reduceByKey,aggregateByKey,combineByKey底层调用的都是combineByKeyWithClassTag
aggregate算子
def aggregate[U: Cla ssTag](zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U={}
zeroValue:初始值
seqOp:局部聚合
conbOp:全局聚合
初始值作用于聚不聚和和全局聚合
repartition, coalesce, partitionBy算子
会进行重新分区,是一种优化方式,解决数据倾斜问题
1.repartition肯定会发生shuffle,调用coalesce,传入true
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
coalesce(numPartitions, shuffle = true)//传入true,进行shuffle
}
2.coalesce可以发生shuffle,也可以不发生,第二个参数由自己传入
coalesce(numPartitions: Int, shuffle: Boolean = false,
partitionCoalescer: Option[PartitionCoalescer] = Option.empty)
(implicit ord: Ordering[T] = null)
3.partitionBy用在自定义分区器的情况下
def partitionBy(partitioner: Partitioner): RDD[(K, V)]
checkpoint
恢复的应用场景,防止数据丢失,tansformation类型,懒加载,以二进制方式存储
演示:
sc.setCheckpointDir("hdfs://hadoop01:8020/cp")
val rdd = sc.textFile("hdfs://hadoop01:8020/wc").flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_)
rdd.checkpoint
rdd.isCheckpointed
rdd.count //action类型算子,执行之前的transformation类型的算子
rdd.isCheckpointed //是否做checkpoint
rdd.getCheckpointFile //获取rdd检查点路径
在应用程序执行过程中,有时候某些RDD的数据需要在其他地方多次用到,为了是整个依赖链条不至于很长导致执行缓慢,可以使用checkpoint来缩短依赖链条,最好把数据checkpoint到HDFS,保证了数据的安全性,也便于在用数据的时候进行拉取
执行过程:
在代码层面是这样执行的,如果用到某个RDD的数据的时候,首先会检测是否做了缓存,如果做缓存,会直接从缓存中取数据,如果没有做缓存,则判断是否做了checkpoint,如果做了checkpoint则从checkpoint的指定路径下获取数据
如果没有checkpoint只能重新计算得到数据。
checkpoint的具体实现步骤
- 设置一个checkpoint目录
sc.setCheckpointDir(“hdfs://hadoop01:8020/cp”) - 把要checkpoint的RDD的数据进行cache
rdd.persist - 然后再checkpoint
rdd.checkpoint - 遇到action算子才会执行
rdd.collect
最后在调用action算子的时候才会统一地进行cache和checkpoint,而且该实现步骤是用于离线实现过程中
Spark内部通信协议
版本 | 通信协议 |
---|---|
spark1.3(不包括1.3) | actor |
spark1.3-1.5 | akka |
spark1.6 | akka+netty |
spark2.0 | netty |
Spark启动集群,节点之间的通信
Worker:进行计算的节点
集群启动步骤
- 调用start-all.sh启动集群,首先启动Master服务
- Master服务启动后,会调用定时器,定时检查超时的Worker
- 通过解析slaves配置文件,开始在相应的节点启动Worker服务
- Worker服务启动后,开始向Master发送注册信息
- Master收到注册信息并保存,开始向Worker相应注册成功的信息(masterUrl)
- worker收到masterUrl后并保存,开始向Master发送心跳
Master启动后:
1.检查Worker,有哪些Worker宕掉了,内部有定时器
2.等待Worker向他发送注册信息
Worker:
1.向Master进行注册,Master响应注册信息(就是发送Master自己的Url)
2.启动心跳向Master进行心跳汇报
Spark任务提交流程
- Driver向Master进行注册(发送任务描述信息)
- Master收到任务描述后,开始生成任务信息,并放到队列中
- Master开始通知Worker启动Executor并发送任务信息
- Worker接收到任务信息,开始启动Executor
- Executor向Driver注册
- Driver把生成的Task发送给相应的Executor
Driver:
spark-submit
–master spark://hadoop01:7077
–executor-memory 1024m
–total-executor-cores 2
/jarpath
args
Worker收到Master的通知启动Executor后,启动Executor,紧接着Executor向Driver进行注册,Driver将Task发送给相应的Executor