【Spark深入学习 -12】Spark程序设计与企业级应用案例02

----本节内容-------

1.遗留问题答疑

1.1 典型问题解答

1.2 知识点回顾

2.Spark编程基础

2.1 Spark开发四部曲

2.2 RDD典型实例

2.3 非RDD典型实例

3.问题解答

4.参考资料

---------------------

 

 

每一次答疑阶段，我都会站在老师的角度去思考一下，如果是我，我应该怎么回答，每每如此，不禁吓出一身冷汗。有些问题看答案确实挺容易的，但当自己作为一个答疑者去思考，可能不一样，因为快速确认一个答案的同时，你得否认很多的东西，脑海里闪过很多的不确定，都要快速否决。董先生无疑是值得敬佩的，这方面体现的很内行，可见内功深厚，他是一个优秀的架构师，也是一个很好的传道者。

1.遗留问题答疑

 

1.1 典型问题解答

1）spark通常和hadoop与yarn一同使用，在学spark过程中补充哪些知识点，可以整理列一下

HDFS 我觉得必须都得清楚，HDFS的东西其实很多，向老师说的文件基本的存储策略，读取操作，基本命令行、API等等；

YARN基本架构，ResoureManger，NodeManger，ApplicationMaster,container等等

其实我想说的是，最好是都过一遍吧，这些都是内功，都是相互依赖的，谁也离不了谁，还有比如Linux知识，Java基本知识，网络基本知识等等，都是实际工作问题中要用到的知识点，我保证，都会用的到。

2）一个partition只会在一个节点上把，老师没有将container的概念么？老师能把partion，container，executor，task再细讲一下么？

临时有事，这里没有听。这个其实挺基础的，但是回答出来比较考验基本功。我把问题衍生一下，包含如下问题：

a）.partion的基本概念是什么，partition和block是什么关系？

partition是RDD内部并行计算的一个计算单元，RDD的数据集在逻辑上被划分为多个分片，每一个分片叫做一个partition。block是HDFS存储的最小单元

其实这里还有一个问题，就是Spark为什么要进行分区,出于什么原因要搞一个分区的概念？，我觉得对partiion的理解非常有帮助，答案请参考博文《Spark你妈喊你回家吃饭-08 说说Spark分区原理及优化方法》

b）.container的概念是什么，yarn是如何基于container进行资源分配的？

c）.Spark应用程序的执行过程是什么？

还有两个问题都是任务提交模式问题，了解spark程序运行的各种模式基本都能解答，这几个问题在前面其实都已经有很明确的讲解过。

 

1.2 知识点回顾

1)核心概念RDD

弹性分布式数据集，把握以下几点

· RDD是什么数据集，他是一个描述数据在哪里，对数据做什么操作，以及操作之间的依赖关系的一个数据集

· 为什么是弹性，主要是说他的存储，既可以在内存，也可以在磁盘

· 分布式：分布在集群上

· 自动重构：失效够可以自动重构

 

2) 程序架构

application = 1个driver +多个executor

Excecutor = 多个task+cache

搞清楚driver做了什么，Executor做了什么，Task又做了什么，如何配合

 

3)Yarn分布式模式

a.client发送资源申请请求

b.RM发送通知NodeManger要调用资源，

c.NodeManger启动AppAplicationMaster

d.AppAplicationMaster通知nodeManager启动各个Executor

e.nodeManager启动Executor

f.nodeManager向Driver回报实时执行情况，也会告知AppAplicationMaster

 

 

2.Spark编程基础

2.1 Spark开发四部曲

每一个spark程序都有一个main，我们称之为driver，driver将程序分解成多个task， task分发到多个executor，从而完成并行化。Spark程序开发的四部曲总结起来如下:

· 创建SparkContext对象

封装了spark执行环境信息

· 创建RDD

可从scala结合或hadoop数据集上创建

· 在RDD上执行转换和action

spark提供了多种转换和action函数

· 返回结果

保存到HDFS中，或者直接打印出来

 

2.2 RDD典型实例

启动spark shell:

bin/spark-shell --master spark://master01:7077 --driver-class-path/usr/local/tdr_hadoop/spark/spark-1.6.0-bin-hadoop2.6/lib/mysql-connector-java-5.1.40-bin.jar

 

1) 设置conf

val conf=new org.apache.spark.SparkConf().setAppName("xx");

conf.set("spark.app.name","test");

conf.set("spark.driver.allowMultipleContexts","true");

val sc= new org.apache.spark.SparkContext(conf);

#读取hdfs上的文件，如果你在hdfs-site.xml中配置hdfs集群的话

val a=sc.textFile("/tmp/test/core-site.xml");

a.collect().foreach(println);

#读取hdfs上的文件

val a = sc.textFile("hdfs:///tmp/test/core-site.xml");

a.collect().foreach(println);

#读取hdfs上的文件 ，这里的端口是9000

vala=sc.textFile("hdfs://master02:9000/tmp/test/core-site.xml");

a.collect().foreach(println);

 

#读取本地文件，这里要注意，driver是在哪里运行，如果driver不在本地运行，执行会报错，找不到文件哦

val a=sc.textFile("file:///data/aa.txt");

a.collect().foreach(println);

 

报错1：netty是spark通信框架，通信超时了。所以产生问题。把：：1也就是ip6先注释掉。但是还是没有解决问题，后来把master HA给回退过去了，又恢复了，可能是HA的配置没有配好导致

 

报错2：不能出现多个sc

设置参数：conf.set("spark.driver.allowMultipleContexts","true");

 

2)创建RDD

· 从HDFS中读取数据

inputRdd=sc.textFile("hdfs://master01:8020/xx/xx");

· 从本地读取数据

inputRdd=sc.textFile("file://data/input")

· 从Hbase读取数据

 

· 从自定义文件格式读取数据

 

 

 

2.3 RDD典型实例

1.回忆经典概念

再次提一下RDD的transformation与Action，现在假设你去面试，面试官问你，简单说说你对Transformation和Action的理解，我个人觉得应该回答以下几个知识点，可能你有很多要说的，但是要整理好思路，一个个知识点回答。

1）.先说概念

先说RDD概念，RDD弹性分布式数据集。它记录了2类东西一个是数据，一个是操作。数据，RDD记录了数据是保存在内存还是磁盘，而且能控制数据分区。操作，RDD记录了数据之上的各种操作，以及操作之间的依赖关系。最后说一下特点，RDD具有容错，并行，是spark的核心概念。

接着引入Transformation，Transformation是根据特定规则将一个RDD变换为另一个RDD，记录了RDD的演变过程，最后结果是RDD。

Action：将数据聚集起来执行实际的操作，触发所有job，并且保存计算结果，最后结果是数据。

2）.后说联系

Transformation记录RDD之间的转换关系，为Action的触发记录RDD逻辑关系。

3）.最后说区别

·Transformation不触发job，返回RDD。

·Action触发job，执行计算，返回数据。

 

2.典型例子

1）Transformation例子

例子1：

------------------------

val nums =sc.parallelize(List(1,2,3),3);

nums.collect();

//返回前k个

nums.take(2);

nums.count();

//累加求和

nums.reduce(_+_);

//写数据到hdfs

nums.saveAsTextFile("/tmp/dxc/week2/output1");

import org.apache.spark.rdd._;

nums.saveAsSequenceFile("/tmp/dxc/week2/output2");

nums.saveAsSequenceFile("/tmp/dxc/week2/output2");

//读取sequenceFile格式文件

lines = sc.sequenceFile("/tmp/dxc/week2/output2/") ;

---------

说明：

collection:转为数组，单机概念，保存到driver里面，非常危险，如果非常大

10G数据，2g内存，很可能打爆driver的内存，慎重

 

 

从这里可以看出，启动了一个Executor，Executor上面起了2个task，因为是指定了2个分区，分区的个数决定了task的个数。

 

val nums =sc.parallelize(List(1,2,3),3);

nums.collect();

 

这里指定3个分区，启动了3个task。

 

保存到hdfs也是3个part，如果指定分区为2，那就保存为2个数据块。

 

------------------------

例子2：

--------

valpets=sc.parallelize([("cat",1),("dog",2),("dog",2)]);

pets.reduceByKey(_+_);

pets.groupByKey();

pets.sortByKey();

pets.collect();

---------

说明：reduceByKey自动在本地进行combine

------------------------

例子3：

val line =sc.textFile("/tmp/test/core-site.xml");

val count=line.flatMap(line=>line.split(" ")).map(word=>(word,1)).reduceByKey(_+_);

count.collect();

line.foreach(println);

 

 

例子4：

val left = sc.parallelize(List(("spark",1),("hadoop",1),("storm",1)))

val right=sc.parallelize(List(("scala",1),("hadoop",1),("spark",1)))

val result = left.join(right);

val result = left.cogroup(right);

result.collect();

result.foreach(println);

---------

说明：

cogroup：保证key唯一,key只占一行，可用做一个笛卡尔积，cogroup结果如下

(scala,(CompactBuffer(),CompactBuffer(1)))

(spark,(CompactBuffer(1),CompactBuffer(1)))

(hadoop,(CompactBuffer(1),CompactBuffer(1)))

(storm,(CompactBuffer(1),CompactBuffer()))

------------------------

还有其他的RDD操作可以参考之前写的博客。

2.3 非RDD典型实例

1.Accumulator

Accumulator是spark提供的累加器，顾名思义，该变量只能够增加。 只有driver能获取到Accumulator的值（使用value方法），Task只能对其做增加操作（使用 +=）。你也可以在为Accumulator命名（不支持Python），这样就会在spark web ui中显示，可以帮助你了解程序运行的情况。用于监控和调试，记录符合某类特征的数据数据等。

-----------------

//在driver中定义

val accum = sc.accumulator(0, "Example Accumulator") 

//在task中进行累加 

sc.parallelize(1 to10,5).foreach(x=> accum += 1) 

//在driver中输出 accum.value 

//结果将返回10 res: 10

 

 

 

---

说明：

在web ui中可以看到Accumulators在task进行累加的具体情况，driver将accumulator收集过来汇总

 

-----------------

3.广播变量

Spark有两种共享变量——累加器、广播变量。广播变量可以让程序高效地向所有工作节点发送一个较大的只读值，以供一个或多个Spark操作使用。高效分发大对象，比如字典map，集合set，每个executor一份，而不是每个task一份.

Spark中分布式执行的代码需要传递到各个Executor的Task上运行。对于一些只读、固定的数据(比如从DB中读出的数据),每次都需要Driver广播到各个Task上，这样效率低下。广播变量允许将变量只广播（提前广播）给各个Executor。该Executor上的各个Task再从所在节点的BlockManager获取变量，而不是从Driver获取变量，从而提升了效率。

一个Executor只需要在第一个Task启动时，获得一份Broadcast数据，之后的Task都从本节点的BlockManager中获取相关数据。

 

 

场景1：

val data = Set(1,2,3,4,5,6,7)

val rdd=sc.parallelize(1 to 6,2)

val result =rdd.map(_=>data.size)

result.collect();

场景2：

val data = Set(1,2,3,4,5,6,7)

val bddata=sc.broadcast(data)

val rdd=sc.parallelize(1 to 6,2)

val result =rdd.map(_=>data.size)

result.collect();

区别是：data数值的获取方式，场景1 executor 每次都要从driver那里获取，要和交互7次，而场景2使用广播变量，将data分发到executor，那么driver和executor只需要交互一次。

4.cache的使用

val data=sc.textFile("/tmp/tbMonitordataResultHbase");

val a = data.count

println(a);

 

 

 

执行了29秒

 

 

val data=sc.textFile("/tmp/tbMonitordataResultHbase");

data.cache()

val a = data.count

println(a);

 

 

cache了100多M

val a = data.count

println(a);

data.persist(org.apache.spark.storage.StorageLevel. MEMORY_ONLY)

 

 

3.问题解答

1).spark计算时，数据会写入磁盘么，什么条件下写入磁盘

 shuffle的时候都会写到磁盘，带shuffle的时候会写入到磁盘，有哪算子呢？

2).报错日志里的错误是，ERRORCoarsegRainedExcecutorBackend:RECEIVED SIGNAL TERM ,这个可能是什么原因

虚拟内存超了，被yarn的nodemanager杀了，配置这个参数, 如果是1G内存，可以达到1.1G的使用内存

<property>

<name>yarn.nodemanager.vmem-pmem-ratio</name>

<value>10</value>

</property>

 

3).中文乱码问题，出现中文乱码和spark没有关系

4).resourceManager的工作负担重不重，实际部署时候是否有必要单独到一台机器上？

  机器的规模，50或者100，可以nodemanager合并

5).hbase预分区个数和spark过程中reduce个数相同么

设置，map阶段和region一样，reduce取决于task

 

 

 

4.参考资料

1.董西成ppt