1.搭建spark开发环境
copy老师的eclipse压缩包,解压,打开就可以了,如下图能输出hello world就是开发环境弄好了。
1.1完成Wordcount示例
2 Spark架构
Spark是整个BDAS的核心。生态系统中的各个组件通过Spark来实现对分布式并行任务处理的程序支持。
参考链接:http://book.51cto.com/art/201502/466000.htm
3 spark工作原理
Master是由四大部分组成(RDD Graph,Scheduler,Block Tracker以及Shuffle Tracker)
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
4 DAG、Stage、宽窄依赖
前言
stage作为是Spark应用程序的调度任务划分模块,对它的理解有助你提高编写Spark代码的编写,说到底想要玩好Spark,就要玩好RDD。
宽窄依赖
宽依赖:1.父类RDD的一个分区上的数据对应承接给同一个子类RDD的多个分区——即RDD是1对1,但分区是1对多。
2.父类RDD的一个分区上的数据对应承接给多个子类RDD的一个或多个分区——即RDD是1对多,但分区是1对1,也可以是1对多。
窄依赖:
1.父类RDD的一个分区上的数据对应承接给唯一的子类RDD且分区也是一一对应——即RDD是1对1,分区也是1对1。
从宽窄依赖看shuffle:
宽依赖:有分区的操作,有shuffle,会落地磁盘。
窄依赖:无分区的操作,无shuffle,基于内存计算。
总结:在内存足够的前提下,减少使用有shuffle的算子,会提高代码运行效率。
DAG 划分stage的规则:
在运行时也就是触发action算子开始向前回溯后,遇到宽依赖就切分成一个stage。每一个stage包含一个或多个并行的task任务,
这里的task指的是组成一个task线程中的一部分,一条task线程会负责处理一个partiton中的一部分数据——即在程序运行时数据的划分是:一个stage由一个或多个partition组成,而其中每个partition的数据又是由多个task任务负责处理,且每个task任务会横向贯穿于多个stage当中。这样就使其形成了一套完整的内存迭代计算。
参考链接:https://blog.csdn.net/ly_Blogs/article/details/79783232