Spark-day01

 

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。

   1. 总体技术栈讲解

      

   2. Spark演变历史
   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。

1. 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。

1. 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:

• 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。

1. Spark任务执行原理

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。

1. 创建SparkContext对象
2. 基于Spark的上下文创建一个RDD，对RDD进行处理。
3. 应用程序中要有Action类算子来触发Transformation类算子执行。
4. 关闭Spark上下文对象SparkContext。

1. 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。

1. 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。

• 思考：一千万条数据量的文件，过滤掉出现次数多的记录，并且其余记录按照出现次数降序排序。

  文件：

代码：

1. 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：

• 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。

   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 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();

 

1. 集群搭建以及测试
   1. 搭建

• Standalone

1).下载安装包，解压

2).改名

3).进入安装包的conf目录下，修改slaves.template文件，添加从节点。保存。

4).修改spark-env.sh

SPARK_MASTER_IP:master的ip

SPARK_MASTER_PORT:提交任务的端口，默认是7077

SPARK_WORKER_CORES：每个worker从节点能够支配的core的个数

SPARK_WORKER_MEMORY:每个worker从节点能够支配的内存数

5).同步到其他节点上

6).启动集群

进入sbin目录下，执行当前目录下的./start-all.sh

7).搭建客户端

将spark安装包原封不动的拷贝到一个新的节点上，然后，在新的节点上提交任务即可。

注意：

• 8080是Spark WEBUI界面的端口，7077是Spark任务提交的端口。
• 修改master的WEBUI端口：
  • 修改start-master.sh即可。

  

  • 也可以在Master节点上导入临时环境变量，只是作用于之后的程序，重启就无效了。

  

  删除临时环境变量：

  

• yarn

  1). 1，2，3，4，5，7步同standalone。

  2).在客户端中配置：

  

1. 测试

   PI案例：

   

   Standalone提交命令：

./spark-submit

--master spark://node1:7077

--class org.apache.spark.examples.SparkPi ../lib/spark-examples-1.6.0-hadoop2.6.0.jar 10000

 

YARN提交命令：

./spark-submit

--master yarn

--class org.apache.spark.examples.SparkPi ../lib/spark-examples-1.6.0-hadoop2.6.0.jar 10000