大数据之Spark简介及RDD说明

╰+攻爆jí腚メ 2022-05-26 22:09 176阅读 0赞

*  目录
 *  前言：
 *  1、Spark概述
    
     *  1.1、什么是Spark（官网：http://spark.apache.org）
     *  1.2、为什么要学Spark
     *  1.3、Spark特点
 *  2、RDD概述
    
     *  2.1、什么是RDD
     *  2.2、RDD的属性
     *  2.3、创建RDD的两种方式
     *  2.4、RDD编程API
     *  2.5、RDD的依赖关系
     *  2.6、RDD的缓存
     *  2.7、DAG的生成
 *  总结：

# 目录 #

# 前言： #

本篇文章只是简单介绍下Spark，然后对Spark的RDD在做一个全面的介绍。由于博主知识有限，这里只是做一个简单的介绍。若有些地方有问题，请大家及时指出。后续随着深入的学习，会再进一步总结自己的学习成果。

# 1、Spark概述 #

## 1.1、什么是Spark（官网：[http://spark.apache.org][http_spark.apache.org]） ##

![这里写图片描述][70]  
Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，2010年开源，2013年6月成为Apache孵化项目，**2014年2月成为Apache顶级项目**。目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含**SparkSQL、Spark Streaming、GraphX、MLlib等子项目**，**Spark是基于内存计算的大数据并行计算框架**。**Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群**。Spark得到了众多大数据公司的支持，这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于凤巢、大搜索、直达号、百度大数据等业务；阿里利用GraphX构建了大规模的图计算和图挖掘系统，实现了很多生产系统的推荐算法；腾讯Spark集群达到8000台的规模，是当前已知的世界上最大的Spark集群。

## 1.2、为什么要学Spark ##

**中间结果输出：基于MapReduce的计算引擎通常会将中间结果输出到磁盘上，进行存储和容错。**出于任务管道承接的，考虑，当一些查询翻译到MapReduce任务时，往往会产生多个Stage，而这些串联的Stage又依赖于底层文件系统（如HDFS）来存储每一个Stage的输出结果  
**Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生态系统，以弥补MapReduce的不足。**

## 1.3、Spark特点 ##

**1.3.1、快**  
**与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上**。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。  
![这里写图片描述][70 1]  
**1.3.2、易用**  
Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。  
![这里写图片描述][70 2]  
**1.3.3、通用**  
Spark提供了统一的解决方案。**Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）**。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。  
**1.3.4、兼容性**  
Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。  
![这里写图片描述][70 3]

# 2、RDD概述 #

## 2.1、什么是RDD ##

RDD（Resilient Distributed Dataset）叫做分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。

## 2.2、RDD的属性 ##

![这里写图片描述][70 4]

1.  **一组分片（Partition）**，即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。**默认值就是程序所分配到的CPU Core的数目。**
2.  **一个计算每个分区的函数。Spark中RDD的计算是以分片为单位的**，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。
3.  **RDD之间的依赖关系。*\*RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。***在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。\*
4.  **一个Partitioner，即RDD的分片函数**。当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。
5.  **一个列表，存储存取每个Partition的优先位置（preferred location）。**对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。**按照“移动数据不如移动计算”的理念**，Spark在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

## 2.3、创建RDD的两种方式 ##

1.  由一个已经存在的Scala集合创建。  
    val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))
2.  由外部存储系统的数据集创建，包括本地的文件系统，还有所有Hadoop支持的数据集，比如HDFS、Cassandra、HBase等  
    val rdd2 = sc.textFile(“hdfs://node1.itcast.cn:9000/words.txt”)

## 2.4、RDD编程API ##

**2.4.1、Transformation**  
RDD中的所有转换都是延迟加载的，也就是说，它们并不会直接计算结果。相反的，它们只是记住这些应用到基础数据集（例如一个文件）上的转换动作。只有当发生一个要求返回结果给Driver的动作时，这些转换才会真正运行。这种设计让Spark更加有效率地运行。

**常用的Transformation：**

转换                               含义
    map(func) 返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成 filter(func) 返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成 flatMap(func) 类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素） mapPartitions(func) 类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U] mapPartitionsWithIndex(func) 类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U] sample(withReplacement, fraction, seed) 根据fraction指定的比例对数据进行采样，可以选择是否使用随机数进行替换，seed用于指定随机数生成器种子 union(otherDataset) 对源RDD和参数RDD求并集后返回一个新的RDD intersection(otherDataset) 对源RDD和参数RDD求交集后返回一个新的RDD distinct([numTasks])) 对源RDD进行去重后返回一个新的RDD groupByKey([numTasks]) 在一个(K,V)的RDD上调用，返回一个(K, Iterator[V])的RDD reduceByKey(func, [numTasks]) 在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，与groupByKey类似，reduce任务的个数可以通过第二个可选的参数来设置 aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]) sortByKey([ascending], [numTasks]) 在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD sortBy(func,[ascending], [numTasks]) 与sortByKey类似，但是更灵活 join(otherDataset, [numTasks]) 在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD cogroup(otherDataset, [numTasks]) 在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable<V>,Iterable<W>))类型的RDD cartesian(otherDataset) 笛卡尔积 pipe(command, [envVars]) coalesce(numPartitions) repartition(numPartitions) repartitionAndSortWithinPartitions(partitioner)

**2.4.2、 Action**

动作                        含义
    reduce(func) 通过func函数聚集RDD中的所有元素，这个功能必须是课交换且可并联的 collect() 在驱动程序中，以数组的形式返回数据集的所有元素 count() 返回RDD的元素个数 first() 返回RDD的第一个元素（类似于take(1)） take(n) 返回一个由数据集的前n个元素组成的数组 takeSample(withReplacement,num, [seed]) 返回一个数组，该数组由从数据集中随机采样的num个元素组成，可以选择是否用随机数替换不足的部分，seed用于指定随机数生成器种子 takeOrdered(n, [ordering]) saveAsTextFile(path) 将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本 saveAsSequenceFile(path) 将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。 saveAsObjectFile(path) countByKey() 针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。 foreach(func) 在数据集的每一个元素上，运行函数func进行更新。

## 2.5、RDD的依赖关系 ##

RDD和它依赖的父RDD（s）的关系有两种不同的类型，即窄依赖（narrow dependency）和宽依赖（wide dependency）。  
**2.5.1、窄依赖**  
窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用  
总结：窄依赖我们形象的比喻为独生子女  
**2.5.2、宽依赖**  
宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition  
总结：宽依赖我们形象的比喻为超生  
![这里写图片描述][70 5]

## 2.6、RDD的缓存 ##

Spark速度非常快的原因之一，就是**在不同操作中可以在内存中持久化或缓存个数据集**。**当持久化某个RDD后，每一个节点都将把计算的分片结果保存在内存中**，**并在对此RDD或衍生出的RDD进行的其他动作中重用**。这使得后续的动作变得更加迅速。RDD相关的持久化和缓存，是Spark最重要的特征之一。可以说，缓存是Spark构建迭代式算法和快速交互式查询的关键。  
**2.6.1、RDD缓存方式**  
RDD通过persist方法或cache方法可以将前面的计算结果缓存，但是并不是这两个方法被调用时立即缓存，而是触发后面的action时，该RDD将会被缓存在计算节点的内存中，并供后面重用。  
![这里写图片描述][70 6]  
通过查看源码发现cache最终也是调用了persist方法，默认的存储级别都是仅在内存存储一份，Spark的存储级别还有好多种，存储级别在object StorageLevel中定义的。  
![这里写图片描述][70 7]  
缓存有可能丢失，或者存储存储于内存的数据由于内存不足而被删除，RDD的缓存容错机制保证了即使缓存丢失也能保证计算的正确执行。**通过基于RDD的一系列转换，丢失的数据会被重算，由于RDD的各个Partition是相对独立的，因此只需要计算丢失的部分即可，并不需要重算全部Partition。**

## 2.7、DAG的生成 ##

**DAG(Directed Acyclic Graph)叫做有向无环图**，原始的RDD通过一系列的转换就就形成了DAG，根据RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在Stage中完成计算。**对于宽依赖，由于有Shuffle的存在，只能在parent RDD处理完成后**，才能开始接下来的计算，因此宽依赖是划分Stage的依据。  
![这里写图片描述][70 8]

# 总结： #

关于本篇文章，你需要了解以下几个知识点：  
1、Spark是什么、用来干什么的、有什么特点。  
2、RDD是什么、常用的RDD有哪些对应的作用是什么、RDD的依赖关系有哪些。  
3、DAG是什么。

[http_spark.apache.org]: http://spark.apache.org
[70]: /images/20220527/35ca72532b1946b4bdb1e72a874439b8.png
[70 1]: /images/20220527/f815ead015ab43ca889b901df3b8ff92.png
[70 2]: /images/20220527/8b2d0fac434e4d0eb5456f6deeaf2b45.png
[70 3]: /images/20220527/05ee71db84ce4b5cac45e74784216307.png
[70 4]: /images/20220527/2bbb8ac6af324bd6a98db3d863a43e98.png
[70 5]: /images/20220527/9ea43c4df8b946bfa8a9c2dd8625d709.png
[70 6]: /images/20220527/239540b3fd8a426f9f9859dd084ccb81.png
[70 7]: /images/20220527/b3638536fb324ae4b39483279515fa55.png
[70 8]: /images/20220527/51e2dc3a3dda4ea3a515d0ab409ec506.png