spark核心概念
drive program 驱动器程序
当我们使用spark shell时,我们已经拥有了一个实际的驱动器即spark shell本身
连接对象 SparkContext
一个sparkcontent代表了对计算集群的一个连接,spark shell启动时已经自动创建了一个sparkcontext对象,sc对象
executor 执行器
执行器是具体集群中的计算节点
RDD编程
RDD(Resilient Distributed Dataset)弹性分布式数据集
RDD支持的操作
- 转换操作(transformation)
RDD是惰性求值,转换操作是不会立即进行计算的,只有在行动操作时才会进行计算
- 行动操作(action)
action 操作会产生结果或者将数据写入到其他地方,transformation操作则返回新的RDD对象
-
注意点1
默认情况下,spark的RDD会在你每次对它们进行行动操作时重新计算,如果想在多个操作中重用同一个RDD,可以使用RDD.persist()让spark把这个RDD缓存下来,即持久化
-
注意点2
在类似mapreduce的系统中,常常需要考虑如果把操作组合在一起,以减少mapreduce的周期数,但是在spark中,用户使用更小的操作来组织他们的程序,或许比写出复杂的map函数要更加能提升计算性能
RDD持久化方式
- RDD.persist
- RDD.cache()
RDD的创建
- sc.parallelize()
- sc.textFile()
RDD伪集合操作
- union 和
- intersection 相交
- subtract
- cartesian
向spark传参
- 注意点1
传递函数时需要注意,python会将函数所在对象也序列化传出,当你传递的对象是某个对象的成员,或者包含了对某个对象中一个字段的引用时,如self.field spark就会把整个对象发到工作节点上,会导致传递的东西很大
- 注意点2
传递函数时,如果包含不知道如何序列化的对象,也会报错
RDD常见操作
- map()
- flatMap()
- filter()
- distinct()
- sample() 采样
- fold()
- reduce()
- aggregate()
aggregate 具有特殊性,它不要求返回值与RDD中的元素值的类型一致,而是可以自定义的传入期待返回的类型的初始值
- collect() 返回RDD的数据