什么是Spark?
Spark是一个开源框架,是基于内存计算的大数据并行计算框架。
Spark架构
并行化是将工作负载分在不同线程或不同节点上执行的子任务,Spark的工作负载划分有RDD分区决定。
RDD:是弹性分布式数据集。
Spark工作原理
Master是由四大部分组成(RDD Graph,Scheduler,Block Tracker以及Shuffle Tracker)
编写程序提交到Master上,
启动RDD Graph就是DAG,它会提交给Task Scheduler任务调度器等待调度执行
具体执行时,Task Scheduler会把任务提交到Worker节点上
Block Tracker用于记录计算数据在Worker节点上的块信息
Shuffle Blocker用于记录RDD在计算过程中遇到Shuffle过程时会进行物化,Shuffle Tracker用于记录这些物化的RDD的存放信息
RDD Graph
RDD Graph即DAG:
每个RDD由四个分区组成,每个分区分配一个任务执行,
绿色框表示实施RDD操作后的数据集。
Stage
由于shuffle依赖必须等RDD的parent RDD partition数据全部ready之后才能开始计算,因此spark的设计是让parent RDD将结果写在本地,完全写完之后,通知后面的RDD。后面的RDD则首先去读之前的本地数据作为input,然后进行运算。
由于上述特性,将shuffle依赖就必须分为两个阶段(stage)去做:
第一个阶段(stage)需要把结果shuffle到本地,例如reduceByKey,首先要聚合某个key的所有记录,才能进行下一步的reduce计算,这个汇聚的过程就是shuffle
第二个阶段(stage)则读入数据进行处理。
同一个stage里面的task是可以并发执行的,下一个stage要等前一个stage ready
(和mapreduce的reduce需要等map过程ready 一脉相承)
(为什么要写在本地:后面的RDD多个partition都要去读这个信息,如果放到内存,如果出现数据丢失,后面的所有步骤全部不能进行,违背了之前所说的需要parent RDD partition数据全部ready的原则。为什么要保证parent RDD要ready,如下例,如果有一个partition未生成或者在内存中丢失,那么直接导致计算结果是完全错误的:
写到文件中更加可靠。Shuffle会生成大量临时文件,以免错误时重新计算,其使用的本地磁盘目录由spark.local.dir指定,缓存到磁盘的RDD数据。最好将这个属性设定为访问速度快的本地磁盘。可以配置多个路径到多个磁盘,增加IO带宽
在Spark 1.0 以后,SPARK_LOCAL_DIRS(Standalone, Mesos) or LOCAL_DIRS (YARN)参数会覆盖这个配置。比如Spark On YARN的时候,Spark Executor的本地路径依赖于Yarn的配置,而不取决于这个参数。)
对于transformation操作,以shuffle依赖为分隔,分为不同的Stages。
窄依赖------>tasks会归并在同一个stage中,(相同节点上的task运算可以像pipeline一样顺序执行,不同节点并行计算,互不影响)
shuffle依赖------>前后拆分为两个stage,前一个stage写完文件后下一个stage才能开始
action操作------>和其他tasks会归并在同一个stage(在没有shuffle依赖的情况下,生成默认的stage,保证至少一个stage)
宽窄依赖
RDD依赖关系,也就是有依赖的RDD之间的关系,比如RDD1------->RDD2(RDD1生成RDD2),RDD2依赖于RDD1。这里的生成也就是RDDtransformation操作
窄依赖(也叫narrow依赖)
从父RDD角度看:一个父RDD只被一个子RDD分区使用。父RDD的每个分区最多只能被一个Child RDD的一个分区使用
从子RDD角度看:依赖上级RDD的部分分区 精确知道依赖的上级RDD分区,会选择和自己在同一节点的上级RDD分区,没有网络IO开销,高效。如map,flatmap,filter
宽依赖(也叫shuffle依赖/wide依赖)
从父RDD角度看:一个父RDD被多个子RDD分区使用。父RDD的每个分区可以被多个Child RDD分区依赖
从子RDD角度看:依赖上级RDD的所有分区 无法精确定位依赖的上级RDD分区,相当于依赖所有分区(例如reduceByKey) 计算就涉及到节点间网络传输
Spark之所以将依赖分为narrow和 shuffle:
(1) narrow dependencies可以支持在同一个集群Executor上,以pipeline管道形式顺序执行多条命令,例如在执行了map后,紧接着执行filter。分区内的计算收敛,不需要依赖所有分区的数据,可以并行地在不同节点进行计算。所以它的失败恢复也更有效,因为它只需要重新计算丢失的parent partition即可,
(2)shuffle dependencies 则需要所有的父分区都是可用的,必须等RDD的parent partition数据全部ready之后才能开始计算,可能还需要调用类似MapReduce之类的操作进行跨节点传递。从失败恢复的角度看,shuffle dependencies 牵涉RDD各级的多个parent partition。
以wordcount为例
1、新建一个scala project
2、导入包(主要用以下5个包)
sparksql
sql-mapping-mr
sparkStreaming-及时处理
sparkMLlib-机器学习
sparkGraphx-图计算
3、更改scala版本,右击项目——>configure Build Path——>Edit
4、新建一个object scala
import org.apache.spark.SparkContext
import org.apache.spark.SparkConf
import org.apache.spark.SparkConf
object wordCount {
def main(args: Array[String]):Unit = {
// System.setProperty("hadoop.home.dir", "C://Users//Administrator.DESKTOP-T63BNEF//Desktop//all folder//hadoop-2.6.5");
//spark处理---并发迭代大数据
//RDD.map word->(w,1)
//rdd.reduce->w->sum 1
//1.sc
var conf = new SparkConf()
conf.setMaster("local[*]").setAppName("hello")
var sc = new SparkContext(conf)
sc.setLogLevel("WARN");
//2.sc.textFile ->RDD
var path = "src/data/123" // "src/data/123"为需要计算的文本文件
var filedata_rdd = sc.textFile(path,2)
var words_rdd=filedata_rdd
.flatMap(_.split("\\W+"))
.map(x=>(x,1))
.reduceByKey(_+_)
.map(_.swap)
.sortByKey(false)
// words_rdd.foreach(println)
print(filedata_rdd.count())
words_rdd.foreach{line=>
println("word="+line._1+" ,num="+line._2)
}
println("end....")
}
}
测试文本数据:
运行结果: