Why Saprk?
MapReduce编程模型的局限性
1.繁杂
仅仅map和reduce两个操作,复杂的逻辑需要大量的样板代码(太多重复性代码),开发比较复杂
2.处理效率低
map结果落盘,reduce写HDFS,多个map通过HDFS交互数据
不合适迭代处理,交互式处理和流式处理
Spark相比之下的优势
1.jobj中间的输出结果可以保存在内存中,无需读写HDFS(基于内存处理)
2.处理速度比mapreduce快乐近10倍(实际差距)
Spark的优势
1.速度快(内存处理:比MR快100倍 硬盘处理:比MR快10倍)
2.易用性(支持java,scala,python,R语言,甚至是交互式Shell)
3.通用性(一栈式解决方案:批处理,交互式查询,实时流处理,图计算)
4.多种运行模式(多平台使用,不依赖Hadoop,如:Yarn,Standalone,Local)
What Spark?
Spark运行架构
1.Driver program 可以根据运行模式指定运行在各种位置上(通常也称为Spark Application或者Application Master)
2.SparkContext可以连接不同类型的Cluster Manager(Standalone、YARN、Mesos),这些 cluster managers 负责跨应用程序分配资源
3.连接后,获得集群节点上的Executor,Cluster Manager将应用程序代码发送到executors
4.最后,SparkContext发送tasks到executors运行。
注意:该驱动程序会一直监听并接受其executor传入的连接(spark.driver.port在网络配置部分)。这样,driver program必须可以寻找到工作节点的网络地址。数据不能跨应用程序(SparkContext)访问,除非写入外部系统
master node 主节点,控制资源,管理主导各节点
work node 从节点,实际执行程序
各基本组件:
- Application:在Spark 上建立的用户程序,一个程序由一个驱动程序(Driver Program)和集群中的执行进程(Executer)构成。
- Driver Program:运行应用程序(Application)的main函数和创建SparkContext的程序。
- Executer:运行在工作节点(Work Node)上的进程。Executer负责运行任务(Task)并将各节点的数据保存在内存或磁盘中。每个应用程序都有自己对应Executer
- Work Node:集群中运行应用程序(Applicatuon)的节点
- Cluster Manager: 在集群上获取资源的外部服务(如Standalone,Mesos,Yarn),称作资源管理器或集群管理器
- Job: 包含多个Task的并行计算,往往由Spark Action(如save,collect)触发生成,一个Application中往往会产生多个Job
- Stage:每个Job被分成了更小的任务集合(TaskSet),各个阶段(Stage)相互依赖
- Task:被发送到某一个Executer的工作单元
- DAGScheduler:基于Stage的逻辑调度模块,负责将每个Job分割成一个DAG图
- TaskScheduler:基于Task的任务调度模块,负责每个Task的跟踪和向DAGScheduler汇报任务执行情况
How Spark?
安装流程
Spark API
1.SparkContext(负责连接Driver和Spark Cluster(Workers))
-
spark的主入口
-
每个JVM仅有一个活跃的SparkContext
-
SparkContext.getOrCreate
- idea中的执行代码 import org.apache.spark.{SparkConf, SparkContext} object SparkFirstDemo extends App { //创建一个SparkContext对象 val conf: SparkConf = new SparkConf().setMaster("local[2]").setAppName("test") val sparkContext: SparkContext = SparkContext.getOrCreate(conf) //其他代码实现...(word count) sparkContext.textFile("file:///e:/words.txt") .flatMap(_.split(" ")) .map((_,1)) .reduceByKey(_+_) .collect() .foreach(println) }
2.SparkSession
-
Spark 2.0+应用程序的主入口:包含了SparkContext、SQLContext、HiveContext以及StreamingContext
-
SparkSession.getOrCreate
import org.apache.spark.sql.SparkSession object SparkSecondDemo extends App { val spark: SparkSession = SparkSession.builder() .master("local[2]") .appName("SessionTest") .getOrCreate() val sc= spark.sparkContext sc.textFile("file:///e:/words.txt") .flatMap(_.split(" ")) .map((_,1)) .reduceByKey(_+_) .collect() .foreach(println) }
3.RDD / Dateset / DateRrame
三者都是弹性分布式数据集(Resilient Distributed Datasets)(RDD是将数据项拆分为多个分区的集合,存储在集群的工作节点上的内存和磁盘中,并执行正确的操作;即数据转换接口)
- 分布式:多节点分步协同计算
- 数据集:只读的、分区记录的集合,每个分区分布在不同节点,并不存储真正的数据,只是对数据及操作的描述
- 弹性:自动进行存储方式的切换(优先存储内存,内存不足时自动落盘)、基于Linage的高效容错机制(在任何时候都能进行重算,根据数据血统,可以自动从节点失败中恢复分区,各个分片之间的数据互不影响)、Stage失败自动重试 / Task失败自动重试、Checkpoint和Persist(checkpoint持久化到文件系统)
RDD:
1、RDD一般和spark mlib同时使用
2、RDD不支持sparksql操作
DataFrame:
1、与RDD和Dataset不同,DataFrame每一行的类型固定为Row,只有通过解析才能获取各个字段的值,如
testDF.foreach{
line =>
val col1=line.getAs[String]("col1")
val col2=line.getAs[String]("col2")
}
每一列的值没法直接访问
2、DataFrame与Dataset一般与spark ml同时使用
3、DataFrame与Dataset均支持sparksql的操作,比如select,groupby之类,还能注册临时表/视窗,进行sql语句操作,如
dataDF.createOrReplaceTempView("tmp")
spark.sql("select ROW,DATE from tmp where DATE is not null order by DATE").show(100,false)
4、DataFrame与Dataset支持一些特别方便的保存方式,比如保存成csv,可以带上表头,这样每一列的字段名一目了然
//保存
val saveoptions = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://172.xx.xx.xx:9000/test")
datawDF.write.format("com.databricks.spark.csv").mode(SaveMode.Overwrite).options(saveoptions).save()
//读取
val options = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://172.xx.xx.xx:9000/test")
val datarDF= spark.read.options(options).format("com.databricks.spark.csv").load()
利用这样的保存方式,可以方便的获得字段名和列的对应,而且分隔符(delimiter)可以自由指定
Dataset:
这里主要对比Dataset和DataFrame,因为Dataset和DataFrame拥有完全相同的成员函数,区别只是每一行的数据类型不同
DataFrame也可以叫Dataset[Row],每一行的类型是Row,不解析,每一行究竟有哪些字段,各个字段又是什么类型都无从得知,只能用上面提到的getAS方法或者共性中的第七条提到的模式匹配拿出特定字段
而Dataset中,每一行是什么类型是不一定的,在自定义了case class之后可以很自由的获得每一行的信息
case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
/**
rdd
("a", 1)
("b", 1)
("a", 1)
* */
val test: Dataset[Coltest]=rdd.map{line=>
Coltest(line._1,line._2)
}.toDS
test.map{
line=>
println(line.col1)
println(line.col2)
}
可以看出,Dataset在需要访问列中的某个字段时是非常方便的,然而,如果要写一些适配性很强的函数时,如果使用Dataset,行的类型又不确定,可能是各种case class,无法实现适配,这时候用DataFrame即Dataset[Row]就能比较好的解决问题
三者转化:
RDD、DataFrame、Dataset三者有许多共性,有各自适用的场景常常需要在三者之间转换
DataFrame/Dataset转RDD:
val rdd1=testDF.rdd
val rdd2=testDS.rdd
RDD转DataFrame:
import spark.implicits._
val testDF = rdd.map {line=>
(line._1,line._2)
}.toDF("col1","col2")
一般用元组把一行的数据写在一起,然后在toDF中指定字段名
RDD转Dataset:
import spark.implicits._
case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
val testDS = rdd.map {line=>
Coltest(line._1,line._2)
}.toDS
可以注意到,定义每一行的类型(case class)时,已经给出了字段名和类型,后面只要往case class里面添加值即可
Dataset转DataFrame:
把case class封装成Row
import spark.implicits._
val testDF = testDS.toDF
DataFrame转Dataset:
import spark.implicits._
case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
val testDS = testDF.as[Coltest]
这种方法就是在给出每一列的类型后,使用as方法,转成Dataset,这在数据类型是DataFrame又需要针对各个字段处理时极为方便
特别注意:
在使用一些特殊的操作时,一定要加上 import spark.implicits._ 不然toDF、toDS无法使用
case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
val testDS = testDF.as[Coltest]
这种方法就是在给出每一列的类型后,使用as方法,转成Dataset,这在数据类型是DataFrame又需要针对各个字段处理时极为方便
**特别注意:**
在使用一些特殊的操作时,一定要加上 import spark.implicits._ 不然toDF、toDS无法使用