spark 基础

scala版 ，基本名词概念及 rdd的基本创建及使用

var conf = new SparkConf()

var sc: SparkContext = new SparkContext(conf)

val rawRDDA = sc.parallelize(List("!! bb ## cc","%% cc bb %%","cc && ++ aa"),3) 

           

# sc.parallelize(,3)  将数据并行加载到三台机器上

var tmpRDDA1 = rawRDDA.flatMap(line=>line.split(" "))

var tmpRDDA2 = tmpRDDA1.filter(allWord=>{allWord.contains("aa") || allWord.contains("bb")})

var tmpRDDA3 = tmpRDDA2.map(word=>(word,1))

import org.apache.spark.HashPartitioner

var tmpRDDA4 = tmpRDDA.partitionBy(new HashPartitioner(2)).groupByKey()

#partitionBy(new HashPartitioner(2)).groupByKey  将之前的3台机器Shuffle成两台机器

var tmpResultRDDA = tmpRDDA4.map((P:(String,Iterable[Int]))=>(P._1,P._2.sum))

#对相同的key的value进行求和

Partition :某机上一个固定数据块 ， 一系列相关Partition组合为一个RDD  。

                如tmpRDDA2拥有3个Partition ,而 tmpResultRDDA拥有两个Partition

RDD :数据统一操作所在地， 代码中任意一个操作（如faltMap,filter,map), RDD内的所有Partition都会执行

          如在rawRDDA->tmpRDDA1时 ，执行flatMap(line=>line.split(" "))，则rawRDD 的三个Partition (分别为 cslave0上的“!! bb ## cc”,

          cslave1上的“-- cc bb $$”和cslave2上的“cc ^^ ++ aa”都要执行flatMap操作）

RDD 是数据并行化所在地 ，隶属于某RDD的所有Partition都要执行相同操作，当这些Partition存在于不同机器，就会由不同机器同时执 

        行，也就是并行执行

RDD并行化范式主要有Map和Shuffle

        Map 范式 ：只对本Partition上的数据进行操作， 操作的数据对象不跨越多个Partition,即不跨越网络 。

        Shuffle范式 ： 对不同Partition上的数据进行重组，其操作的数据对象跨越多个甚至是所有Partition ,即跨越网络

场景 ：多输入源

两个原始文件rawFile1 和 rawFile2,要求将rawFile1的内容均匀加载到cslave3,cslave4上，接着对rawFile1进行数据去重，

要求将rawFile2加载到cslave5，然后将rawFile1的处理结果中 去掉rawFile2中所含的条目 

var conf = new SparkConf()

var sc: SparkContext = new SparkContext(conf)

var rawRDDB = sc.parallelize(List(("xx",99),("yy",88),("xx",99),("zz",99)),2)

var rawRDDC = sc.parallelize(List(("yy",88)),1)

var tmpResultRDDBC = rawRDDB.distinct.subtract(rawRDDC)

subtract()就是两个RDD相减，而这两个RDD来自不同的输入文件

       

场景：复杂情况

初始化多个rdd,相互取并集或差集

多输入源，去重，装换，再合并

var conf = new SparkConf()

var sc:SparkContext = new SparkContext(conf)

var rawRDDA = sc.parallelize(List("!! bb ## cc","%% cc bb %%","cc && ++ aa"),3)

var rawRDDB = sc.paralleliz(List(("xx,99),("yy",88),("xx",99),("zz",99)),2)

var rawRDDC = sc.parallelize(List(("yy",88)),1)

import org.apache.spark.HashPartitioner

var tmpResultRDDA = rawRDDA.flatMap(line=>line.split(" ")).filter(allWord=>{allWord.contains("aa")||allWord.contains("bb")}).map(word=>(word,1)).partitionBy(new HashPartitioner(2)).groupByKey().map((P:String,Iterable[Int]))=>(P._1,P._2.sum))

var tmpResultRDDBC = rawRDDB.distinct.subtract(rawRDDC)

var resultRDDABC = tmpResultRDDA.union(tmpResultRDDBC)

resultRDDABC.saveAsTextFile("HDFS路径")

map范式作用于RDD时，不会改变前后两个RDD内Partition数量， 当partitionBy,union作用于RDD时，会改变前后两个RDD内Partition数量

RDD持久化到HDFS时，RDD对应一个文件夹，属于该RDD的每个Partition对应一个独立文件

RDD之间的中间数据不存入本地磁盘或HDFS

RDD的多个操作可以用点‘.’连接，如 RDD1.map().filter().groupBy()

RDD可以对指定的某个Partition进行操作，而不更改其他Partition

Spark-app执行流程：
1.用户调用RDD API接口，编写rdd转换应用代码

2.使用spark提交job到Master

3.Master收到job，通知各个Worker启动Executor

4.各个Executor向Driver注册 （用户编写的代码和提交任务的客户端统一称Driver）

5.RDD Graph将用户的RDD串组织成DAG-RDD

6.DAGSchedule 以Shuffle为原则（即遇Shuffle就拆分）将DAG-RDD拆分成一系列StageDAG-RDD(StageDAG-RDD0->StageDAG-RDD1->StageDAG-rdd2->...)

7.RDD通过访问NameNode,将DataNode上的数据块装入RDD的Partition

8.TaskSchedule将StageDAG-RDD0发往隶属于本RDD的所有Partition执行，在Partition执行过程中，Partition上的Executor优先执行本Partition.

9.TaskSchedule将StageDAG-RDD1发往隶属于本RDD（已改变）的所有Partition执行

10.重复上面8,9步的步骤，直至执行完所有Stage-DAG-RDD

资源隔离性

每个执行的Spark-APP都有自己一系列的Executor进程（分布在不同的机器上或内核上），这些Executor会协作完成该任务。

单个Executor会以多线程复用方式运行该Spark-APP分配来的所有Task .

一个Executor只属于一个Spark-APP，一个Spark-APP可以有多个Executor

这与MapReduce不同。  比如某个由Map->Reduce1->Reduce2构成的ML-App,有十个Slave同时执行该任务，从某一个slave机器上来看，

MapReduce框架执行时会启动Map进程，Reduce1进程，Reduce2进程，三个进程顺序执行该任务

而Spark则使用一个Executor进程完成这四个操作。

spark-APP本身感知不到集群的存在