【Spark-Core】运行机制、RDD算子实战_scala+sparkcore技术分析某门户网站日志数据,进行指标统计 调用rdd算子,计算每天p

一、Spark运行机制及原理分析

1、WordCount执行的流程分析

2、Spark提交任务的流程

二、Spark的算子

1、RDD基础

(1)、什么是RDD?

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。

(2)、RDD的属性（源码中的一段话）

• 一组分片（Partition）
  即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。

• 一个计算每个分区的函数。
  Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。

• RDD之间的依赖关系。
  RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于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。

• 一个Partitioner，即RDD的分片函数。
  当前Spark中实现了两种类型的分片函数，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本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。

• 一个列表，
  存储存取每个Partition的优先位置（preferred location）。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念，Spark在进行任务调度的时候，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。

(3)、RDD的创建方式

• 通过外部的数据文件创建，如HDFS

val rdd1 = sc.textFile(“hdfs://192.168.88.111:9000/data/data.txt”)

• 通过sc.parallelize进行创建

val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))

(4)、RDD的类型：Transformation和Action

• RDD的基本原理

Spark算子示例

1、RDD的创建方式

	通过外部的数据文件创建，如HDFS
	val rdd1 = sc.textFile(“hdfs://192.168.88.111:9000/data/data.txt”)

	通过sc.parallelize进行创建
	val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))

2、RDD的算子
（1）Transformation算子：
    （*）map（func）算子: 将输入的每个元素重写组合成一个元组
	  
		  val rdd2 = rdd1.map((_,"*"))
		  乘以10
		  val rdd2 = rdd1.map((_ * 10))
		  val rdd2 = rdd1.map((x:Int) = x + 10)
		  
	（*）filter（func）：返回一个新的RDD，该RDD是经过func运算后返回true的元素
	     val rdd3 = rdd1.filter(_ > 5)
		 
	（*）flatMap(func) 压平操作
	       val books = sc.parallelize(List("Hadoop","Hive","HDFS"))
		   books.flatMap(_.toList).collect
		   结果：res18: Array[Char] = Array(H, a, d, o, o, p, H, i, v, e, H, D, F, S)
   
		   val sen = sc.parallelize(List("I love Beijing","I love China","Beijing is the capital of China"))

	
	（*）union(otherDataset)：并集运算,注意类型要一致
	     val rdd4 = sc.parallelize(List(5,6,4,7))
		 val rdd5 = sc.parallelize(List(1,2,3,4))
		 val rdd6 = rdd4.union(rdd5)
	
	（*）intersection(otherDataset)：交集
	     val rdd7 = rdd5.intersection(rdd4)
	
	（*）distinct([numTasks]))：去掉重复数据
	     val rdd8 = sc.parallelize(List(5,6,4,7,5,5,5))
		 rdd8.distinct.collect
	
	（*）groupByKey([numTasks])	：对于一个<k,v>的RDD，按照Key进行分组
		 val rdd = sc.parallelize(Array(("I",1),("love",2),("I",3)))
			rdd.groupByKey.collect
			结果：res38: Array[(String, Iterable[Int])] = Array((love,CompactBuffer(2)), (I,CompactBuffer(1, 3)))

		 复杂一点的例子：
			val sen = sc.parallelize(List("I love Beijing","I love China","Beijing is the capital of China"))
			sen.flatMap(_.split(" ")).map((_,1)).groupByKey.collect
			
	（*）reduceByKey(func, [numTasks])：类似于groupByKey，区别是reduceByKey会有一个combiner的过程对每个分区上的数据先做一次合并
	     画图说明，所以效率更高
		 
	（*）cartesian笛卡尔积
		val rdd1 = sc.parallelize(List("tom", "jerry"))
		val rdd2 = sc.parallelize(List("tom", "kitty", "shuke"))
		val rdd3 = rdd1.cartesian(rdd2)
	
（2）Action算子：
		val rdd1 = sc.parallelize(List(1,2,3,4,5), 2)

	（*）collect
			rdd1.collect

	（*）reduce
			val rdd2 = rdd1.reduce(_+_)

	（*）count
			rdd1.count

	（*）top
			rdd1.top(2)

	（*）take
			rdd1.take(2)

	（*）first(similer to take(1))
			rdd1.first

	（*）takeOrdered
			rdd1.takeOrdered(3)	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101

2、Transformation

RDD中的所有转换都是****延迟加载****的，也就是说，它们并不会直接计算结果。相反的，它们只是记住这些应用到基础数据集（例如一个文件）上的转换动作。只有当发生一个要求返回结果给Driver的动作时，这些转换才会真正运行。这种设计让Spark更加有效率地运行。

3、Action

4、RDD的缓存机制

RDD通过persist方法或cache方法可以将前面的计算结果缓存，但是并不是这两个方法被调用时立即缓存，而是触发后面的action时，该RDD将会被缓存在计算节点的内存中，并供后面重用。

通过查看源码发现cache最终也是调用了persist方法，默认的存储级别都是仅在内存存储一份，Spark的存储级别还有好多种，存储级别在object StorageLevel中定义的。

缓存有可能丢失，或者存储存储于内存的数据由于内存不足而被删除，RDD的缓存容错机制保证了即使缓存丢失也能保证计算的正确执行。通过基于RDD的一系列转换，丢失的数据会被重算，由于RDD的各个Partition是相对独立的，因此只需要计算丢失的部分即可，并不需要重算全部Partition。

l **Demo示例：**

l **通过UI进行监控：**

5、RDD的Checkpoint（检查点）机制：容错机制

检查点（本质是通过将RDD写入Disk做检查点）是为了通过lineage（血统）做容错的辅助，lineage过长会造成容错成本过高，这样就不如在中间阶段做检查点容错，如果之后有节点出现问题而丢失分区，从做检查点的RDD开始重做Lineage，就会减少开销。

设置checkpoint的目录，可以是本地的文件夹、也可以是HDFS。一般是在具有容错能力，高可靠的文件系统上(比如HDFS, S3等)设置一个检查点路径，用于保存检查点数据。

分别举例说明：

l *本地目录*

l *HDFS的目录*

注意：这种模式，需要将spark-shell运行在集群模式上

l *源码中的一段话*

6、RDD的依赖关系和Spark任务中的Stage

l *RDD的依赖关系*

RDD和它依赖的父RDD（s）的关系有两种不同的类型，即窄依赖（narrow dependency）和宽依赖（wide dependency）。

Ø 窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用

总结：窄依赖我们形象的比喻为***\*独生子女\****
1

Ø 宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition

总结：窄依赖我们形象的比喻为***\*超生\****
1

l *Spark任务中的Stage*

DAG(Directed Acyclic Graph)叫做有向无环图，原始的RDD通过一系列的转换就就形成了DAG，根据RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在Stage中完成计算。对于宽依赖，由于有Shuffle的存在，只能在parent RDD处理完成后，才能开始接下来的计算，因此宽依赖是划分Stage的依据。

7、RDD基础练习

Ø *练习1：*

//通过并行化生成rdd

val rdd1 = sc.parallelize(List(5, 6, 4, 7, 3, 8, 2, 9, 1, 10))

//对rdd1里的每一个元素乘2然后排序

val rdd2 = rdd1.map(_ * 2).sortBy(x => x, true)

//过滤出大于等于十的元素

val rdd3 = rdd2.filter(_ >= 10)

//将元素以数组的方式在客户端显示

rdd3.collect
1
2
3
4
5
6
7
8
9
10
11
12
13

Ø *练习2：*

val rdd1 = sc.parallelize(Array("a b c", "d e f", "h i j"))

//将rdd1里面的每一个元素先切分在压平

val rdd2 = rdd1.flatMap(_.split(' '))

rdd2.collect
1
2
3
4
5
6
7

Ø *练习3：*

val rdd1 = sc.parallelize(List(5, 6, 4, 3))

val rdd2 = sc.parallelize(List(1, 2, 3, 4))

//求并集

val rdd3 = rdd1.union(rdd2)

//求交集

val rdd4 = rdd1.intersection(rdd2)

//去重

rdd3.distinct.collect

rdd4.collect
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

Ø *练习4：*

val rdd1 = sc.parallelize(List(("tom", 1), ("jerry", 3), ("kitty", 2)))

val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 1), ("shuke", 2)))

//求jion

val rdd3 = rdd1.join(rdd2)

rdd3.collect

//求并集

val rdd4 = rdd1 union rdd2

//按key进行分组

rdd4.groupByKey

rdd4.collect
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

Ø *练习5：*

val rdd1 = sc.parallelize(List(("tom", 1), ("tom", 2), ("jerry", 3), ("kitty", 2)))

val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 1), ("shuke", 2)))

//cogroup

val rdd3 = rdd1.cogroup(rdd2)

//注意cogroup与groupByKey的区别

rdd3.collect
1
2
3
4
5
6
7
8
9
10
11

Ø *练习6：*

val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5))

//reduce聚合

val rdd2 = rdd1.reduce(_ + _)

rdd2.collect

 
1
2
3
4
5
6
7
8
9

Ø *练习7：*

val rdd1 = sc.parallelize(List(("tom", 1), ("jerry", 3), ("kitty", 2),  ("shuke", 1)))

val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 3), ("shuke", 2), ("kitty", 5)))

val rdd3 = rdd1.union(rdd2)

//按key进行聚合

val rdd4 = rdd3.reduceByKey(_ + _)

rdd4.collect

//按value的降序排序

val rdd5 = rdd4.map(t => (t._2, t._1)).sortByKey(false).map(t => (t._2, t._1))

rdd5.collect
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

三、Spark RDD的高级算子

1、mapPartitionsWithIndex

把每个partition中的分区号和对应的值拿出来

接收一个函数参数：

• 第一个参数：分区号

• 第二个参数：分区中的元素

示例：将每个分区中的元素和分区号打印出来。

• val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)

• 创建一个函数返回RDD中的每个分区号和元素：

  def func1(index:Int, iter:Iterator[Int]):Iterator[String] ={

  iter.toList.map( x => "[PartID:" + index + ", value=" + x + "]" ).iterator
  1

  }

• 调用：rdd1.mapPartitionsWithIndex(func1).collect

2、aggregate

先对局部聚合，再对全局聚合

示例：val rdd1 = sc.parallelize(List(1,2,3,4,5), 2)

• 查看每个分区中的元素：

  

• 将每个分区中的最大值求和，注意：初始值是0；

  

  如果初始值时候10，则结果为：30

  

• 如果是求和，注意：初始值是0：

  

  ​ 如果初始值是10，则结果是：45

  

• 一个字符串的例子：

  ​val rdd2 = sc.parallelize(List("a","b","c","d","e","f"),2)

  ​ 修改一下刚才的查看分区元素的函数

  def func2(index: Int, iter: Iterator[(String)]) : Iterator[String] = {
  	
  	 iter.toList.map(x => "[partID:" +  index + ", val: " + x + "]").iterator
  	
  	}
  1
  2
  3
  4
  5

  ​ 两个分区中的元素：

  [partID:0, val: a], [partID:0, val: b], [partID:0, val: c],

  [partID:1, val: d], [partID:1, val: e], [partID:1, val: f]

  ​ 运行结果：

  

• 更复杂一点的例子

  val rdd3 = sc.parallelize(List("12","23","345","4567"),2)
  	
  rdd3.aggregate("")((x,y) => math.max(x.length, y.length).toString, (x,y) => x + y)
  1
  2
  3

  结果可能是：”24”，也可能是：”42”

  val rdd4 = sc.parallelize(List("12","23","345",""),2)
  	
  rdd4.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y)
  1
  2
  3

  结果是：”10”，也可能是”01”，

  原因：注意有个初始值””，其长度0，然后0.toString变成字符串

  	
  val rdd5 = sc.parallelize(List("12","23","","345"),2)
  
  rdd5.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y)
  1
  2
  3
  4

  结果是：”11”，原因同上。

3、aggregateByKey

• 准备数据：

	val pairRDD = sc.parallelize(List( ("cat",2), ("cat", 5), ("mouse", 4),("cat", 12), ("dog", 12), ("mouse", 2)), 2)
	
	def func3(index: Int, iter: Iterator[(String, Int)]) : Iterator[String] = {
	
	 iter.toList.map(x => "[partID:" +  index + ", val: " + x + "]").iterator
	
	}
1
2
3
4
5
6
7

• 两个分区中的元素：

• 示例：

  • 将每个分区中的动物最多的个数求和

  scala> pairRDD.aggregateByKey(0)(math.max(_, _), _ + _).collect
  
  res69: Array[(String, Int)] = Array((dog,12), (cat,17), (mouse,6))
  1
  2
  3

  • 将每种动物个数求和

  scala> pairRDD.aggregateByKey(0)(_+_, _ + _).collect
  
  res71: Array[(String, Int)] = Array((dog,12), (cat,19), (mouse,6))
  1
  2
  3

  • 这个例子也可以使用：reduceByKey

  scala> pairRDD.reduceByKey(_+_).collect
  
  res73: Array[(String, Int)] = Array((dog,12), (cat,19), (mouse,6))
  1
  2
  3

4、coalesce与repartition

• 都是将RDD中的分区进行重分区。

• 区别是：coalesce默认不会进行shuffle（false）；而repartition会进行shuffle（true），即：会将数据真正通过网络进行重分区。

• 示例：

  def func4(index: Int, iter: Iterator[(Int)]) : Iterator[String] = {
  
   iter.toList.map(x => "[partID:" +  index + ", val: " + x + "]").iterator
  
  }
  
  val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)
  1
  2
  3
  4
  5
  6
  7

  下面两句话是等价的：

  val rdd2 = rdd1.repartition(3)
  	
  val rdd3 = rdd1.coalesce(3,true) --->如果是false，查看RDD的length依然是2
  1
  2
  3

5、其他高级算子

参考：http://homepage.cs.latrobe.edu.au/zhe/ZhenHeSparkRDDAPIExamples.html