Spark基础

Spark基础

一、前言

使用语言：scala

术语：Resilient Distributed Datasets（RDD）

二、弹性分布式数据集(RDD)定义

Spark围绕着弹性分布式数据集（RDD）的概念，是一个可以并行操作的容错容器集合，有两种方法来创建RDD：

1. 并行化驱动程序中的现有集合

2. 外部存储系统中的数据集，例如共享文件系统，HDFS，HBase或提供Hadoop InputFormat的任何数据源。

1） Parallelized Collections(并行数据集)

使用SparkContext的parallelize方法创建一个并行数据集

val data = Array(1, 2, 3, 4, 5)
val distData = sc.parallelize(data)

2） 外部数据集(共享文件系统,HDFS,HBase…)

下面使用SparkContext的textFile方法创建一个文件数据集

val distFile = sc.textFile("data.txt")

注意：

1. Spark的所有基于文件的输入方法（包括textFile）都支持在目录，压缩文件和通配符上运行。 例如，可以使用textFile（“/ my / directory”），textFile（“/ my / directory / 。txt”）和textFile（“/ my / directory / .gz”）。

2. textFile方法还接受可选的第二个参数，用于控制文件的分区数。 默认情况下，Spark为文件的每个块创建一个分区（HDFS默认为128MB），但你也可以通过传递一个更大的值来请求更多的分区。 请注意，您不能有比块更少的分区。

三、弹性分布式数据集(RDD)操作

（一）定义

RDD支持两种类型的操作：

1. 转换（Transformations）：从现有数据集创建新数据集。例如：map是一个通过一个函数传递每个数据集元素的变换，并返回一个表示结果的新RDD

2. 动作（Actions）：在数据集上运行计算后向驱动程序返回值。例如：reduce是使用一些函数聚合RDD的所有元素并将最终结果返回到驱动程序的动作

Spark中的所有转换都是懒惰的，因为它们不会马上计算它们的结果。相反，他们只记住应用于一些基础数据集（例如文件）的转换。仅当操作需要将结果返回到驱动程序时才会计算转换。这种设计使Spark能够更有效地运行。例如，我们可以认识到通过map创建的数据集将在reduce中使用，并且只返回reduce到驱动程序的结果，而不是较大的映射数据集。

默认情况下，每次对其执行操作时，都可以重新计算每个已转换的RDD。但是，您还可以使用persist（或cache）方法在内存中持久化RDD，在这种情况下，Spark会保留集群上的元素，以便在下次查询时更快地访问。还支持在磁盘上持久存储RDD，或者在多个节点上复制RDD。

（二）基础

为了说明RDD基础知识，下面示列程序解释说明：

val lines = sc.textFile("data.txt") 
val lineLengths = lines.map(s => s.length)
val totalLength = lineLengths.reduce((a, b) => a + b)
lineLengths.persist()

1. 第一行定义来自外部文件的基本RDD。 此数据集未加载到内存中或以其他方式处理：行仅仅是指向文件的指针。
2. 第二行定义lineLength作为地图变换的结果。 同样，由于懒惰，lineLength不会立即计算
3. 第三行我们运行reduce，这是一个动作。 在这一点上，Spark将计算分解为在单独的机器上运行的任务，每个机器运行它的一部分映射和本地缩减，只返回它的驱动程序的答案。
4. 第四行持久化数据到内存

（三）RDD类型说明

下面表格列除了Spark支持的一下常用Transformations ：

转换（Transformation）	说明	备注
map(func)	返回通过函数func传递源的每个元素形成的新的分布式数据集
filter(func)	返回通过选择func返回true的源的那些元素形成的新数据集
flatMap(func)	与map类似，但每个输入项可以映射到0个或更多的输出项（因此func应该返回一个Seq，而不是一个单独的项）
mapPartitions(func)	类似于map，但是在RDD的每个分区（块）上单独运行，因此当在类型T的RDD上运行时，func必须是Iterator => Iterator 类型
mapPartitionsWithIndex(func)	与mapPartition类似，但是也为func提供了表示分区索引的整数值，因此当在类型为T的RDD上运行时，func必须是类型（Int，Iterator ）=> Iterator => Iterator 类型
sample(withReplacement, fraction, seed)	使用给定的随机数发生器种子，采样具有或不具有替换的数据的分数
union(otherDataset)	返回一个新的数据集，其中包含源数据集和参数中元素的并集
intersection(otherDataset)	返回一个包含源数据集和参数中的元素交集的新RDD
distinct([numTasks]))	返回包含源数据集的不同元素的新数据集	去重元素
groupByKey([numTasks])	当在（K，V）对的数据集上调用时，返回（K，Iterable ）对的数据集。注意：如果要进行分组以便对每个键执行聚合（例如总和或平均值），使用reduceByKey或aggregateByKey将产生更好的性能。注意：默认情况下，输出中的并行性级别取决于父RDD的分区数。 您可以传递可选的numTasks参数，以设置不同数量的任务。
reduceByKey(func, [numTasks])	当在（K，V）对的数据集上调用时，返回（K，V）对的数据集，其中使用给定的reduce函数func聚集每个键的值，其必须是类型（V，V）=> V.像groupByKey一样，reduce任务的数量可以通过可选的第二个参数来配置
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks])	当在（K，V）对的数据集上调用时，返回（K，U）对的数据集，其中使用给定的组合函数和中性“零”值来聚合每个键的值。 允许与输入值类型不同的聚合值类型，同时避免不必要的分配。 像groupByKey中一样，reduce任务的数量可以通过可选的第二个参数来配置
sortByKey([ascending], [numTasks])	当对（K，V）对的数据集（其中K实现Ordered）调用时，返回按升序或降序按键排序的（K，V）对的数据集，如布尔值升序参数中所指定。
join(otherDataset, [numTasks])	当对类型（K，V）和（K，W）的数据集调用时，返回具有每个键的所有元素对的（K，（V，W））对的数据集。 外部联接通过leftOuterJoin，rightOuterJoin和fullOuterJoin支持
cogroup(otherDataset, [numTasks])	当对类型（K，V）和（K，W）的数据集调用时，返回（K，（Iterable ，Iterable ））元组的数据集。 此操作也称为groupWith。
cartesian(otherDataset)	当调用类型T和U的数据集时，返回（T，U）对（所有元素对）的数据集
pipe(command, [envVars])	通过shell命令管道RDD的每个分区，例如。 一个Perl或bash脚本。 RDD元素被写入进程的stdin，并且行输出到其stdout作为字符串的RDD返回
coalesce(numPartitions)	将RDD中的分区数减少到numPartitions。 用于在过滤掉大型数据集后更有效地运行操作
repartition(numPartitions)	随机重新刷新RDD中的数据以创建更多或更少的分区，并在它们之间进行平衡。 这总是在网络上刷新所有数据
repartitionAndSortWithinPartitions(partitioner)	根据给定的分区器重新分区RDD，并在每个生成的分区中按其键排序记录。 这比调用重新分区然后在每个分区内排序更有效，因为它可以将排序推入shuffle机器

下面表格列除了Spark支持的一下常用Actions ：

动作（Action）	说明
reduce(func)	使用函数func（它接受两个参数并返回一个）聚合数据集的元素。 函数应该是可交换和关联的，以便它可以被并行正确计算
collect()	在驱动程序中将数据集的所有元素作为数组返回。 这在返回足够小的数据子集的过滤器或其他操作之后通常是有用的
count()	返回数据集中的元素数
first()	返回数据集的第一个元素,类似于take(1)
take(n)	返回数组中前n个元素的数组
takeSample(withReplacement, num, [seed])	返回具有数据集的num个元素的随机样本的数组，具有或不具有替换，可选地预指定随机数生成器种子
takeOrdered(n, [ordering])	使用它们的自然顺序或自定义比较器返回RDD的前n个元素将数据集的元素作为文本文件（或一组文本文件）写入本地文件系统，HDFS或任何其他Hadoop支持的文件系统中的给定目录中。 Spark将对每个元素调用toString将其转换为文件中的一行文本
saveAsSequenceFile(path) (Java and Scala)	将数据集的元素作为Hadoop SequenceFile写入本地文件系统，HDFS或任何其他Hadoop支持的文件系统中的给定路径中。 这可以在实现Hadoop的Writable接口的键值对的RDD上使用。 在Scala中，它也可以隐式转换为Writable的类型（Spark包括基本类型的转换，如Int，Double，String等）
saveAsObjectFile(path) (Java and Scala)	使用Java序列化以简单的格式编写数据集的元素，然后可以使用SparkContext.objectFile()加载
countByKey()	仅适用于（K，V）类型的RDD。 返回具有每个键的计数的（K，Int）对的哈希
foreach(func)	对数据集的每个元素运行函数func。 这通常会有其他影响，例如更新累加器或与外部存储系统交互。注意：修改除foreach（）之外的累加器以外的变量可能会导致未定义的行为

最后

参考：http://spark.apache.org/docs/latest/programming-guide.html