基于spark学习一的补充
spark是什么
Hadoop的MapReduce框架类似,都是进行海量数据的处理,并行计算
核心RDD
数据存储在内存中,分区存储(partition)
RDD之间是有依赖的
宽依赖:产生shuffle,数据会存储在磁盘中
窄依赖:不会产生shuffle
这里所讲的shuffle和我们的MapReduce的shuffle过程,前面的Task数据将会被打乱,在分发给下一个stage的各个Task进程处理。
spark分析数据3步走
1.读取数据
val inputRDD = sc.textFile (SparkContext)
val inputDF = spark.read.textFile //spark 2.X SparkSession
2.分析数据
inputRDD. Transformation
调用转换函数Transformation函数,都是高级函数
3.结果输出
resultRDD.action
调用动作函数,调用以后不会返回一个RDD,触发一个job执行
第一类action函数:有返回值
返回值,返回给Driver
top、take、first、count、collect
第二类Action函数:无返回值
没有返回值,直接将数据存储到外部文件系统中或者直接控制打印
foreach\saveAsTextFile
spark 框架的优势
数据结构RDD,用于存储管理数据
DAG调度
spark中每个job的调度都是DAG调度
DAG:有向无环图
(0)构建DAG图,
倒推法,配合依赖
(1)DAG图划分为多个stage,RDD直接产生了shuffle过程,就会划分stage
(2)按照顺序执行stage中task任务,每个stage中可有多个Task
Spark性能优化:RDD方法优化
(1)能不使用groupByKey函数就不使用,除非不得已
redcueByKey(combiner) = groupBy+ map(变量值相加)
redcueByKey可以先进行本地聚合操作
(2)尽量使用XXPartition函数代替XX函数
各个分区中传入迭代器
(3)适当的降低或者增加RDD分区数目
一开始的时候,数据量比较多,可以加到RDD分分区数,增加并行度(在集群资源充足的情况下)
当数据预处理之后(尤其过滤清洗之后)。RDD中数据量减少了很多,此时可以考虑减少分区的数目
spark standalone
spark框架自身带的
分布式集群资源管理和任务调度框架,类似于Hadoop Yarn框架
与Yarn唯独有一点不同的是:一台机器只能运行一个Nodemanager,但是spark standalone在一台机器上可以同时运行多个Workers
spark application运行的过程
回顾MapReduce程序运行在Yarn集群组成
-1.Application Master
应用的管理者,负责资源的申请,task运行监控调度
-2.Task的运行
MapTask和ReduceTask,都是运行在Nodemanager上Container容器中。
spark application运行在集群下,包含2部分
-1.Driver Program -JVM 进程
- 相当于AppMaster,应用的管理者,主要是调度job的执行
- 就是程序Main方法,必须创建sparkContext实例对象
- 端口号4040,提供应用的监控
-2.Executor s
- 每一个Executor是一个JVM进程,里面包含内存和CPU(可以理解为容器container),运行Task—相当于线程池
- 那么executor可以运行多少个tasks,就看有多少core