个父RDD
, 分别为rddA
和rddB
对于cartesian
来说, 依赖关系如下上述图形中清晰展示如下现象
rddC
中的分区数量是两个父RDD
的分区数量之乘积rddA
中每个分区对应rddC
中的两个分区 (因为rddB
中有两个分区),rddB
中的每个分区对应rddC
中的三个分区 (因为rddA
有三个分区)它们之间是窄依赖, 事实上在cartesian
中也是NarrowDependency
这个所有窄依赖的父类的唯一一次直接使用, 为什么呢?因为所有的分区之间是拷贝关系, 并不是 Shuffle 关系rddC
中的每个分区并不是依赖多个父RDD
中的多个分区rddC
中每个分区的数量来自一个父RDD
分区中的所有数据, 是一个FullDependence
, 所以数据可以直接从父RDD
流动到子RDD
不存在一个父RDD
中一部分数据分发过去, 另一部分分发给其它的RDD
-
宽依赖
并没有所谓的宽依赖, 宽依赖应该称作为
ShuffleDependency
在ShuffleDependency
的类声明上如下写到Represents a dependency on the output of a shuffle stage.
上面非常清楚的说道, 宽依赖就是Shuffle
中的依赖关系, 换句话说, 只有Shuffle
产生的地方才是宽依赖那么宽窄依赖的判断依据就非常简单明确了, **是否有 Shuffle ?**举个reduceByKey
的例子,rddB = rddA.reduceByKey( (curr, agg) ⇒ curr + agg )
会产生如下的依赖关系rddB
的每个分区都几乎依赖rddA
的所有分区对于rddA
中的一个分区来说, 其将一部分分发给rddB
的p1
, 另外一部分分发给rddB
的p2
, 这不是数据流动, 而是分发 -
如何分辨宽窄依赖 ?
其实分辨宽窄依赖的本身就是在分辨父子
RDD
之间是否有Shuffle
, 大致有以下的方法如果是Shuffle
, 两个RDD
的分区之间不是单纯的数据流动, 而是分发和复制一般Shuffle
的子RDD
的每个分区会依赖父RDD
的多个分区但是这样判断其实不准确, 如果想分辨某个算子是否是窄依赖, 或者是否是宽依赖, 则还是要取决于具体的算子, 例如想看cartesian
生成的是宽依赖还是窄依赖, 可以通过如下步骤查看map
算子生成的RDD
进去
RDD
查看getDependence
方法
总结
- RDD 的逻辑图本质上是对于计算过程的表达, 例如数据从哪来, 经历了哪些步骤的计算
- 每一个步骤都对应一个 RDD, 因为数据处理的情况不同, RDD 之间的依赖关系又分为窄依赖和宽依赖 *
6.1.4. 常见的窄依赖类型
导读
常见的窄依赖其实也是有分类的, 而且宽窄以来不太容易分辨, 所以通过本章, 帮助同学明确窄依赖的类型
-
一对一窄依赖
其实
RDD
中默认的是OneToOneDependency
, 后被不同的RDD
子类指定为其它的依赖类型, 常见的一对一依赖是map
算子所产生的依赖, 例如rddB = rddA.map(…)
每个分区之间一一对应, 所以叫做一对一窄依赖
-
Range 窄依赖
Range
窄依赖其实也是一对一窄依赖, 但是保留了中间的分隔信息, 可以通过某个分区获取其父分区, 目前只有一个算子生成这种窄依赖, 就是union
算子, 例如rddC = rddA.union(rddB)
rddC
其实就是rddA
拼接rddB
生成的, 所以rddC
的p5
和p6
就是rddB
的p1
和p2
所以需要有方式获取到rddC
的p5
其父分区是谁, 于是就需要记录一下边界, 其它部分和一对一窄依赖一样 -
多对一窄依赖
多对一窄依赖其图形和
Shuffle
依赖非常相似, 所以在遇到的时候, 要注意其RDD
之间是否有Shuffle
过程, 比较容易让人困惑, 常见的多对一依赖就是重分区算子coalesce
, 例如rddB = rddA.coalesce(2, shuffle = false)
, 但同时也要注意, 如果shuffle = true
那就是完全不同的情况了因为没有
Shuffle
, 所以这是一个窄依赖 -
再谈宽窄依赖的区别
宽窄依赖的区别非常重要, 因为涉及了一件非常重要的事情: **如何计算
RDD
?**宽窄以来的核心区别是: 窄依赖的RDD
可以放在一个Task
中运行
6.2. 物理执行图生成
- 物理图的意义
- 如何划分 Task
- 如何划分 Stage
-
物理图的作用是什么?
问题一: 物理图的意义是什么?物理图解决的其实就是
RDD
流程生成以后, 如何计算和运行的问题, 也就是如何把 RDD 放在集群中执行的问题问题二: 如果要确定如何运行的问题, 则需要先确定集群中有什么组件首先集群中物理元件就是一台一台的机器其次这些机器上跑的守护进程有两种:
Master
,Worker
每个守护进程其实就代表了一台机器, 代表这台机器的角色, 代表这台机器和外界通信例如我们常说一台机器是Master
, 其含义是这台机器中运行了一个Master
守护进程, 如果一台机器运行了Master
的同时又运行了Worker
, 则说这台机器是Master
也可以, 说它是Worker
也行真正能运行RDD
的组件是:Executor
, 也就是说其实RDD
最终是运行在Executor
中的, 也就是说, 无论是Master
还是Worker
其实都是用于管理Executor
和调度程序的结论是RDD
一定在Executor
中计算, 而Master
和Worker
负责调度和管理Executor
问题三: 物理图的生成需要考虑什么问题?要计算RDD
, 不仅要计算, 还要很快的计算 → 优化性能要考虑容错, 容错的常见手段是缓存 →RDD
要可以缓存结论是在生成物理图的时候, 不仅要考虑效率问题, 还要考虑一种更合适的方式, 让RDD
运行的更好 -
谁来计算 RDD ?
问题一: RDD 是什么, 用来做什么 ?回顾一下
RDD
的五个属性A list of partitions``A function for computing each split``A list of dependencies on other RDDs``Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)``Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)
简单的说就是: 分区列表, 计算函数, 依赖关系, 分区函数, 最佳位置分区列表, 分区函数, 最佳位置, 这三个属性其实说的就是数据集在哪, 在哪更合适, 如何分区计算函数和依赖关系, 这两个属性其实说的是数据集从哪来所以结论是RDD
是一个数据集的表示, 不仅表示了数据集, 还表示了这个数据集从哪来, 如何计算但是问题是, 谁来计算 ? 如果为一台汽车设计了一个设计图, 那么设计图自己生产汽车吗 ?问题二: 谁来计算 ?前面我们明确了两件事,RDD
在哪被计算? 在Executor
中.RDD
是什么? 是一个数据集以及其如何计算的图纸.直接使用Executor
也是不合适的, 因为一个计算的执行总是需要一个容器, 例如JVM
是一个进程, 只有进程中才能有线程, 所以这个计算RDD
的线程应该运行在一个进程中, 这个进程就是Exeutor
,Executor
有如下两个职责和Driver
保持交互从而认领属于自己的任务接受任务后, 运行任务
所以, 应该由一个线程来执行
RDD
的计算任务, 而Executor
作为执行这个任务的容器, 也就是一个进程, 用于创建和执行线程, 这个执行具体计算任务的线程叫做Task
-
问题三: Task 该如何设计 ?
第一个想法是每个
RDD
都由一个Task
来计算 第二个想法是一整个逻辑执行图中所有的RDD
都由一组Task
来执行 第三个想法是分阶段执行第一个想法: 为每个 RDD 的分区设置一组 Task大概就是每个
RDD
都有三个Task
, 每个Task
对应一个RDD
的分区, 执行一个分区的数据的计算但是这么做有一个非常难以解决的问题, 就是数据存储的问题, 例如Task 1, 4, 7, 10, 13, 16
在同一个流程上, 但是这些Task
之间需要交换数据, 因为这些Task
可能被调度到不同的机器上上, 所以Task1
执行完了数据以后需要暂存, 后交给Task4
来获取这只是一个简单的逻辑图, 如果是一个复杂的逻辑图, 会有什么表现? 要存储多少数据? 无论是放在磁盘还是放在内存中, 是不是都是一种极大的负担?第二个想法: 让数据流动很自然的, 第一个想法的问题是数据需要存储和交换, 那不存储不就好了吗? 对, 可以让数据流动起来第一个要解决的问题就是, 要为数据创建管道(Pipeline
), 有了管道, 就可以流动简单来说, 就是为所有的
RDD
有关联的分区使用同一个Task
, 但是就没问题了吗? 请关注红框部分这两个
RDD
之间是Shuffle
关系, 也就是说, 右边的RDD
的一个分区可能依赖左边RDD
的所有分区, 这样的话, 数据在这个地方流不动了, 怎么办?第三个想法: 划分阶段既然在Shuffle
处数据流不动了, 那就可以在这个地方中断一下, 后面Stage
部分详解 -
如何划分阶段 ?
为了减少执行任务, 减少数据暂存和交换的机会, 所以需要创建管道, 让数据沿着管道流动, 其实也就是原先每个
RDD
都有一组Task
, 现在改为所有的RDD
共用一组Task
, 但是也有问题, 问题如下就是说, 在
Shuffle
处, 必须断开管道, 进行数据交换, 交换过后, 继续流动, 所以整个流程可以变为如下样子把
Task
断开成两个部分,Task4
可以从Task 1, 2, 3
中获取数据, 后Task4
又作为管道, 继续让数据在其中流动但是还有一个问题, 说断开就直接断开吗? 不用打个招呼的呀? 这个断开即没有道理, 也没有规则, 所以可以为这个断开增加一个概念叫做阶段, 按照阶段断开, 阶段的英文叫做Stage
, 如下所以划分阶段的本身就是设置断开点的规则, 那么该如何划分阶段呢?第一步, 从最后一个
RDD
, 也就是逻辑图中最右边的RDD
开始, 向前滑动Stage
的范围, 为Stage0
第二步, 遇到ShuffleDependency
断开Stage
, 从下一个RDD
开始创建新的Stage
, 为Stage1
第三步, 新的Stage
按照同样的规则继续滑动, 直到包裹所有的RDD
总结来看, 就是针对于宽窄依赖来判断, 一个Stage
中只有窄依赖, 因为只有窄依赖才能形成数据的Pipeline
.如果要进行Shuffle
的话, 数据是流不过去的, 必须要拷贝和拉取. 所以遇到RDD
宽依赖的两个RDD
时, 要切断这两个RDD
的Stage
.这样一个 RDD 依赖的链条, 我们称之为 RDD 的血统, 其中有宽依赖也有窄依赖 -
数据怎么流动 ?
val sc = ... val textRDD = sc.parallelize(Seq("Hadoop Spark", "Hadoop Flume", "Spark Sqoop")) val splitRDD = textRDD.flatMap(_.split(" ")) val tupleRDD = splitRDD.map((_, 1)) val reduceRDD = tupleRDD.reduceByKey(_ + _) val strRDD = reduceRDD.map(item => s"${item._1}, ${item._2}") strRDD.collect.foreach(item => println(item))
上述代码是这个章节我们一直使用的代码流程, 如下是其完整的逻辑执行图如果放在集群中运行, 通过
WebUI
可以查看到如下DAG
结构Step 1: 从
ResultStage
开始执行最接近Result
部分的Stage id
为 0, 这个Stage
被称之为ResultStage
由代码可以知道, 最终调用Action
促使整个流程执行的是最后一个RDD
,strRDD.collect
, 所以当执行RDD
的计算时候, 先计算的也是这个RDD
Step 2:RDD
之间是有关联的前面已经知道, 最后一个RDD
先得到执行机会, 先从这个RDD
开始执行, 但是这个RDD
中有数据吗 ? 如果没有数据, 它的计算是什么? 它的计算是从父RDD
中获取数据, 并执行传入的算子的函数简单来说, 从产生Result
的地方开始计算, 但是其RDD
中是没数据的, 所以会找到父RDD
来要数据, 父RDD
也没有数据, 继续向上要, 所以, 计算从Result
处调用, 但是从整个逻辑图中的最左边RDD
开始, 类似一个递归的过程
6.3. 调度过程
导读
- 生成逻辑图和物理图的系统组件
Job
和Stage
,Task
之间的关系- 如何调度
Job
-
逻辑图
是什么 怎么生成 具体怎么生成
val textRDD = sc.parallelize(Seq("Hadoop Spark", "Hadoop Flume", "Spark Sqoop")) val splitRDD = textRDD.flatMap(_.split(" ")) val tupleRDD = splitRDD.map((_, 1)) val reduceRDD = tupleRDD.reduceByKey(_ + _) val strRDD = reduceRDD.map(item => s"${item._1}, ${item._2}")
逻辑图如何生成上述代码在Spark Application
的main
方法中执行, 而Spark Application
在Driver
中执行, 所以上述代码在Driver
中被执行, 那么这段代码执行的结果是什么呢?一段Scala
代码的执行结果就是最后一行的执行结果, 所以上述的代码, 从逻辑上执行结果就是最后一个RDD
, 最后一个RDD
也可以认为就是逻辑执行图, 为什么呢?例如rdd2 = rdd1.map(…)
中, 其实本质上rdd2
是一个类型为MapPartitionsRDD
的对象, 而创建这个对象的时候, 会通过构造函数传入当前RDD
对象, 也就是父RDD
, 也就是调用map
算子的rdd1
,rdd1
是rdd2
的父RDD
一个
RDD
依赖另外一个RDD
, 这个RDD
又依赖另外的RDD
, 一个RDD
可以通过getDependency
获得其父RDD
, 这种环环相扣的关系, 最终从最后一个RDD
就可以推演出前面所有的RDD
逻辑图是什么, 干啥用逻辑图其实本质上描述的就是数据的计算过程, 数据从哪来, 经过什么样的计算, 得到什么样的结果, 再执行什么计算, 得到什么结果可是数据的计算是描述好了, 这种计算该如何执行呢? -
物理图
数据的计算表示好了, 该正式执行了, 但是如何执行? 如何执行更快更好更酷? 就需要为其执行做一个规划, 所以需要生成物理执行图
strRDD.collect.foreach(item => println(item))
上述代码其实就是最后的一个RDD
调用了Action
方法, 调用Action
方法的时候, 会请求一个叫做DAGScheduler
的组件,DAGScheduler
会创建用于执行RDD
的Stage
和Task``DAGScheduler
是一个由SparkContext
创建, 运行在Driver
上的组件, 其作用就是将由RDD
构建出来的逻辑计划, 构建成为由真正在集群中运行的Task
组成的物理执行计划,DAGScheduler
主要做如下三件事帮助每个Job
计算DAG
并发给TaskSheduler
调度确定每个Task
的最佳位置跟踪RDD
的缓存状态, 避免重新计算从字面意思上来看,DAGScheduler
是调度DAG
去运行的,DAG
被称作为有向无环图, 其实可以将DAG
理解为就是RDD
的逻辑图, 其呈现两个特点:RDD
的计算是有方向的,RDD
的计算是无环的, 所以DAGScheduler
也可以称之为RDD Scheduler
, 但是真正运行在集群中的并不是RDD
, 而是Task
和Stage
,DAGScheduler
负责这种转换 -
Job
是什么 ?Job
什么时候生成 ?当一个RDD
调用了Action
算子的时候, 在Action
算子内部, 会使用sc.runJob()
调用SparkContext
中的runJob
方法, 这个方法又会调用DAGScheduler
中的runJob
, 后在DAGScheduler
中使用消息驱动的形式创建Job
简而言之,Job
在RDD
调用Action
算子的时候生成, 而且调用一次Action
算子, 就会生成一个Job
, 如果一个SparkApplication
中调用了多次Action
算子, 会生成多个Job
串行执行, 每个Job
独立运作, 被独立调度, 所以RDD
的计算也会被执行多次Job
是什么 ?如果要将Spark
的程序调度到集群中运行,Job
是粒度最大的单位, 调度以Job
为最大单位, 将Job
拆分为Stage
和Task
去调度分发和运行, 一个Job
就是一个Spark
程序从读取 → 计算 → 运行
的过程一个Spark Application
可以包含多个Job
, 这些Job
之间是串行的, 也就是第二个Job
需要等待第一个Job
的执行结束后才会开始执行 -
Job
和Stage
的关系Job
是一个最大的调度单位, 也就是说DAGScheduler
会首先创建一个Job
的相关信息, 后去调度Job
, 但是没办法直接调度Job
, 比如说现在要做一盘手撕包菜, 不可能直接去炒一整颗包菜, 要切好撕碎, 再去炒为什么Job
需要切分 ?因为
Job
的含义是对整个RDD
血统求值, 但是RDD
之间可能会有一些宽依赖如果遇到宽依赖的话, 两个RDD
之间需要进行数据拉取和复制如果要进行拉取和复制的话, 那么一个RDD
就必须等待它所依赖的RDD
所有分区先计算完成, 然后再进行拉取由上得知, 一个Job
是无法计算完整个RDD
血统的如何切分 ?创建一个Stage
, 从后向前回溯RDD
, 遇到Shuffle
依赖就结束Stage
, 后创建新的Stage
继续回溯. 这个过程上面已经详细的讲解过, 但是问题是切分以后如何执行呢, 从后向前还是从前向后, 是串行执行多个Stage
, 还是并行执行多个Stage
问题一: 执行顺序在图中,Stage 0
的计算需要依赖Stage 1
的数据, 因为reduceRDD
中一个分区可能需要多个tupleRDD
分区的数据, 所以tupleRDD
必须先计算完, 所以, 应该在逻辑图中自左向右执行Stage
问题二: 串行还是并行还是同样的原因,Stage 0
如果想计算,Stage 1
必须先计算完, 因为Stage 0
中每个分区都依赖Stage 1
中的所有分区, 所以Stage 1
不仅需要先执行, 而且Stage 1
执行完之前Stage 0
无法执行, 它们只能串行执行总结一个Stage
就是物理执行计划中的一个步骤, 一个Spark Job
就是划分到不同Stage
的计算过程Stage
之间的边界由Shuffle
操作来确定Stage
内的RDD
之间都是窄依赖, 可以放在一个管道中执行而Shuffle
后的Stage
需要等待前面Stage
的执行Stage
有两种ShuffMapStage
, 其中存放窄依赖的RDD``ResultStage
, 每个Job
只有一个, 负责计算结果, 一个ResultStage
执行完成标志着整个Job
执行完毕 -
Stage
和Task
的关系前面我们说到
Job
无法直接执行, 需要先划分为多个Stage
, 去执行Stage
, 那么Stage
可以直接执行吗?第一点:Stage
中的RDD
之间是窄依赖因为Stage
中的所有RDD
之间都是窄依赖, 窄依赖RDD
理论上是可以放在同一个Pipeline(管道, 流水线)
中执行的, 似乎可以直接调度Stage
了? 其实不行, 看第二点第二点: 别忘了RDD
还有分区一个RDD
只是一个概念, 而真正存放和处理数据时, 都是以分区作为单位的Stage
对应的是多个整体上的RDD
, 而真正的运行是需要针对RDD
的分区来进行的第三点: 一个Task
对应一个RDD
的分区一个比Stage
粒度更细的单元叫做Task
,Stage
是由Task
组成的, 之所以有Task
这个概念, 是因为Stage
针对整个RDD
, 而计算的时候, 要针对RDD
的分区假设一个Stage
中有 10 个RDD
, 这些RDD
中的分区各不相同, 但是分区最多的RDD
有 30 个分区, 而且很显然, 它们之间是窄依赖关系那么, 这个Stage
中应该有多少Task
呢? 应该有 30 个Task
, 因为一个Task
计算一个RDD
的分区. 这个Stage
至多有 30 个分区需要计算总结一个Stage
就是一组并行的Task
集合Task 是 Spark 中最小的独立执行单元, 其作用是处理一个 RDD 分区一个 Task 只可能存在于一个 Stage 中, 并且只能计算一个 RDD 的分区 -
TaskSet
梳理一下这几个概念,
Job > Stage > Task
,Job 中包含 Stage 中包含 Task
而Stage
中经常会有一组Task
需要同时执行, 所以针对于每一个Task
来进行调度太过繁琐, 而且没有意义, 所以每个Stage
中的Task
们会被收集起来, 放入一个TaskSet
集合中一个Stage
有一个TaskSet``TaskSet
中Task
的个数由Stage
中的最大分区数决定
整体执行流程
6.3. Shuffle 过程
导读
本章节重点是介绍 Shuffle
的流程, 因为根据 ShuffleWriter
的实现不同, 其过程也不同, 所以前半部分根据默认的存储引擎 SortShuffleWriter
来讲解
后半部分简要介绍一下其它的 ShuffleWriter
-
Shuffle
过程的组件结构从整体视角上来看,
Shuffle
发生在两个Stage
之间, 一个Stage
把数据计算好, 整理好, 等待另外一个Stage
来拉取放大视角, 会发现, 其实
Shuffle
发生在Task
之间, 一个Task
把数据整理好, 等待Reducer
端的Task
来拉取如果更细化一下,
Task
之间如何进行数据拷贝的呢? 其实就是一方Task
把文件生成好, 然后另一方Task
来拉取现在是一个
Reducer
的情况, 如果有多个Reducer
呢? 如果有多个Reducer
的话, 就可以在每个Mapper
为所有的Reducer
生成各一个文件, 这种叫做Hash base shuffle
, 这种Shuffle
的方式问题大家也知道, 就是生成中间文件过多, 而且生成文件的话需要缓冲区, 占用内存过大那么可以把这些文件合并起来, 生成一个文件返回, 这种
Shuffle
方式叫做Sort base shuffle
, 每个Reducer
去文件的不同位置拿取数据如果再细化一下, 把参与这件事的组件也放置进去, 就会是如下这样
-
有哪些
ShuffleWriter
?大致上有三个
ShufflWriter
,Spark
会按照一定的规则去使用这三种不同的Writer``BypassMergeSortShuffleWriter
这种Shuffle Writer
也依然有Hash base shuffle
的问题, 它会在每一个Mapper
端对所有的Reducer
生成一个文件, 然后再合并这个文件生成一个统一的输出文件, 这个过程中依然是有很多文件产生的, 所以只适合在小量数据的场景下使用Spark
有考虑去掉这种Writer
, 但是因为结构中有一些依赖, 所以一直没去掉当Reducer
个数小于spark.shuffle.sort.bypassMergeThreshold
, 并且没有Mapper
端聚合的时候启用这种方式SortShuffleWriter
这种ShuffleWriter
写文件的方式非常像MapReduce
了, 后面详说当其它两种Shuffle
不符合开启条件时, 这种Shuffle
方式是默认的UnsafeShuffleWriter
这种ShuffWriter
会将数据序列化, 然后放入缓冲区进行排序, 排序结束后Spill
到磁盘, 最终合并Spill
文件为一个大文件, 同时在进行内存存储的时候使用了Java
得Unsafe API
, 也就是使用堆外内存, 是钨丝计划的一部分也不是很常用, 只有在满足如下三个条件时候才会启用序列化器序列化后的数据, 必须支持排序没有Mapper
端的聚合Reducer
的个数不能超过支持的上限 (2 ^ 24) -
SortShuffleWriter
的执行过程整个
SortShuffleWriter
如上述所说, 大致有如下几步首先SortShuffleWriter
在write
方法中回去写文件, 这个方法中创建了ExternalSorter``write
中将数据insertAll
到ExternalSorter
中在ExternalSorter
中排序如果要聚合, 放入AppendOnlyMap
中, 如果不聚合, 放入PartitionedPairBuffer
中在数据结构中进行排序, 排序过程中如果内存数据大于阈值则溢写到磁盘使用ExternalSorter
的writePartitionedFile
写入输入文件将所有的溢写文件通过类似MergeSort
的算法合并将数据写入最终的目标文件中
7. RDD 的分布式共享变量
目标
- 理解闭包以及 Spark 分布式运行代码的根本原理
- 理解累加变量的使用场景
- 理解广播的使用场景
什么是闭包
闭包是一个必须要理解, 但是又不太好理解的知识点, 先看一个小例子
@Test
def test(): Unit = {
val areaFunction = closure()
val area = areaFunction(2)
println(area)
}
def closure(): Int => Double = {
val factor = 3.14
val areaFunction = (r: Int) => math.pow(r, 2) * factor
areaFunction
}
上述例子中, closure
方法返回的一个函数的引用, 其实就是一个闭包, 闭包本质上就是一个封闭的作用域, 要理解闭包, 是一定要和作用域联系起来的.
-
能否在
test
方法中访问closure
定义的变量?@Test def test(): Unit = { println(factor) } def closure(): Int => Double = { val factor = 3.14 }
-
有没有什么间接的方式?
@Test def test(): Unit = { val areaFunction = closure() areaFunction() } def closure(): () => Unit = { val factor = 3.14 val areaFunction = () => println(factor) areaFunction }
-
什么是闭包?
val areaFunction = closure() areaFunction()
通过closure
返回的函数areaFunction
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*
分发闭包
sc.textFile("dataset/access_log_sample.txt")
.flatMap(item => item.split(""))
.collect()
上述这段代码中, flatMap
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)
}
}
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
7.1. 累加器
-
一个小问题
var count = 0 val config = new SparkConf().setAppName("ip_ana").setMaster("local[6]") val sc = new SparkContext(config) 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
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 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)) .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计器件还有两个小特性, 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
class InfoAccumulator extends AccumulatorV2[String, Set[String]] { private val infos: mutable.Set[String] = mutable.Set() override def isZero: Boolean = { infos.isEmpty } override def copy(): AccumulatorV2[String, Set[String]] = { val newAccumulator = new InfoAccumulator() infos.synchronized { newAccumulator.infos ++= infos } newAccumulator } override def reset(): Unit = { infos.clear() } override def add(v: String): Unit = { infos += v } override def merge(other: AccumulatorV2[String, Set[String]]): Unit = { infos ++= other.value } override def value: Set[String] = { infos.toSet } } @Test def accumulator2(): Unit = { val config = new SparkConf().setAppName("ip_ana").setMaster("local[6]") val sc = new SparkContext(config) val infoAccumulator = new InfoAccumulator() sc.register(infoAccumulator, "infos") sc.parallelize(Seq("1", "2", "3")) .foreach(item => infoAccumulator.add(item)) // 运行结果: Set(3, 1, 2) println(infoAccumulator.value) sc.stop() }
注意点:可以通过继承AccumulatorV2
来创建新的累加器有几个方法需要重写reset 方法用于把累加器重置为 0add 方法用于把其它值添加到累加器中merge 方法用于指定如何合并其他的累加器value
需要返回一个不可变的集合, 因为不能因为外部的修改而影响自身的值
7.2. 广播变量
目标
- 理解为什么需要广播变量, 以及其应用场景
- 能够通过代码使用广播变量
-
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 -
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
方法的注意点方法签名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, 则会爆出以下错误org.apache.spark.SparkException: Attempted to use Broadcast(0) after it was destroyed (destroy at :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destroy
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, 则会爆出以下错误org.apache.spark.SparkException: Attempted to use Broadcast(0) after it was destroyed (destroy at :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
-
广播变量的使用场景
假设我们在某个算子中需要使用一个保存了项目和项目的网址关系的
Map[String, String]
静态集合, 如下val pws = Map("Apache Spark" -> "http://spark.apache.org/", "Scala" -> "http://www.scala-lang.org/") val websites = sc.parallelize(Seq("Apache Spark", "Scala")).map(pws).collect
上面这段代码是没有问题的, 可以正常运行的, 但是非常的低效, 因为虽然可能pws
已经存在于某个Executor
中了, 但是在需要的时候还是会继续发往这个Executor
, 如果想要优化这段代码, 则需要尽可能的降低网络开销可以使用广播变量进行优化, 因为广播变量会缓存在集群中的机器中, 比Executor
在逻辑上更 "大"val pwsB = sc.broadcast(pws) val websites = sc.parallelize(Seq("Apache Spark", "Scala")).map(pwsB.value).collect
上面两段代码所做的事情其实是一样的, 但是当需要运行多个Executor
(以及多个Task
) 的时候, 后者的效率更高 -
扩展
正常情况下使用 Task 拉取数据的时候, 会将数据拷贝到 Executor 中多次, 但是使用广播变量的时候只会复制一份数据到 Executor 中, 所以在两种情况下特别适合使用广播变量一个 Executor 中有多个 Task 的时候一个变量比较大的时候而且在 Spark 中还有一个约定俗称的做法, 当一个 RDD 很大并且还需要和另外一个 RDD 执行
join
的时候, 可以将较小的 RDD 广播出去, 然后使用大的 RDD 在算子map
中直接join
, 从而实现在 Map 端join``val acMap = sc.broadcast(myRDD.map { case (a,b,c,b) => (a, c) }.collectAsMap) val otherMap = sc.broadcast(myOtherRDD.collectAsMap) myBigRDD.map { case (a, b, c, d) => (acMap.value.get(a).get, otherMap.value.get(c).get) }.collect
一般情况下在这种场景下, 会广播 Map 类型的数据, 而不是数组, 因为这样容易使用 Key 找到对应的 Value 简化使用
总结
- 广播变量用于将变量缓存在集群中的机器中, 避免机器内的 Executors 多次使用网络拉取数据
- 广播变量的使用步骤: (1) 创建 (2) 在 Task 中获取值 (3) 销毁