Spark - 第13章 高级RDD

• 聚合和key-value RDD
• 自定义分区
• RDD连接

Key-Value基础（Key-Value RDD）

        基于RDD的许多方法要求数据是key-value格式，这种方法都有形如<some-operation>ByKey的API名称，只要在方法名称中看到ByKey，就意味着只能以PairRDD类型执行此操作。最简单的方法就是将当前的RDD映射到基本的key-value结构，也就是说在RDD的每个记录中都有两个值。

keyBy

        也可以使用keyBy函数，它是根据当前value创建key的函数。

对值进行映射

        在有一组键值对之后，你可以开始对它们进行操作。如果我们有一个元组，Spark将假设第一个元素是key，第二个是value。在这种格式中，你可以显式选择映射value（并忽略key）。当然，可以手动执行此操作，但当你知道只是要修改value时，这可以帮助防止错误。

提取key和value

        当数据是键值对这种格式时，我们可以使用方法来提取特定的key或value。

lookup

        在RDD上很常见的任务就是查找某个key对应的value。请注意，并不强制规定每一个键入都只有一个键，所以如果当我们查找“s”时，我们将获得与该key相关的两个value，即“Spark”和“Simple”。

sampleByKey

        有两种方法可以通过一组key来采样RDD，这可以是近似的方法也可以是精确的方法。这两种操作都可以使用或不适用替换策略，以及根据给定键值对数据集部分采样。这是通过对RDD的一次遍历来简单随机采样，采样数量大约是所有key-value对数量的math.ceil（numItems * samplingRate）这么多。
        使用sampleByKeyExact的方法不同于sampleByKey，因为他需要额外遍历RDD，以99.99%的置信度构造大小等于所有key-value对数量的math.ceil（numItems * samplingRate）这么多的样本集合。若设置不替换，则要一次额外遍历RDD以保证样本集大小。若设置替换取样，需要另外两次额外遍历。

聚合操作

        可以在纯RDD或PairRDD上执行聚合操作，具体取决于所使用的方法。

countByKey

        可以计算每个key对应的数据项的数量，并将结果写到本地Map中。你还可以近似地执行此操作，在Scala或Java中指定超时时间和置信度。

了解聚合操作的实现

        有几种方法可以创建key-value PairRDD，但是实现方法对任务的稳定性非常重要。我们比较两个基本的实现方法：groupBy和reduceBy。

groupByKey

        根本问题是每个执行器再执行函数之前必须在内存中保存一个key对应的所有value。 这会有什么问题吗？如果有严重的key负载倾斜现象，则某些分组可能由于key对应着太多的value而导致超载问题，进而出现OutOfMemoryErrors错误。当前的小数据集显然不会出现这种问题，但它可能会在处理大规模数据时爆发严重问题。这不一定会发生，但它可能会发生。
        groupByKey在某些情况下是可以的。如果每个key的value数量都差不多，并且知道它们能够被执行器的内存容纳那就可以了。对于其他情况，有一种首选的方法，就是使用reduceBuKey。

reduceByKey

        因为我们是执行一个简单的计数，一个更稳妥的方法是同样执行flatMap，然后执行map将每个字母实例映射为数字，然后执行reduceByKey配以求和函数以将结果存储到数组。这种方法更加稳定，因为reduce发生在每个分组，并且不需要将所有内容放在内存中。此外，此操作不会导致shuffle过程，在执行最后的reduce之前所有的任务都在每个工作节点单独执行。着大大提高了执行速度以及该操作的稳定性。
        reduceByKey方法返回一个组（对应一个RDD）的RDD和不保证有序的元素序列。因此，当我们的任务操作满足结合律时，这种方法是完全可行的，而如果元素的顺序很重要时就不适合了。我理解的就是不需要将所有相同的key发送至一个节点。

其他聚合方法

        还有许多高级聚合方法，使用它们主要取决于具体工作负载，而我们发现在当今Spark作业中，用户极少遇到这种工作负载（或需要执行这种操作）。因为使用结构化API执行更简单的聚合时，很少会使用这些非常低级的工具。这些函数允许你具体地控制在集群上执行某种聚合操作。

aggregate

        此函数需要一个null值和一个起始值，并需要你指定两个不同的函数，第一个函数执行分区内聚合，第二个执行分区间聚合。起始值在两个聚合级别都使用。
        aggregate确实有一些性能问题，因为它在驱动器上执行最终聚合。如果执行器的结果太大，则会导致驱动器出现OutOfMemoryError错误并最终让程序崩溃。还有另一个方法treeAggregate，它基于不同的实现方法可以得到与aggregate相同的结果。它基本上是以“下推”方式完成一些子聚合（创建从执行器到执行器传输聚合结果的树），最后在执行最终聚合。多层级的形式确保驱动器在聚合过程中不会耗尽内存，这些基于树的实现通常会提高某些操作的稳定性，

aggregateByKey

        此函数与aggregate基本相同，但是基于key聚合而非基于分区聚合。起始值和函数的属性配置也都相同。

combineByKey

        不但可以指定聚合函数，还可以指定一个合并函数。该合并函数针对某个key进行操作，并根据某个函数对value合并，然后合并各个合并器的输出结果并得出最终结果。我们还可以按照自定义输出分区程序指定输出分区的数量。

foldByKey

        foldByKey使用满足结合律函数和中性的“零值”合并每个key的value，支持多次累计到结果，并且不能更改结果（例如，0为加法，或1为乘法）

CoGroups

        CoGroups在Scala中允许将三个key-value RDD一起分组，在Python中允许将两个key-value RDD一起分组。它基于key连接value，这实际上等效于基于组的RDD连接操作。执行此操作时，还可以指定多个输出分区或自定义分区函数，以精确控制此数据在整个集群上的分布情况。
        结果是一组kay-value对，key在一边，其所有的value在另一边。

连接操作

        RDD的连接与结构化API中的连接有很多相同之处，它们都遵循相同的基本格式，包括执行连接操作的两个RDD，以及输出分区数或自定义分区函数。

内连接

        全外连接，左外连接，右外连接，笛卡尔连接都遵循相同的基本格式。

zip

        zip其实并不是一个连接操作，但它将两个RDD组合在一起，因此我们暂将它归类为连接操作。zip把两个RDD的元素对应的匹配在一起，要求两个RDD的元素个数相同，同时也要求两个RDD的分区数也相同，结果会生成一个PairRDD。

控制分区

        使用RDD，你可以控制数据在整个集群上的物理分布，其中一些方法与结构化API中的基本相同，但是最关键的区别（在结构化API中不支持的）在于，它可以指定一个数据分区函数（自定义Partitioner）

coalesce

        coalesce有效地折叠（collapse）同一工作节点上的分区，以便在重新分区时避免数据洗牌（shuffle）

repartition

        Repartition操作将对数据进行重新分布，跨界点的分区会执行shuffle操作。对于map和filter操作，增加分区可以提高并行度。

repartitionAndSortWithinPartitions

        此操作将对数据重新分区，并指定每个输出分区的顺序。使用repartitionAndSortWithinPartition，分区和key比较函数可由用户定义。

自定义分区

        自定义分区是使用RDD的主要原因之一，而结构化API不支持自定义数据分区，RDD包含影响任务能否成功运行的低级实现细节。自定义分区的典型示例是PageRank实现，你需要控制集群上数据的分布并避免shuffle操作，而在我们的shopping数据集中，可能需要我们根据客户ID对数据进行分区。
        简而言之，自定义分区的唯一目标是将数据均匀地分布到整个集群中，以避免诸如数据倾斜之类的问题。如果要使用自定义分区，则应从结构化API定义的数据降级为RDD，应用自定义分区程序，然后再将RDD转换回DataFrame或Dataset。只有真正需要时，才会使用RDD自定义分区，这样就可以利用两方面的优势。
        要执行自定义分区，你需要实现Partitioner的子类。只有当你很了解特定领域知识时，你才需要这样做。如果你只是想对一个值或一组值（列）进行分区，那么用DataFrame API实现就可以了。
        Spark有两个内置的分区器，你可以在RDD API调用，它们是用于离散值划分的HashPartitioner（基于哈希的分区）以及RangePartitioner（根据数值范围分区），这两个分区器分别针对离散值和连续值。Saprk的结构化API已经包含了它们，也可以在RDD中使用它们。虽然哈希分区和范围分区程序都很有用，但它们是最基本的分区方法。有时，因为数据量很大并且存在严重的数据倾斜（由于某些key对应的value项比其他key对应的value项多很多导致的数据倾斜），你将需要实现一些非常底层的分区方法。你希望尽可能多地拆分这些key以提高并行性，并在执行过程中防止OutOfMemoryError错误发生。
        一个典型情况是，（当且仅当某个key有特定形式时）由于某个key对应的value太多，需要把这个key拆分成很多key。例如，数据集中可能对某两个客户的数据处理总是会使分析过程崩溃，我们需要对这两个客户进行细分，就是说比其他客户ID更细粒度地分解它们。由于这两个key倾斜的情况很严重，所以需要特别处理，而其他的key可以被集中到大组中。自定义key分发的逻辑仅在RDD级别适用，展示了以任意逻辑在集群中部署数据的能力。

自定义序列化

        Kryo序列化问题，任何你希望并行处理（或函数操作）的对象都必须是可序列化的。默认序列化的方式可能很慢，Spark可以适用Kryo库更快地序列化对象。Kryo序列化的速度比Java序列化更快，压缩也更紧凑（通常是10倍），但并不是支持所有序列化类型的，并且要求你先注册在程序中使用的类。
        你可以借助于SparkConf使用Kryo初始化你的任务，并设置“spark.serializer”为“org.apache.spark.serializer.KyroSerializer”。此配置用于在工作节点之间数据传输时或将RDD写到磁盘上时，Spark所采用序列化工具。Spark没有选择Kryo作为默认序列化工具的原因式它要求自定义注册，但我们建议在网络传输量大的应用程序中尝试使用它。自Spark 2.0.0后，我们在对简单类型、简单类型数组或字符串类型的RDD进行shuffle操作时，已经默认采用Kryo序列化。

小结

        讨论了有关RDD的许多更高级的主题。特别需要注意的部分是自定义分区，它允许你以特定的函数来划分数据。