Spark 分布式计算原理

Spark 分布式计算原理

Spark Shuffle

1）在数据之间重新分配数据
2）(将父RDD重新定义进入子RDD）每一个分区里面的数据要重新进入新的分区
3）每一个shuffle阶段尽量保存在内存里面，如果保存不下到磁盘
4）在每个shuffle阶段不会改变分区的数量

RDD的依赖关系-1（lineage）

1) 宽依赖：一个夫RDD的分区被子RDD的多个分区使用
发生宽依赖一定shuffle（）
(相当于超生)
2) 窄依赖：一个父RDD的分区被子RDD的一个分区使用

RDD的依赖关系-2（lineage）？？ 宽依赖对比窄依赖

DAG工作原理

• 根据RDD之间的依赖关系，形成一个DAG（有向无环）

1）从后往前，遇到宽依赖切割为新的Stage
2）每个Stage由分区一组并行的Task组成
每个Task共享归类内存，堆外内存Task数据在进行交换
提前聚合，避免shuffle,将数据先进行去重

RDD持久化-1

cache:

• 间数据写入缓存
• cache（）不能再有其他的算子

val rdd=sc.makeRDD(1 to 10)
val rdd2=rdd.map(x=>{println(x);x}
rdd2.cache
rdd2.collect

RDD共享变量-1

• 广播变量（要定义的是Array）

val rdd=sc.makeRDD(1 to 10)
val j=sc.broadcast(Array(0))
rdd.map(x=>{j.value(0)=j.value(0)+1;println(j.value(0));x}).collect

RDD共享变量-2

• 累加器：只允许added操作，常用于实现计数

val accum = sc.accumulator(0,"My Accumulator")
sc.parallelize(Array(1,2,3,4)).foreach(x=>accum+=x)
accum.value

RDD分区设计

• 分区大小限制为2GB

分区太小
1）分区承担的责任越大，内存压力越大
分区过多
1）shuffle开销越大
2）创建任务开销越大

装载CSV数据源

方法一：使用SparkContext
System.setProperty("hadoop.home.dir", "D:\hadoop-2.7.3")//防止hadoop报错
  val conf=new SparkConf()
    .setMaster("local[2]")
    .setAppName("hello")
    val sc=SparkContext.getOrCreate(conf)
val lines = sc.textFile("file:///d:/users.csv")
val fields = lines.mapPartitionsWithIndex((idx, iter) => if (idx == 0) iter.drop(1) else iter).map(l => l.split(",")).foreach(x=>println(x.toList))
————————————————————————————————————————————————————————————————————————————————————————————————
方法二：使用SparkSession
val df = spark.read.format("csv").option("header", "true").load("file:///home/kgc/data/users.csv")

装载JSON数据源

方法一：使用SparkContext
val lines = sc.textFile("file:///home/kgc/data/users.json")
//scala内置的JSON库
import scala.util.parsing.json.JSON
val result=lines.map(l=>JSON.parseFull(l))
————————————————————————————————————————————————————————————————————————————————————————————————
还有一种使用SparkSession方法：API
var spark=SparkSession.builder().master("local[2]")
      .appName("hello").getOrCreate();
    val rdd=spark.read.json("file:///d:/date.json")
    print(rdd)
————————————————————————————————————————————————————————————————————————————————————————————————
方法二：使用SparkSession
val df = spark.read.format("json").option("header", "true").load("file:///home/kgc/data/users.json")

RDD数据倾斜*

• 数据分配的不均匀
• 通常发生在groupBy,join等之后

1）在执行shuffle操作的时候，是按照key，来进行values的输出、拉取和聚合2）同一个key的values，一定是分配到一个reduce task进行处理的
3）如果是很多相同的key对应的values被分配到了一个task上面去执行，而另外的task，可能只分配了一些
4）这样就会出现数据倾斜问题

解决方法：

方案一：聚合源数据
通过一些聚合的操作，比如grouByKey、reduceByKey就是拿到每个key对应的value，对每个key对应的values执行一定的计算
方案二：过滤导致倾斜的key
在sql中用where条件，过滤某几个会导致数据倾斜的key

——————————————————————————————————————————————————

为什么要划分Stage？

spark划分stage思路：
1）从后往前推，一个job拆分为多组task,每组的任务被称为一个stage
2）stage里面的Task的数量对应一个partition，而stage又分为两类，
一类是shuffleMapTask,一类是resltTask,DAG的最后一个阶段为每个partition生成一个resultask,
其余阶段都会生成ShuffleMapTask,他将自己的计算结果通过shuffle传到下一个stage中。

——————————————————————————————————————————————————