赞
踩
一般来说,每个Spark应用程序都有一个Driver程序,Driver运行用户编写的main函数,并在集群上执行各种并行操作。Spark提供的一个主要抽象概念就是RDD(resilient distributed dataset),RDD是可以并行计算的跨集群节点分区的元素结合,RDD可以通过hdfs(也可以是其他hadoop支持的文件系统)或者现有的Scala集合转换得到,Spark还允许我们将RDD持久化到内存中,在并行操作中高效地重用。RDD还可以从节点故障中自动恢复。
另一个Spark提供的重要抽象概念是可以在并行操作中使用的共享变量(shared variables)。默认情况下,当Spark在不同的节点上并行地运行一组任务时,它会将函数中使用到的每个变量的副本发送到每个任务上。但有些时候,变量可能需要跨任务之间共享,或者在任务与驱动程序之间共享。Spark支持两种类型的共享变量:广播变量(broadcast variable)和累加器(accumulator),前者可用于在所有节点的内存中缓存一个值,后者是只进行累加的变量,如计数器和sum。
下面是RDD编程的一些步骤及相关说明(我采用的语言是Scala):
当编写Spark的独立应用程序时,需要添加Spark的相关依赖,我使用了Maven来引入了Spark程序的相关依赖,关于maven的pom.xml配置请参见上一篇博客。
Spark程序需要创建一个SparkContext对象,SparkContext告诉Spark如何访问集群。要创建SparkContext,首先需要构建一个包含应用程序信息的SparkConf对象。
每个JVM上只能激活一个SparkContext。在创建新SparkContext之前,必须调用stop()停止当前的SparkContext。下面是创建SparkContext的代码:
- val conf = new SparkConf().setAppName(appName).setMaster(master)
- new SparkContext(conf)
appName参数是为Spark程序起的名称,这个名称会显示在Spark UI的界面上。master参数可以是一个Spark、Mesos、Yarn等集群的URL或者在本地模式下使用的“local”字符串。实际上,在集群环境中运行时,我们不希望将master的url硬编码到程序里,我们可以在通过spark-submit提交程序时指定master的url然后在程序里接收。但是,对于本地测试和单元测试,可以通过“local”来内含式的运行Spark。
在Spark shell中,系统自动创建了SparkContext,可以直接通过sc变量来使用,我们不需要再额外去创建Spark Context。启动Spark Shell时可以通过--master参数来设置shell连接到哪个master,--jar参数可以添加第三方jar包到classpath中,添加多个时用","分隔。添加jar包的另外一种方式是通过--package参数,在参数后指定jar包在maven仓库中的groupId,artifactId以及version,需要添加多个的时候使用","作为分隔符。
例如在本地模式以4个核心来运行spark shell:
$ ./bin/spark-shell --master local[4]
添加额外的jar包:
$ ./bin/spark-shell --master local[4] --jars code.jar
通过package方式来指定maven仓库中的jar包
$ ./bin/spark-shell --master local[4] --packages "org.example:example:0.1"
Spark围绕着RDD的概念展开,RDD是一组可以并行操作的高容错性的元素集合。有两种方法可以创建RDD:通过Driver中的现有集合进行转换或者引用外部存储系统中的数据集,例如共享文件系统、HDFS、HBase或任何提供Hadoop InputFormat的数据源。
在Driver中通过现有集合创建RDD需要调用SparkContext的parallelize方法,调用后集合中的元素被复制以形成可并行操作的分布式数据集。下面是从一个包含1到5的集合中创建RDD的示例:
- scala> val data=Array(1,2,3,4,5)
- data: Array[Int] = Array(1, 2, 3, 4, 5)
- scala> val rdd1=sc.parallelize(data)
- rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:26
data这个RDD一旦被创建后,就可以进行并行操作了。例如,我们可以调用data.reduce((a, b) => a + b)来相加数组中的元素。稍后我们将详细描述在分布式数据集上的操作。
RDD一个重要参数是要将数据集切割成的分区的数量,Spark将在集群的每个分区上都启动一个任务。通常集群中的每个CPU需要2-4个分区,Spark会根据集群自动设置分区的数量,我们也可以在调用parallelize方法时手动设置分区数量,例如sc.parallelize(data,5)。注:在代码某些地方分区也被叫做代码片。
Spark可以从Hadoop支持的任何存储源创建RDD,包括本地文件系统、HDFS、Cassandra、HBase、Amazon S3等。Spark支持Text File、SequenceFiles和任何其他Hadoop InputFormat。
文本文件RDD可以由SparkContext的textfile方法创建,该方法需要文件的URI(或者机器上的本地路径,或者hdfs://、s3a://等URI),并且将文件按行读取为行集合,下面是一个示例:
- scala> val distFile = sc.textFile("data.txt")
- distFile: org.apache.spark.rdd.RDD[String] = data.txt MapPartitionsRDD[10] at textFile at <console>:26
一旦创建,就可以通过数据集操作对distFile进行操作。例如,我们可以使用map和reduce来累加所有行的大小:distFile.map(s = > s.length).reduce((a, b) => a + b)。
一些关于使用Spark读取文本文件的注意事项:
①如果使用本地文件系统,那么在所有节点上的文件系统同一位置都必须能访问到相同的文件,可以采用将文件复制到所有的worker或者使用网络文件系统。
②Spark的所有基于文件的输入方法,包括textFile,都支持读取目录、压缩文件和通配符对应的文件。例如,您可以使用textFile("/my/directory")、textFile("/my/directory/*.txt")和textFile("/my/directory/*.gz")。
③textFile方法还接受第二个可选参数,用于控制分区的数量。在默认情况下,Spark为文件的每个块创建一个分区(在HDFS中,块的默认大小为128MB),但是也可以通过传递更大的值来请求更多的分区。但是,分区的数量不能少于块的数量。
除了文本文件外,Spark的Scala API还支持其他几种数据格式:
①SparkContext.wholeTextFiles方法可以读取包含多个小文本文件的目录,并组成键值对(文件名、内容)返回。这与textFile方法有所区别,textFile是每个文件中每行返回一条记录。分区是由数据局部性(参考https://blog.csdn.net/sunnyyoona/article/details/53888012)决定的,在某些情况下,数据局部性可能导致分区过少。对于这些情况,wholeTextFiles提供了第二个可选参数,用于控制分区的最小数量。
②对于sequenceFile,使用SparkContext的sequenceFile[K, V]方法,其中K和V是文件中键和值的类型。这些应该是Hadoop的Writable接口的子类,比如IntWritable和Text。此外,Spark允许将一些常见的类型指定为基本数据类型;例如,sequenceFile[Int, String]将自动读取IntWritables和text。
③对于其他的Hadoop输入格式,可以使用SparkContext.hadoopRDD方法,hadoopRDD方法参数为jobConf,input format的类,key的类,value的类。设置这些和你设置hadoop job的输入源是一样的。你也可以使用基于新的MapReduce API的SparkContext.newAPIHadoopRDD方法。
④RDD.saveAsObjectFile方法和SparkContext.objectFile方法支持以序列化Java对象的方式来保存RDD。虽然这不如Avro这样的专门格式有效,但它提供了一种简单的方法来保存任何RDD。
RDD支持两种类型的操作:transformation(从现有的RDD中创建新的RDD)和action(进行RDD的计算,并且将数据返回到Driver)。比如,map是一个transformation操作,它传递每个数据集元素经过函数重新计算返回一个表示结果的新RDD,reduce是一个action操作,reduce聚合RDD的所有元素经过函数计算后将最终结果返回给驱动程序(尽管还有一个并行执行并返回结果的reduceByKey操作)。
Spark中所有的tranformation操作都是lazy(懒加载)的,因为Spark不会立即计算结果,Spark仅仅只记住作用在一个RDD上的转换步骤,只有当某个action操作需要将结果返回到驱动程序时,才会计算转换。这种设计使Spark可以更高效的运行。例如,我们都知道通过map创建的RDD将在reduce操作中使用,并且只需要将reduce的结果返回给驱动程序,而不是更大的map RDD。
默认情况下,每次执行action操作时,被转换的RDD都会重新计算。但是,您也可以使用persist(或cache)方法将RDD持久化到内存中,在这种情况下,Spark将把元素保存在集群中,在下一次查询时可以更快的访问。此外还支持持久化RDD到磁盘中,或者跨多个节点复制RDD。
为了说明RDD的基础知识,请思考一下下面的简单程序:
- val lines = sc.textFile("data.txt")
- val lineLengths = lines.map(s => s.length)
- val totalLength = lineLengths.reduce((a, b) => a + b)
程序的第一行从外部文件中创建了一个RDD,这个RDD并没有加载到内存中或者进行任何操作,lines仅仅只是一个引用指向这个文件。第二行定义了lineLengths引用指向map操作的结果,同样,因为懒加载的存在map方法并没有被立即执行。最后,我们执行了reduce,这是一个action方法,至此Spark将计算分解为在不同机器上运行的任务,每个机器都执行自己的map部分和本地的reduction,并且返回自己的结果给Driver。
如果我们以后还想再次使用lineLengths,我们可以加上:
lineLengths.persist()
这样,在执行reduce之前,在第一次计算lineLengths后将结果保存到内存中。
Spark的API严重依赖于在驱动程序中传递函数以在集群上运行,有两种推荐的方法:
①匿名函数,可用于一小段代码
②全局单例对象中的静态方法。例如,您可以定义对象MyFunctions,然后传递MyFunctions.func1,如下所示:
- object MyFunctions {
- def func1(s: String): String = { ... }
- }
-
- myRdd.map(MyFunctions.func1)
注意,也可以在类的实例中传递方法的引用(与单例对象相反),但这需要发送包含该类的对象和方法,例如,思考一下
- class MyClass {
- def func1(s: String): String = { ... }
- def doStuff(rdd: RDD[String]): RDD[String] = { rdd.map(func1) }
- }
如果我们创建一个新的MyClass类的实例, 然后调用doStuff方法,Spark会将整个对象都发送到集群上。
同样的,访问外部对象的某个字段也将引用整个对象。为了避免这个问题,最简单的方法是将字段复制到本地变量中,而不是从外部访问它。
Spark的难点之一是理解变量和方法在集群上运行时候的作用域和生命周期,在变量作用域之外修改变量的RDD操作经常会引起混淆,下面的示例中我们将通过使用foreach()方法来增加一个计数器观察,但是类似的问题也可能发生在其他操作中。
关于例子的说明:
这是一个简单的求数据元素和的方法,但是根据是否在同一个JVM中执行,它的结果可能有所不同。一个常见的例子是在本地模式下运行Spark(--master = local[n]),而不是将Spark应用程序部署到集群(例如,通过Spark-submit到YARN):
- var data=Array(1,2,3,4,5)
- var counter = 0
- var rdd = sc.parallelize(data)
-
- // Wrong: Don't do this!!
- rdd.foreach(x => counter += x)
- println("Counter value: " + counter)
实际上,为了执行作业,Spark会将RDD操作的处理分解为任务,每个任务都由一个独立的执行程序来执行。在执行之前,Spark会计算任务的闭包。闭包指的是是执行程序在执行RDD(在本例中为foreach())计算时必须可见的那些变量和方法。这个闭包被序列化并发送到每个执行器。
发送到每个Executor的变量是当前Driver中变量的副本,因此,当executor在foreach函数中引用counter变量时,引用的counter不是Driver的那个。在Driver的内存中仍然有一个counter,但它对executor不可见,executor只能看到序列化闭包的副本。因此,Driver中counter的最终值仍然为0,因为counter的所有操作引用的都是序列化闭包中的值。
例外的是在本地模式的某些情况下,foreach函数将在与Driver相同的JVM中执行,引用相同的原始counter,并实际更新它。
为了确保在这种情况下,我们的计算目的能准确的达到,应该使用Accumulator(累加器,等会会详细介绍),Spark中的累加器提供了一个跨集群中的多节点安全更新变量的途径。
一般来说,闭包的构造类似于循环或局部定义的方法,不应该被用来改变某些全局状态(例如例子中的更改全局变量的值)。Spark不对闭包外部引用的对象的突变行为进行定义或保证,本地模式下某些代码可能能达到目的,但这只是偶然的,在分布式环境下这些代码就没法达到预期的结果。
另一个常见的习惯用法是尝试使用RDD.foreach(println)或RDD.map(println)打印出RDD的元素。在一台机器上,这将达到预期的输出并打印RDD中的所有元素。然而,在集群模式下,这些输出打印的结果将会在实际执行的Executor,而不是Driver上,Driver的控制台任何东西都不会打印。要想在Driver上打印RDD的所有元素一个可以使用的方法是使用collect()将数据收集到Driver:RDD.collect().foreach(println)。但是如果RDD中的元素过多,这可能会导致Driver的内存被耗尽。如果只需要打印RDD的几个元素,则更安全的方法是使用take(): RDD.take(100).foreach(println)。
虽然大多数的Spark操作都可以在包含任何类型对象的rdd上工作,但有一些特殊操作只能在元素是键值对的rdd上可用。最常见的是分布式“shuffle”操作,例如按key对元素进行分组或聚合。
在Scala中,这些操作在包含Tuple2对象的RDDs上自动可用(语言中的内置元组,只需简单地编写(a, b)),键值对操作在PairRDDFunctions类中,它自动包装tuple的RDD。
例如,下面的代码使用键-值对上的reduceByKey操作来计算文件中每行文本出现的次数:
- val lines = sc.textFile("data.txt")
- val pairs = lines.map(s => (s, 1))
- val counts = pairs.reduceByKey((a, b) => a + b)
我们还可以使用count.sortbykey()按字母顺序对结果进行排序,最后使用count.collect()将它们作为对象数组返回到Driver。
下表中列出了一些常见的transformation操作
方法名称 | 作用 |
---|---|
map(func) | 通过函数func传递原RDD中的每个元素,返回一个新的DD |
filter(func) | 过滤掉函数func返回false的元素,返回一个新的数据集 |
flatMap(func) | 对集合中每个元素进行func函数对应的操作,再将返回结果扁平化。类似于map,但是每个输入项可以成为0个或多个输出项。在使用时map会将一个长度为N的RDD转换为另一个长度为N的RDD;而flatMap会将一个长度为N的RDD转换成一个N个元素的集合,然后再把这N个元素合成到一个单个RDD的结果集。 |
mapPartitions(func) | map与mapPartitions主要区别:map是对rdd中的每一个元素进行操作; mapPartitions则是对rdd中的每个分区的迭代器进行操作 MapPartitions的优点:如果是普通的map,比如一个partition中有1万条数据。ok,那么你的function要执行和计算1万次。 使用MapPartitions操作之后,一个task仅仅会执行一次function,function一次接收所有 SparkSql或DataFrame默认会对程序进行mapPartition的优化。
MapPartitions的缺点:如果是普通的map操作,一次function的执行就处理一条数据;那么如果内存不够用的情况下, 比如处理了1千条数据了,那么这个时候内存不够了,那么就可以将已经处理完的1千条数据从内存里面垃圾回收掉,或者用其他方法,腾出空间来吧。 但是MapPartitions操作,对于大量数据来说,比如甚至一个partition,100万数据, 总结如果在映射的过程中需要频繁创建额外的对象,使用mapPartitions要比map高效的多。比如,将RDD中的所有数据通过JDBC连接写入数据库,如果使用map函数,可能要为每一个元素都创建一个connection,这样开销很大,如果使用mapPartitions,那么只需要针对每一个分区建立一个connection。 |
mapPartitionsWithIndex(func) | 函数作用同mapPartitions,不过提供了两个参数,第一个参数为分区的索引。 |
sample(withReplacement, fraction, seed) | 使用给定的随机数生成器种子对数据的一部分进行抽样,其中参数withReplacement为true时表示抽样之后还放回,可以被多次抽样,false表示不放回;fraction表示抽样比例;seed为随机数种子,比如当前时间戳。 场景类似与,黑盒子里拿红白球, 一种拿出来后在放进去,让别人拿,可能相同,dataRDD.sample(false, 0.5, System.currentTimeMillis()); |
union(otherDataset) | 返回一个新rdd,rdd包含原rdd中的元素和参数rdd的联合。也就是返回参数rdd与原rdd的并集。 |
intersection(otherDataset) | 与union不同,返回参数rdd与原rdd的交集 |
distinct([numPartitions])) | 去重,比如原rdd中元素为(hello,hello,hello,world),执行rdd后返回的rdd中元素为(hello,world) |
groupByKey([numPartitions]) | 作用于元素为键值对的RDD,将(K, V) 根据key分组转化为(K, Iterable<V>) 。 |
reduceByKey(func, [numPartitions]) | 对(K,V)类型的元素按照Key进行分组,再按照func的逻辑对V进行操作 reduceByKey(func)和groupByKey()的区别 reduceByKey(func)对于每个key对应的多个value进行了merge操作,最重要的是它能够先在本地进行merge操作。merge可以通过func自定义。 groupByKey()也是对每个key对应的多个value进行操作,但是只是汇总生成一个sequence,本身不能自定义函数,只能通过额外通过map(func)来实现。 使用reduceByKey()的时候,本地的数据先进行merge然后再传输到不同节点再进行merge,最终得到最终结果。 而使用groupByKey()的时候,并不进行本地的merge,全部数据传出,得到全部数据后才会进行聚合成一个sequence, groupByKey()传输速度明显慢于reduceByKey()。 虽然groupByKey().map(func)也能实现reduceByKey(func)功能,但是,优先使用reduceByKey(func) |
aggregateByKey(zeroValue)(seqOp, combOp, [numPartitions]) | 该函数和aggregate类似,但操作的RDD是<K,V>类型的,在聚合过程中同样使用了一个中立的初始值。和aggregate函数类似,aggregateByKey返回值的类型不需要和RDD中value的类型一致。因为aggregateByKey是对相同Key中的值进行聚合操作,所以aggregateByKey'函数最终返回的类型还是PairRDD,对应的结果是Key和聚合后的值,而aggregate函数直接返回的是非RDD的结果。 参见博客 |
sortByKey([ascending], [numPartitions]) | 对存放<K,V>类型元素的RDD进行排序 |
join(otherDataset, [numPartitions]) | 当调用(K, V)和(K, W)类型的数据集时,返回一个(K, (V, W))对的数据集,每个键的所有元素对都是这样。通过leftOuterJoin、righttouterjoin和fullOuterJoin支持外部连接。 |
cogroup(otherDataset, [numPartitions]) | 当调用类型为(K, V)和(K, W)的数据集时,返回一个(K, (Iterable, Iterable))元组的数据集。此操作也称为groupWith。 |
cartesian(otherDataset) | 当调用类型为T和U的数据集时,返回(T, U)对(所有元素对)的数据集。 从名字就可以看出这是笛卡儿的意思,就是对给的两个RDD进行笛卡儿积计算 笛卡儿积计算是很恐怖的,它会迅速消耗大量的内存,所以在使用这个函数的时候请小心! |
pipe(command, [envVars]) | 在Linux系统中,有许多对数据进行处理的shell命令,我们可能通过pipe变换将一些shell命令用于Spark中生成新的RDD。 |
coalesce(numPartitions) | 将RDD中的分区数量减少到numpartition。用于过滤大型数据集后更有效地运行操作。 |
repartition(numPartitions) | 随机重新shuffle RDD中的数据,以创建更多或更少的分区,并在它们之间进行平衡。这总是对网络上的所有数据进行shuffle。 |
repartitionAndSortWithinPartitions(partitioner) | 根据给定的分区器重新划分RDD,并在每个结果分区中按键对记录排序。这比调用重分区然后在每个分区中进行排序更有效,因为它可以将排序推入shuffle机制。 什么时候使用repartitionAndSortWithinPartitions?
|
再列出一些常见的Actions操作
方法名称 | 作用说明 |
---|---|
reduce(func) | 按照指定规则聚合RDD中的元素 使用函数func(接受两个参数并返回一个)聚合数据集的元素。 |
collect() | 在Driver中以数组形式返回rdd的所有元素。这通常在过滤后或其他返回足够小的数据子集的操作之后非常有用。 |
count() | 返回数据集中元素的数量。 |
first() | 返回数据集的第一个元素(类似于take(1))。 |
take(n) | 返回包含数据集的前n个元素的数组。 |
takeSample(withReplacement, num, [seed]) | 返回一个数组,该数组具有数据集的num元素的随机样本,可以替换也可以不替换,可以预先指定随机数生成器种子。 |
takeOrdered(n, [ordering]) | 使用RDD的自然顺序或自定义比较器返回RDD的前n个元素。 |
saveAsTextFile(path) | 将数据集的元素作为文本文件(或文本文件集)写入本地文件系统、HDFS或任何其他hadoop支持的文件系统的给定目录中。Spark将对每个元素调用toString,将其转换为文件中的一行文本。 |
saveAsSequenceFile(path) (Java and Scala) | 将数据集的元素作为Hadoop SequenceFile在本地文件系统、HDFS或任何其他Hadoop支持的文件系统中的给定路径中写入。这在实现Hadoop可写接口的键值对的RDDs上是可用的。在Scala中,它还可以用于隐式转换为可写的类型(Spark包括对Int、Double、String等基本类型的转换)。 |
saveAsObjectFile(path) (Java and Scala) | 使用Java序列化以简单的格式编写数据集的元素,然后使用SparkContext.objectFile()可以加载这些元素。 |
countByKey() | 只在类型(K, V)的RDDs上可用。返回一个(K, Int)对的hashmap,对每个Key下的元素进行个数进行统计。 |
aggregate(zeroValue)(seqOp,combOp,[numPartitions]) | aggregate接收两个函数,和一个初始化值。seqOp函数用于定义聚集每一个分区的操作逻辑,combOp用于定义聚集所有分区聚集后的结果的逻辑。每一个分区的聚集,和最后所有分区的聚集都会有初始化值(zeroValue)的参与。 可以参照这里 |
foreach(func) | 遍历RDD中的元素并将元素作为参数执行func方法 |
Spark RDD API还公开了一些操作的异步版本,比如foreachAsync for foreach,它会立即向调用者返回一个futuresponse,而不是在操作完成时阻塞。这可用于管理或等待操作的异步执行。
Spark中的某些操作会触发称为shuffle的事件。shuffle是Spark用于重新分发数据的机制,跨分区对数据进行不同的分组。这通常涉及跨执行程序和机器复制数据,使shuffle成为一项复杂而昂贵的操作。
我们可以通过reduceByKey操作作为例子来思考shuffle的过程中到底发生了什么,reduceByKey操作会先查找出每个Key对应的所有Value,再对Value进行聚合,得到一个新的RDD。挑战在于,并不是一个Key的所有Value都必须位于相同的分区,甚至是相同的机器上,但是它们最终需要到同一个节点上来计算结果。
在Spark计算期间,单个任务将对单个分区进行操作——因此,Spark需要执行一个all-to-all操作。它必须从所有分区中读取值,然后将所有分区的值放在一起计算每个键的最终结果——这称为shuffle。
会引起shuffle的操作包括重分区操作(如repartition和coalesce)、ByKey操作(除count外)(如groupByKey和reduceByKey)以及join操作(如cogroup和join)。
Shuffle是一种昂贵的操作,因为它涉及磁盘I/O、数据序列化和网络I/O,为了组织shuffle的数据,Spark生成一组任务,其中map任务来组织数据,以及一组reduce任务来聚合数据。这个命名法来自MapReduce,并不直接与Spark的map和reduce操作相关。
在内部,单个map任务在内存中进行计算直到计算完成。计算完成后生成一批结果,这些结果往往需要发送不同的分区,Spark会按照要去往的目标分区对他们进行排序,并将其写入到单个文件中。在reduce端,reduce任务负责读取这些已经排序好的文件。(Sort Based Shuffle 具体原理以后的博客再梳理)
某些洗牌操作会消耗大量堆内存,因为它们使用内存来存储传输之前或之后的记录。具体来说,reduceByKey和aggregateByKey在map端创建数据,ByKey操作在reduce端接收数据。当数据过多,内存无法存储时,Spark会将这些数据溢出到磁盘,导致磁盘I/O的额外开销和垃圾收集的增加。
Shuffle还会在磁盘上生成大量的中间文件。从Spark 1.3开始,这些文件一直保存到不再使用相应的rdd并进行垃圾收集为止。这样做是为了在重新计算时不需要重新创建shuffle文件。如果应用程序保留对这些rdd的引用,或者GC不经常启动,那么只有在很长一段时间后才会发生垃圾收集。这意味着长时间运行的Spark作业可能会消耗大量磁盘空间。临时存储目录的位置由spark.local.dir参数指定(配置Spark Context时的配置参数)。
shuffle行为可以通过调整各种配置参数来进行调整。参见Spark配置指南中的“Shuffle Behavior”部分。
Spark中最重要的功能之一是跨操作在内存中持久化(或缓存)RDD,当对RDD执行持久化操作时,每个节点都会将自己操作的RDD的partition持久化到内存中,并且在之后对该RDD的反复使用中,直接使用内存中缓存的数据。如果使用得当能将计算速度提高10倍。缓存是迭代算法和快速交互使用的关键工具。
使用persist()或cache()方法都可以将RDD进行持久化。第一次在操作中计算它时,它将保存在节点的内存中。Spark的持久化机制是高容错的——如果RDD的任何partition丢失,Spark会自动通过其源RDD,使用transformation操作重新计算该partition。
此外,可以使用不同的存储级别存储每个持久化的RDD。例如,可以将RDD持久化到磁盘上、持久化到内存中,只要在调用persist方法时传递Storage Level参数即可。cache方法默认就是调用persist方法的无参方法。默认的存储级别是内存。如果需要从内存中删除缓存的数据,可以使用unpersist方法。
Spark支持的完整的存储级别如下
存储级别 | 含义 |
---|---|
MEMORY_ONLY | 将RDD作为未序列化的Java对象存储在JVM中。如果内存空间不足以缓存RDD,那么一些partition将不会被缓存,并将在每次需要时动态地重新计算。这是默认级别。 |
MEMORY_AND_DISK | 优先将RDD作为未序列化的Java对象存储在JVM中。如果内存空间不足以缓存RDD,那么会将数据写入到磁盘文件中,下次对RDD执行计算时,存储在磁盘中的数据会被读取出来使用。 |
MEMORY_ONLY_SER (Java and Scala) | 跟MEMORY_ONLY的区别是将RDD序列化后存储在内存中。这通常比未序列化的对象更节省空间,特别是在使用快速序列化器的时候,但是读取cpu更密集。所以效率上没有不序列化高。 |
MEMORY_AND_DISK_SER (Java and Scala) | 类似于MEMORY_ONLY_SER,但是在内存不足时将数据溢出到磁盘,而不是在每次需要时动态地重新计算它们。 |
DISK_ONLY | 只在磁盘上存储RDD partition的数据。 |
MEMORY_ONLY_2, MEMORY_AND_DISK_2登登 | 对于上面的任何一种存储级别,如果在后面加上_2代表在另一个节点上存储一份持久化的RDD partition的副本。这主要用来容错,某节点挂掉的情况下,还可以使用其他节点上的副本,而不是重新计算 |
OFF_HEAP (experimental) | 类似于MEMORY_ONLY_SER,但是将数据存储在堆外内存中。这需要开启堆外内存。 |
Spark还会在shuffle操作(例如reduceByKey)时自动持久化一些中间数据,甚至不需要调用persist。这样做是为了避免在shuffle过程中某个节点失败时重新计算整个输入。如果用户计划重用RDD,仍然建议对生成的RDD调用persist。
内存足够的情况下优先MEMORY_ONLY,因为它不需要序列化与反序列化,效率最高。如果需要节省内存建议使用MEMORY_ONLY_SER,如果内存不够的情况下建议使用MEMORY_AND_DISK_SER,因为序列化能显著减少空间占用。
至于存储级别_2,不建议使用,因为创建副本的过程中需要通过网络传输副本数据,本身开销也很大,用到副本的机会也不多,很多时候不如重新再计算。
Spark自动监视每个节点上的缓存使用情况,并以最近最少使用(LRU)的策略来删除旧数据分区。如果您想手动删除RDD,而不是等待自动删除,请使用RDD.unpersist()方法。
一般来说,当Spark的操作分布在集群的各个节点执行时,各节点上使用的所有变量都是单独的副本。这些变量被复制到每个节点上,各个节点对变量的更新不会传回Driver。跨节点的变量共享一般来说都比较低效,Spark提供了两种有限类型的变量共享的方式,一种是广播变量,另一种是累加器。
当Executor下的task需要使用到某个变量时,默认的做法是每个task都会获得一个该变量的副本,这样在数据量比较大时,将会浪费大量网络带宽资源。而广播变量允许在每个Executor上只缓存一次该变量,而不是在每个task上都放置一个变量的副本。
可以通过SparkContext.broadcast(v)方法从变量v来创建一个广播变量,broadcast变量是变量v的包装类,它的值可以通过调用value()方法来获得。下面是创建广播变量的示例:
- scala> val broadcastVar = sc.broadcast(Array(1, 2, 3))
- broadcastVar: org.apache.spark.broadcast.Broadcast[Array[Int]] = Broadcast(0)
-
- scala> broadcastVar.value
- res0: Array[Int] = Array(1, 2, 3)
在创建broadcast变量之后,应该在集群上运行的任何函数中使用它而不是v,这样v就不会多次发送到节点。此外,对象v在广播后不应修改,以确保所有节点都获得广播变量的相同值。
Spark的累加器是Spark提供的可以让Task并行对值进行累加的变量,可以通过调用SparkContext.longAccumulator()或SparkContext.doubleAccumulator()来分别累积Long或Double类型的值,从而创建一个数字累加器。然后,在集群上运行的Task节点可以使用add方法对值进行累加。但是,他们无法读取它的值。只有Driver才能使用它的value方法读取累加器的值。下面是使用示例:
- scala> val accum = sc.longAccumulator("My Accumulator")
- accum: org.apache.spark.util.LongAccumulator = LongAccumulator(id: 0, name: Some(My Accumulator), value: 0)
-
- scala> sc.parallelize(Array(1, 2, 3, 4)).foreach(x => accum.add(x))
- ...
-
- scala> accum.value
- res2: Long = 10
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。