本文共 5836 字,大约阅读时间需要 19 分钟。
RDD产生原因
MapReduce计算结果需要保存到磁盘上,Spark把中间数据放到内存中,效率高,且支持迭代计算
RDD概念
弹性分布式数据集
RDD属性
1、分区(Partition):数据集的基本组成单位。每个分区都会被一个计算任务处理,并决定并行计算的粒度。用户可在创建RDD时指定RDD的分区个数,如没有指定,会采用默认值。默认值就是程序所分配到的CPU Core的数目
2、依赖关系:RDD每次转换都会生成一个新RDD,RDD之间会形成类似流水线一样的前后依赖关系。在部分分区数据丢失时,Spark可以通过这个依赖关系重新计算丢失的分区数据,而不是对RDD的所有分区进行重新计算
3、分区函数:当前Spark中实现了两种类型的分区函数,一个是基于哈希的HashPartitioner,另外一个是基于范围的RangePartitioner。只有对于key-value的RDD,才会有Partitioner,非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分区数量,也决定了parent RDD Shuffle输出时的分区数量。
4、列表:存储每个Partition所在的块的位置。按照移动数据不如移动计算的理念,Spark在任务调度时,会尽可能地将计算任务分配到其所要处理数据块的存储位置
RDD的弹性
1、自动进行内存和磁盘数据存储切换
Spark优先把数据放到内存中,如果内存放不下,才放到磁盘里面,程序自动进行存储切换
2、基于血统的高效容错机制
在RDD进行转换和动作的时候,会形成RDD的Lineage依赖链,当某一个RDD失效的时候,可以通过重新计算上游的RDD来重新生成丢失RDD数据
3、Task如果失败会自动进行特定次数的重试
RDD的计算任务如果运行失败,会自动进行任务的重新计算,默认次数是4次
RDD特点
1、分区:RDD是分区的,计算时通过compute函数得到每个分区数据
2、只读:想改变RDD中的数据,只能在现有的RDD基础上创建新的RDD
3、依赖:依赖包括两种,一种是窄依赖,另一种是宽依赖
4、缓存:应用程序中多次使用同一个RDD,会将该RDD缓存起来,该RDD只有在第一次计算的时候会根据血缘关系得到分区的数据,在后续其他地方用到该RDD的时候,会直接从缓存处取而不用再根据血缘关系计算
编程模型
编写Driver程序被提交到集群(Application)以调度运行Worker。下图Driver中定义了一个或多个RDD,并调用RDD上的action,Worker执行RDD分区计算任务
RDD创建
在Spark中创建RDD的创建方式可分为三种:
1、从集合中创建:由一个已经存在的Scala集合创建,集合并行化
2、从外部存储创建:读取文件生成
3、从其他RDD创建:RDD可以通过其他的RDD转换而来的
TransFormation
RDD编程APISpark支持两个类型(算子)操作:Transformation和Action
Transformation就是将一个已有的RDD生成另一个RDD。Transformation具有lazy特性(延迟加载)。Transformation算子代码不会真正被执行,只有当程序中遇到一个action算子时,代码才会真正被执行
转换
含义
map(func)
返回一个新的RDD,该RDD由每一个输入元素经过func函数转换后组成
filter(func)
返回一个新的RDD,该RDD由经过func函数计算后返回值为true的输入元素组成
flatMap(func)
类似于map,但是每一个输入元素可以被映射为0或多个输出元素(所以func应该返回一个序列,而不是单一元素)
mapPartitions(func)
类似于map,但独立地在RDD的每一个分区上运行,因此在类型为T的RDD上运行时,func的函数类型必须是Iterator[T] => Iterator[U]
mapPartitionsWithIndex(func)
类似于mapPartitions,但func带有一个整数参数表示分区的索引值,因此在类型为T的RDD上运行时,func的函数类型必须是
(Int, Interator[T]) => Iterator[U]
union(otherDataset)
对源RDD和参数RDD求并集后返回一个新的RDD
intersection(otherDataset)
对源RDD和参数RDD求交集后返回一个新的RDD(交集)
distinct([numTasks]))
对源RDD进行去重后返回一个新的RDD
groupByKey([numTasks])
在一个(K,V)的RDD上调用,返回一个(K, Iterator[V])的RDD
reduceByKey(func, [numTasks])
在一个(K,V)的RDD上调用,返回一个(K,V)的RDD,使用指定的reduce函数,将相同key的值聚合到一起,与groupByKey类似,reduce任务的个数可以通过第二个可选的参数来设置
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks])
先按分区聚合 再总的聚合 每次要跟初始值交流 例如:aggregateByKey(0)(_+_,_+_) 对k/y的RDD进行操作
sortByKey([ascending], [numTasks])
在一个(K,V)的RDD上调用,K必须实现Ordered接口,返回一个按照key进行排序的(K,V)的RDD
sortBy(func,[ascending], [numTasks])
与sortByKey类似,但是更灵活 第一个参数是根据什么排序 第二个是怎么排序 false倒序 第三个排序后分区数 默认与原RDD一样
join(otherDataset, [numTasks])
在类型为(K,V)和(K,W)的RDD上调用,返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD 相当于内连接(求交集)
cogroup(otherDataset, [numTasks])
在类型为(K,V)和(K,W)的RDD上调用,返回一个(K,(Iterable<V>,Iterable<W>))类型的RDD
cartesian(otherDataset)
两个RDD的笛卡尔积 的成很多个K/V
coalesce(numPartitions)
重新分区 第一个参数是要分多少区,第二个参数是否shuffle 默认false 少分区变多分区 true 多分区变少分区 false
repartition(numPartitions)
重新分区 必须shuffle 参数是要分多少区 少变多
foldByKey(zeroValue)(seqOp)
该函数用于K/V做折叠,合并处理 ,与aggregate类似 第一个括号的参数应用于每个V值 第二括号函数是聚合例如:_+_
combineByKey
合并相同的key的值 rdd1.combineByKey(x => x, (a: Int, b: Int) => a + b, (m: Int, n: Int) => m + n)
partitionBy(partitioner)
对RDD进行分区 partitioner是分区器 例如new HashPartition(2
cache
RDD缓存,可以避免重复计算从而减少时间,区别:cache内部调用了persist算子,cache默认就一个缓存级别MEMORY-ONLY ,而persist则可以选择缓存级别
persist
Subtract(rdd)
返回前rdd元素不在后rdd的rdd(差集)
leftOuterJoin
leftOuterJoin类似于SQL中的左外关联left outer join,返回结果以前面的RDD为主,关联不上的记录为空。只能用于两个RDD之间的关联,如果要多个RDD关联,多关联几次即可。
rightOuterJoin
rightOuterJoin类似于SQL中的有外关联right outer join,返回结果以参数中的RDD为主,关联不上的记录为空。只能用于两个RDD之间的关联,如果要多个RDD关联,多关联几次即可
subtractByKey
substractByKey和基本转换操作中的subtract类似只不过这里是针对K的,返回在主RDD中出现,并且不在otherRDD中出现的元素
Action
触发代码的运行,一段spark代码里至少需要一个action操作
动作
含义
reduce(func)
通过func函数聚集RDD中的所有元素,这个功能必须是课交换且可并联的
collect()
在驱动程序中,以数组的形式返回数据集的所有元素
count()
返回RDD的元素个数
first()
返回RDD的第一个元素(类似于take(1))
take(n)
返回一个由数据集的前n个元素组成的数组
takeSample(withReplacement,num, [seed])
返回一个数组,该数组由从数据集中随机采样的num个元素组成,可以选择是否用随机数替换不足的部分,seed用于指定随机数生成器种子
takeOrdered(n, [ordering])
使用自然顺序或自定义比较器返回RDD 的前n个元素。
saveAsTextFile(path)
将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统,对于每个元素,Spark将会调用toString方法,将它装换为文件中的文本
saveAsSequenceFile(path)
将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下,可以使HDFS或者其他Hadoop支持的文件系统。
saveAsObjectFile(path)
使用Java序列化以简单格式编写数据集的元素,然后可以使用Java序列化加载SparkContext.objectFile()。
countByKey()
针对(K,V)类型的RDD,返回一个(K,Int)的map,表示每一个key对应的元素个数。
foreach(func)
在数据集的每一个元素上,运行函数func进行更新。
广播变量
1、广播变量的意义
如果在分布式计算里分发集合对象,由Driver端分发,每个task就会分发一份。在task多的情况下,会大量消耗task服务器上的资源。如果将这个变量声明为广播变量,那么只是每个executor拥有一份,task会共享这个变量,节省服务器的资源
2、图解
不使用广播变量
使用广播变量的情况
3、定义广播变量
val a = 3
val broadcast = sc.broadcast(a)
4、还原广播变量
val c = broadcast.value
5、广播变量使用
使用广播变量的过程如下:
1、调用 SparkContext.broadcast 创建出一个 Broadcast[T]对象,任何可序列化的类型都可以这么实现
2、通过 value 属性访问该对象的值(在Java中为value()方法)
3、变量只会被发到各个节点一次,应作为只读值处理(修改这个值不会影响到别的节点)
val conf = new SparkConf()conf.setMaster("local").setAppName("brocast")val sc = new SparkContext(conf)val list = List("hello hadoop")val broadCast = sc.broadcast(list)val lineRDD = sc.textFile("./words.txt")lineRDD.filter { x => broadCast.value.contains(x) }.foreach { println}sc.stop()6、定义广播变量注意点
广播变量只读,不能修改
7、注意事项
1、能不能将一个RDD使用广播变量广播出去?
不能,因为RDD是不存储数据的。可以将RDD的结果广播出去
2、 广播变量只能在Driver端定义,不能在Executor端定义
3、 在Driver端可以修改广播变量的值,在Executor端无法修改广播变量的值
4、如果executor端用到了Driver的变量,如果不使用广播变量在Executor有多少task就有多少Driver端的变量副本
5、如果Executor端用到了Driver的变量,如果使用广播变量在每个Executor中只有一份Driver端的变量副本
累加器
1、累加器的意义
Spark在分布式运行时每个task运行的是原始变量的一个副本,不能改变原始变量的值,当这个变量被声明为累加器后,该变量就会有分布式计数的功能
2、图解累加器
不使用累加器
使用累加器
3、定义累加器
val a = sc.accumulator(0)
4、还原累加器
val b = a.value
5、累加器的使用
val conf = new SparkConf()conf.setMaster("local").setAppName("accumulator")val sc = new SparkContext(conf)val accumulator = sc.accumulator(0)sc.textFile("./words.txt").foreach { x =>{accumulator.add(1)}}println(accumulator.value)sc.stop()驱动器中调用SparkContext.accumulator(initialValue)方法,创建出存有初始值的累加器。使用累加器的 add方法增加累加器的值
6、注意:工作节点上的任务不能访问累加器的值,累加器是一个只写变量
转载地址:http://ovazi.baihongyu.com/