第11课：彻底解密WordCount运行原理学习笔记

第11课：彻底解密WordCount运行原理学习笔记

本期内容：

1. 从数据流动视角解密WordCount，即用Spark作单词计数统计，数据到底是怎么流动的。

2. 从RDD依赖关系的视角解密WordCount。Spark中的一切操作皆RDD，后面的RDD对前面的RDD有依赖关系。

3. DAG与Lineage的思考。依赖关系会形成DAG。

1. 从数据流动视角解密WordCount

（1）在IntelliJ IDEA中编写下面代码：

package com.dt.spark
/**
 * 使用Java的方式开发进行本地测试Spark的WordCount程序
 * @author DT大数据梦工厂
 * http://weibo.com/ilovepains
 */
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
object WordCount {
  def main(args: Array[String]){


    val conf = new SparkConf()
    conf.setAppName("Wow, My First Spark App!")
    conf.setMaster("local")
    val sc = new SparkContext(conf)
    val lines = sc.textFile("D://tmp//helloSpark.txt", 1)
    val words = lines.flatMap { line => line.split(" ") }
    val pairs = words.map { word => (word,1) }
    val wordCounts = pairs.reduceByKey(_+_)
    wordCounts.foreach(wordNumberPair => println(wordNumberPair._1 + " : " + wordNumberPair._2))
    sc.stop()
  }
}

（2）在D盘下地tmp文件夹下新建helloSpark.txt文件，内容如下：

Hello Spark Hello Scala
Hello Hadoop
Hello Flink
Spark is awesome

（3） 在WordCount代码区域点击右键选择Run 'WordCount'。可以得到如下运行结果：

Flink : 1
Spark : 2
is : 1
Hello : 4
awesome : 1
Hadoop : 1

Scala : 1

下面从数据流动的视角分析数据到底是怎么被处理的。

说明：

Spark有三大特点：

1. 分布式。无论数据还是计算都是分布式的。默认分片策略：Block多大，分片就多大。但这种说法不完全准确，因为分片切分时有的记录可能跨两个Block，所以一个分片不会严格地等于Block的大小，例如HDFS的Block大小是128MB的话，分片可能多几个字节或少几个字节。一般情况下，分片都不会完全与Block大小相等。

分片不一定小于Block大小，因为如果最后一条记录跨两个Block的话，分片会把最后一条记录放在前一个分片中。

2. 基于内存（部分基于磁盘）

3. 迭代

textFile源码（SparkContext中）;

def textFile(
    path: String,
    minPartitions: Int = defaultMinPartitions): RDD[String] = withScope {
  assertNotStopped()
  hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text],
    minPartitions).map(pair => pair._2.toString)
}

可以看出在进行了hadoopFile之后又进行了map操作。

HadoopRDD从HDFS上读取分布式文件，并且以数据分片的方式存在于集群之中。

map的源码（RDD.scala中）

<