Spark基础与Java Api介绍

原文引自：http://blog.csdn.net/u011497897/article/details/71440323

一、Spark简介

　　1、什么是Spark

　　　　发源于AMPLab实验室的分布式内存计算平台，它克服了MapReduce在迭代式计算和交互式计算方面的不足。

　　　　相比于MapReduce，Spark能充分利用内存资源提高计算效率。

　　2、Spark计算框架

　　　　Driver程序启动很多workers,然后workers在（分布式）文件系统中读取数据后转化为RDD（弹性分布式数据集），最后对RDD在内存中进行缓存和计算

3、为什么Spark计算速度快

　　　　（1）内存计算

　　　　（2）优化执行计划

 　　4、Spark Api语言支持

　　　　（1）Scala

　　　　（2）Java

　　　　（3）Python

　　5、怎么运行Spark

　　　　Local本地模式、Spark独立集群、Mesos、Yarn-Standalone、Yarn-Client

二、编程模型

　　1、RDD（弹性分布式数据集）是什么

　　　　只读的、分块的数据记录集合

　　　　可以通过读取来不同存储类型的数据进行创建、或者通过RDD操作生成（map、filter操作等）

　　　　使用者只能控制RDD的缓存或者分区方式

　　　　RDD的数据可以有多种类型存储方式(可（序列化）存在内存或硬盘中) 

2、RDD 存储类型 

　　　　RDD可以设置不同类型存储方式，只存硬盘、只存内存等。

3、RDD操作

　　　　Transformation：根据已有RDD创建新的RDD数据集build

　　　　Action：在RDD数据集运行计算后，返回一个值或者将结果写入外部存储

4、RDD如何创建

　　　　

　　　首先创建JavaSparkContext对象实例sc

        JavaSparkContext  sc = new JavaSparkContext("local","SparkTest");

  　　接受2个参数：

  　　　　第一个参数表示运行方式（local、yarn-client、yarn-standalone等）

  　　　　第二个参数表示应用名字

       直接从集合转化 sc.parallelize(List(1,2,3,4,5,6,7,8,9,10))

　　从HDFS文件转化 sc.textFile("hdfs://")

　　从本地文件转化 sc.textFile("file:/")

　　下面例子中list2就是根据data2List生成的一个RDD

 

根据文件或者集合生成RDD后，接着就可以通过RDD的Transformation操作来完成对数据的各种转化操作

　　常用的map、flatMap、filter操作都是对单元素的操作

　　常用的groupByKey、join都是对（key、value）类型元素操作

5、RDD操作例子Java Api

　　（1）map

　　　　map操作对数据集每行数据执行函数里面操作

　　　　list1数据集("a,b,c,d,e")，("1,2,3,4,5"); 

执行结果：对list1数据集每行数据用","进行切分

2）flatMap

　　　　　　flatMap相比于map操作，它对每行数据操作后会生成多行数据，而map操作只会生成一行。

执行结果：对list1数据集每行数据用","进行切分

3）filter

　　　　　filter对每行数据执行过滤操作，返回true则保留，返回false则过滤该行数据

执行结果：过滤list1数据集中包含‘a’字符的行

 

4）union

　　　　　　union操作对两个RDD数据进行合并。与SQL中的union一样

　　　　　　list2数据集("11,22,33,44,55")，("aa,bb,cc,dd,ee"); 

执行结果：合并list1与list2数据集

（5）groupByKey

　　　　　　groupByKey对pair中的key进行group by操作

　　　　　　pair1RDD数据集("a,1"),("b,2"),("a,3"),("b,4")

执行结果：对pair1RDD数据集按key进行group by

 

（6）reduceByKey

　　　　　　reduceByKey对pair中的key先进行group by操作，然后根据函数对聚合数据后的数据操作

执行结果：先group by操作后进行concat

 

（7）mapValues

　　　　　　mapValues操作对pair中的value部分执行函数里面的操作

执行结果：对pair1RDD中value部分加上test字符串

 

8）join

　　　　　　join与sql中join含义一致，将两个RDD中key一致的进行join连接操作

　　　　　　pair2RDD数据集("a,11"),("b,22"),("a,13"),("c,4")

执行结果：对pair1RDD与pair2RDD按key进行join

（9）cogroup

　　　　　　cogroup对两个RDD数据集按key进行group by，并对每个RDD的value进行单独group by

执行结果：对pair1RDD与pair2RDD按key进行cogroup

6、RDD数据如何输出

　　　　使用RDD的Transformation对数据操作后，需要再使用Action操作才能将结果数据输出

　　　　可以分别使用count、collect、save等操作来输出或统计RDD结果

　　

7、RDD Action实例

执行结果：

  　　　　count：统计输出数据行数

collect：输出所有输出数据

save：保存输出数据至外部存储

 

7、WordCount实例   

 执行结果：

8、广播变量& 累加器

　　　　Broadcast variables（广播变量） 

　　　　　　广播变量，类似于hadoop中的distribute cache，将同一份数据分发至每台机器。

　　　　Accumulators（累加器）

　　　　　　类似于MapReduce中的counter，用于计数

 

三、调度机制

　　1、DAG Scheduler

　　　　为每个job分割stage，同时会决定最佳路径，并且DAG Scheduler会记录哪个RDD或者stage的数据被checkpoint，从而找到最优调度方案　　　                                      （transformations是延迟执行的原因）

2、DAG Scheduler优化

　　　　单个Stage内Pipeline执行

　　　　基于分区选择合适的join算法最小化shuffle

　　　　重用已经cache过的数据

　　3、窄依赖& 宽依赖

　　　　窄依赖：每个子分区只依赖有限数目的父分区 

　　　　宽依赖：每个子分区只依赖所有的父分区

4、Stage

　　　　调度器会在产生宽依赖的地方形成一个stage，同一个stage内的RDD操作会流式执行，不会发生数据迁移。

rdd join操作属于宽依赖，从spark产生的日志可以看出需要分3个stage执行

rdd flatMap、Map操作属于窄依赖，从spark产生的日志可以看出需要分1个stage执行

5、Shuffle

　　　　每个RDD都可以选择Partitioner进行shuffle操作

　　　　任何在两个RDD上的shuffle操作，将选择其中一个RDD的Partitioner作为标准。如果两个RDD都没有设置Partitioner的话，就使用默认的HashPartitioner

　　　　shuffle需要在node之间移动数据，会影响spark执行效率，应该尽量避免RDD操作中发生shuffle。