sample 算子_Spark算子、核心RDD、初始

女爷i 2023-01-03 11:25 238阅读 0赞

## **1.** **Spark初始** ##

**1. 什么是Spark**

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行计算框架，Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

Spark是Scala编写，方便快速编程。

**2. 总体技术栈讲解**

![3140077ddc164783baf2522de6583707.png][]

**3. Spark与MapReduce的区别**

都是分布式计算框架，Spark基于内存，MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上，Spark中除了基于内存计算外，还有DAG有向无环图来切分任务的执行先后顺序。

**4. Spark运行模式**

Local

多用于本地测试，如在eclipse，idea中写程序测试等。

Standalone

Standalone是Spark自带的一个资源调度框架，它支持完全分布式。

Yarn

Hadoop生态圈里面的一个资源调度框架，Spark也是可以基于Yarn来计算的。

Mesos

资源调度框架。

要基于Yarn来进行资源调度，必须实现AppalicationMaster接口，Spark实现了这个接口，所以可以基于Yarn。

--------------------

## **2.** **SparkCore** ##

**1. RDD**

概念

RDD(Resilient Distributed Dateset)，弹性分布式数据集。

RDD的五大特性：

1. RDD是由一系列的partition组成的。

2. 函数是作用在每一个partition（split）上的。

3. RDD之间有一系列的依赖关系。

4. 分区器是作用在K,V格式的RDD上。

5. RDD提供一系列最佳的计算位置。

RDD理解图:

![7f7596107d730fd64882b3c54e7df701.png][]

注意：

textFile方法底层封装的是读取MR读取文件的方式，读取文件之前先split，默认split大小是一个block大小。

**RDD实际上不存储数据，这里方便理解，暂时理解为存储数据。**

**什么是K,V格式的RDD?**

如果RDD里面存储的数据都是二元组对象，那么这个RDD我们就叫做K,V格式的RDD。

**哪里体现RDD的弹性（容错）？**

partition数量，大小没有限制，体现了RDD的弹性。

RDD之间依赖关系，可以基于上一个RDD重新计算出RDD。

**哪里体现RDD的分布式？**

RDD是由Partition组成，partition是分布在不同节点上的。

RDD提供计算最佳位置，体现了数据本地化。体现了大数据中“计算移动数据不移动”的理念。

**2. Spark任务执行原理**

![75836bffa6474d2b1690ca3c04a1b3b7.png][]

以上图中有四个机器节点，Driver和Worker是启动在节点上的进程，运行在JVM中的进程。

Driver与集群节点之间有频繁的通信。

Driver负责任务(tasks)的分发和结果的回收。任务的调度。如果task的计算结果非常大就不要回收了。会造成oom。

Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM进程。

Master是Standalone资源调度框架里面资源管理的主节点。也是JVM进程。

**1. Spark代码流程**

1. 创建SparkConf对象

可以设置Application name。

可以设置运行模式及资源需求。

2. 创建SparkContext对象

3. 基于Spark的上下文创建一个RDD，对RDD进行处理。

4. 应用程序中要有Action类算子来触发Transformation类算子执行。

关闭Spark上下文对象SparkContext。

**2. Transformations转换算子**

概念：

Transformations类算子是一类算子（函数）叫做转换算子，如map,flatMap,reduceByKey等。

Transformations算子是延迟执行，也叫懒加载执行。

## Transformation类算子： ##

**filter：**

过滤符合条件的记录数，true保留，false过滤掉。

**map：**

将一个RDD中的每个数据项，通过map中的函数映射变为一个新的元素。

特点：输入一条，输出一条数据。

**flatMap:**

先map后flat。与map类似，每个输入项可以映射为0到多个输出项。

**sample:**

随机抽样算子，根据传进去的小数按比例进行又放回或者无放回的抽样。

**reduceByKey:**

将相同的Key根据相应的逻辑进行处理。

**sortByKey/sortBy:**

作用在K,V格式的RDD上，对key进行升序或者降序排序。

**5. Action行动算子**

概念：

Action类算子也是一类算子（函数）叫做行动算子，如foreach,collect，count等。Transformations类算子是延迟执行，Action类算子是触发执行。一个application应用程序中有几个Action类算子执行，就有几个job运行。

**Action类算子:**

**count:**

返回数据集中的元素数。会在结果计算完成后回收到Driver端。

**take(n):**

返回一个包含数据集前n个元素的集合。

**first:**

first=take(1),返回数据集中的第一个元素。

**foreach:**

循环遍历数据集中的每个元素，运行相应的逻辑。

**collect:**

将计算结果回收到Driver端。

**6. 控制算子**

概念：

控制算子有三种，cache,persist,checkpoint，以上算子都可以将RDD持久化,持久化的单位是partition。

cache和persist都是懒执行的。

必须有一个action类算子触发执行。

checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关系。

cache:

默认将RDD的数据持久化到内存中,cache是懒执行。

注意：chche () = persist()=persist(StorageLevel.Memory\_Only)

测试cache文件：

文件：见“NASA\_access\_log\_Aug95”文件。

测试代码：

SparkConf conf = new SparkConf();
     conf.setMaster("local").setAppName("CacheTest");
     JavaSparkContext jsc = new JavaSparkContext(conf);
     JavaRDD<String> lines = jsc.textFile("./NASA_access_log_Aug95");
     
     lines = lines.cache();
     long startTime = System.currentTimeMillis();
     long count = lines.count();
     long endTime = System.currentTimeMillis();
     System.out.println("共"+count+ "条数据，"+"初始化时间+cache时间+计算时间="+ 
     (endTime-startTime));
      
     long countStartTime = System.currentTimeMillis();
     long countrResult = lines.count();
     long countEndTime = System.currentTimeMillis();
     System.out.println("共"+countrResult+ "条数据，"+"计算时间="+ (countEndTime-
     countStartTime));
      
     jsc.stop();

persist：

可以指定持久化的级别。最常用的是MEMORY\_ONLY和MEMORY\_AND\_DISK。

”\_2”表示有副本数。

持久化级别如下：

![f854ab4e23473fde450923648b67870b.png][]

**cache和persist的注意事项：**

1. cache和persist都是懒执行，必须有一个action类算子触发执行。

2. cache和persist算子的返回值可以赋值给一个变量，在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。

3. cache和persist算子后不能立即紧跟action算子。

4. cache和persist算子持久化的数据当applilcation执行完成之后会被清除。

错误：rdd.cache().count() 返回的不是持久化的RDD，而是一个数值了。

checkpoint

checkpoint将RDD持久化到磁盘，还可以切断RDD之间的依赖关系。

checkpoint目录数据当application执行完之后不会被清除。

checkpoint 的执行原理：

1.当RDD的job执行完毕后，会从finalRDD从后往前回溯。

2. 当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一个标记。

3. Spark框架会自动启动一个新的job，重新计算这个RDD的数据，将数据持久化到HDFS上。

优化：对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步。

使用：

SparkConf conf = new SparkConf();
     conf.setMaster("local").setAppName("checkpoint");
     JavaSparkContext sc = new JavaSparkContext(conf);
     sc.setCheckpointDir("./checkpoint");
     JavaRDD<Integer> parallelize = sc.parallelize(Arrays.asList(1,2,3));
     parallelize.checkpoint();
     parallelize.count();
    sc.stop();

[3140077ddc164783baf2522de6583707.png]: /images/20221119/8a6c82cff1354522a6e731113ba71159.png
[7f7596107d730fd64882b3c54e7df701.png]: /images/20221119/af76ae5669f44ae68362ca6b6c48e98d.png
[75836bffa6474d2b1690ca3c04a1b3b7.png]: /images/20221119/f14f0b6cbe8346b1a05042bf9cd6125b.png
[f854ab4e23473fde450923648b67870b.png]: /images/20221119/ff31ac707ac9457b94e52c45c9314eeb.png