Spark入门基础
为什么使用Spark
MapReduce编程模型的局限性
繁杂
- 只有Map和Reduce两个操作,复杂的逻辑需要大量的样板代码
处理效率低
- Map中间结果写磁盘,Reduce写HDFS,多个Map通过HDFS交换数据
- 任务调度与启动开销大
不适合迭代处理、交互式处理和流式处理
Spark是类Hadoop MapReduce的通用并行框架
Job中间输出结果可以保存在内存,不再需要读写HDFS
比MapReduce平均快10倍以上
Spark的优势
速度快
基于内存数据处理,比MR快100个数量级以上(逻辑回归算法测试)
基于硬盘数据处理,比MR快10个数量级以上
易用性
支持Java、Scala、Python、R语言
交互式shell方便开发测试
通用性
一栈式解决方案:批处理、交互式查询、实时流处理、图计算及机器学习
随处运行
YARN、Mesos、EC2、Kubernetes、Standalone、Local
Spark技术栈
Spark Core:核心组件,分布式计算引擎
Spark SQL:高性能的基于Hadoop的SQL解决方案
Spark Streaming:可以实现高吞吐量、具备容错机制的准实时流处理系统
Spark GraphX:分布式图处理框架
Spark MLlib:构建在Spark上的分布式机器学习库
spark运行框架
- 在驱动程序中,通过SparkContext主导应用的执行
- SparkContext可以连接不同类型的Cluster
Manager(Standalone、YARN、Mesos),连接后,获得集群节点上的Executor - 一个Worker节点默认一个Executor,可通过SPARK_WORKER_INSTANCES调整
- 每个应用获取自己的Executor
- 每个Task处理一个RDD分区
术语 | 说 明 |
---|---|
Application | 建立在Spark上的用户程序,包括Driver代码和运行在集群各节点Executor中的代码 |
Driver program | 驱动程序。Application中的main函数并创建SparkContext,Spark中有SparkContext负责与Cluster Manager通信,进行资源申请、任务的分配和监控等,当Executor部分运行完毕后,Driver同时负责将SparkContext关闭 |
Cluster Manager | 在集群(Standalone(park原生的资源管理,由Master负责资源的分配)、Mesos(与hadoop MR兼容性良好的一种资源调度框架)、YARN(主要是指Yarn中的ResourceManager))上获取资源的外部服务 |
Worker Node | 集群中任何可以运行Application代码的节点 |
Executor | 某个Application运行在worker节点上的一个进程 |
Task | 被送到某个Executor上的工作单元 |
Job | 包含多个Task组成的并行计算,往往由Spark Action触发生成,一个Application中往往会产生多个Job |
Stage | 每个Job会被拆分成多组Task,作为一个TaskSet,其名称为Stage |
当执行一个Application时,Driver会向集群管理器申请资源,启动Executor,并向Executor发送应用程序代码和文件,然后在Executor上执行Task,运行结束后,执行结果会返回给Driver,或者写到HDFS或者其它数据库中。
Spark两个重要的类
SparkContext
import org.apache.spark.{SparkConf, SparkContext}
val conf=new SparkConf().setMaster("local[2]").setAppName("HelloSpark")
val sc=SparkContext.getOrCreate(conf)
//aa.txt
/**
hello world
hello spark
*/
sc.textFile("file:///d:/aa.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).foreach(println)//分词统计
sc.stop()
//结果
//(spark,1)
//(hello,2)
//(world,1)
SparkSession
val spark = SparkSession.builder().master("local[*]").appName("mytab").getOrCreate()
val tab1 = spark.read.format("csv").option("header","true").load("file:///D:/notepad++/File/hadoop/hive/testmonday/customer_details.csv")
tab1.createOrReplaceTempView("customer_details")
spark.sql("select * from userinfos").show(false)
Spark API
RDD
Spark核心,主要数据抽象
Dataset
从Spark1.6开始引入的新的抽象,特定领域对象中的强类型集合,它可以使用函数或者相关操作并行地进行转换等操作
DataFrame
DataFrame是特殊的Dataset
Spark RDD概念
简单的解释
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中,并执行正确的操作
复杂的解释
RDD是用于数据转换的接口,指向了存储在HDFS、Cassandra、HBase等、或缓存(内存、内存+磁盘、仅磁盘等),或在故障或缓存收回时重新计算其他RDD分区中的数据
RDD是弹性分布式数据集(Resilient Distributed Datasets)
分布式数据集
RDD是只读的、分区记录的集合,每个分区分布在集群的不同节点上
RDD并不存储真正的数据,只是对数据和操作的描述
弹性
RDD默认存放在内存中,当内存不足,Spark自动将RDD写入磁盘
容错性
根据数据血统,可以自动从节点失败中恢复分区
DAG:有向无环图,反映了RDD之间的依赖关系
RDD的特性
- 一系列的分区(分片)信息,每个任务处理一个分区
- 每个分区上都有compute函数,计算该分区中的数据
- RDD之间有一系列的依赖
- 分区函数决定数据(key-value)分配至哪个分区
- 最佳位置列表,将计算任务分派到其所在处理数据块的存储位置
RDD的创建
parallelize使用集合创建RDD
//使用集合创建RDD
val rdd=sc.(List(1,2,3,4,5,6))
rdd.count
rdd.partitions.size
val rdd=sc.parallelize(List(1,2,3,4,5,6),5)
rdd.partitions.size
val rdd=sc.makeRDD(List(1,2,3,4,5,6))
//1、Spark默认会根据集群的情况来设置分区的数量,也可以通过parallelize()第二参数来指定
//2、Spark会为每一个分区运行一个任务进行处理
object MySparkRDD {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[2]").setAppName("myjob")
val sc = new SparkContext(conf)
//并行计算的速度----核数
//并行计算的粒度----分区数量
//一个分区就是一个task,分片最后决定任务数量
val rdd = sc.parallelize(List(1,2,3,5,4,6,7,8),2)//开了多核,但是只有一个核在工作
// val rdd = sc.parallelize(List((1,1),(2,1),(3,1),(4,1)),2)
//foreach遍历所有,但是是一个一个处理
//foreachPartition每一个片遍历,但是是同时进行
println("============================默认Range分区======================================")
rdd.foreachPartition(f=>println(f.toList))
println("============================设置分区数,(K,V)型=================================")
//用map转成(K,V)型
rdd.map((_,1)).groupByKey(2).foreachPartition(f=>println(f.toList))
println("============================自定义分区方式partitionBy===========================")
//必须是(K,V)型,才能调出partitionBy()方法
rdd.map((_,1)).partitionBy(new MyPartition(3)).foreachPartition(f=>println(f.toList))
println("============================设置分区方式========================================")
// val rdd = sc.parallelize(List(1,2,3,5,4,6,7,8),2).repartition(1)//设置分区方式
rdd.map((_,1)).foreachPartition(f=>println(f.toList))
//rdd.coalesce(num,boolean)
//rdd.persist()
//val e = rdd.map((_,1)).cache()缓存,最好用新节点记录一下(读文件加cache)
}
}
通过加载文件产生RDD
val distFile=sc.textFile("file:///home/hadoop/data/hello.txt")
object ReadTest {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[*]").setAppName("cust")
val sc = new SparkContext(conf)
val rdd = sc.textFile("file:///d:/notepad++/File/hadoop/scala/customers.csv")
// rdd.foreach(println)
sc.stop()
}
}
其他创建RDD的方法
SparkContext.wholeTextFiles()
:可以针对一个目录中的大量小文件返回<filename,fileContent>作为PairRDD
SparkContext.sequenceFile[K,V]()
:Hadoop SequenceFile的读写支持
SparkContext.hadoopRDD()、newAPIHadoopRDD()
:从Hadoop接口API创建
SparkContext.objectFile()
:RDD.saveAsObjectFile()的逆操作
RDD分区
分区是RDD被拆分并发送到节点的不同块之一
拥有的分区越多,得到的并行性就越强
每个分区都是被分发到不同Worker Node的候选者
每个分区对应一个Task
RDD的操作
分为lazy与non-lazy两种
Transformation(lazy)
:也称转换操作、转换算子
1、仅记录作用于RDD上的操作
2、当遇到动作算子(Action)时才会进行真正计算
Actions(non-lazy)
:也称动作操作、动作算子
当程序遇到动作算子立即执行