spark笔记

spark on yarn

yarn client :适用于交互和调试

1.Driver在任务提交机器上执行

2.ApplicationMaster只负责向ResourceManager申请executor需要的资源

3.基于yarn时，spark-shell和pyspark必须要使用yarn-client模式

yarn cluster:适用于生产环境

spark核心

1.Spark基于弹性分布式数据集（RDD)模型，具有良好的通用性、容错性与并行处理数据的能力

2.RDD(ResilientDistributedDataset):弹性分布式数据集（相当于集合），它的本质是数据集的描述（只读的、可分区的分布式数据集），而不是数据集本身

3.RDD的关键特征：

• RDD使用户能够显式将计篇结果保存在内存中，控制数据的划分，并使用更丰富的操作集合来处理
• 使用更丰富的操作来处理，只读（由一个RDD变换得到另一个RDD,但是不能对本身的RDD修改）
• 记录数据的变换而不是数据本身保证容错（lineage)

1. 通常在不同机器上备份数据或者记录数据更新的方式完成容错，但这种对任务密集型任务代价很高
2. RDD采用数据应用变换(map.filter.join)，若部分数据丟失，RDD拥有足够的信息得知这部分数据是如何计算得到的，可通过重新计算来得到丟失的数据
3. 这种恢复数据方法很快，无需大量数据复制操作，可以认为Spark是基于RDD模型的系统

• 懒操作，延迟计算，action的时候才操作
• 瞬时性，用时才产生，用完就释放

官网文档练习

由于spark默认从hdfs读取文件，所以官方实例中会报错：

解决办法，在读取文件的时候指定从本地文件路径读取：

还有读取多文件的api是wholeTextFiles。

textFile与wholeTextFiles