spark初识
一.简介
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。
2.总体栈技术讲解
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。
5.spark运行模式
local
多用于本地测试
standalone
spark自带的一个资源调度框架,支持完全分布式
yarn
spark也可以基于yarn来计算
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。
二.sparkcore
1.RDD
RDD(Resilient Distributed Dataset),弹性分布式数据集
五大特性
RDD是由一系列的partition组成的
函数是作用在每一个partition上的
RDD之间是有一系列的依赖关系
分区器是作用在K,V格式的RDD上
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MR读取文件的方式,读取文件之前先split,默认split大小是一个块的大小
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(容错性)
partition数量和大小没有限制,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。
2.Spark任务执行原理
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负责任务的分发和结果的回收,任务的调度,如果任务的计算结果非常大就不要回收了,会造成内存溢出问题
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。
3.spark代码流程
创建sparkconf对象
设置application name
设置运行模式及资源需求
创建sparkcontext对象
基于spark的上下文创建一个RDD,对RDD进行处理
应用程序中要有action类算子来触发transformation类算子进行执行
关闭spark上下文对象sparkcontext
源码
object WordCount {? def main(args: Array[String]): Unit = { val conf = new SparkConf(); conf.setMaster("local").setAppName("wc") val sc = new SparkContext(conf) val lineRDD=sc.textFile("./word.txt") val wordRDD = lineRDD.flatMap(x=>x.split(" ")) val kvRDD=wordRDD.map(x=>(x,1)) val result = kvRDD.filter(x=>{ if(x.equals("hello")) true else false }) result.foreach(println) }}
4.Transformations转换算子
转换算子输入输出类型
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。
转换算子介绍
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。
join
leftOuterJoin
rightOuterJoin
fullOuterJoin
作用在K,V格式的RDD上,根据K进行连接,对(K,V),join(K,W)返回(K,(V,W))
union
合并两个数据集.两个数据集的类型要一致
intersection
取两个数据集的交集
subtract
与map类似,遍历的单位是每个partition上的数据。
distinct相当于(map+reduceByKey+map)
去重
cogroup
当调用类型(K,V)和(K,W)的数据上时,返回一个数据集(K,(Iterable<V>,Iterable<W>))
mappartition
与map类似,遍历的单位是每个partition上的数据。
mapPartitionWithIndex
类似于mapPartitions,初次之外还会携带分区的索引值
repartition(宽依赖)
增加或减少分区.会产生shuffle
coalesce(可以做宽依赖也可以做窄依赖)
coalesce常用来减少分区,第二个参数是减少分区的过程中是否产生shuffle。
true为产生shuffle,false不产生shuffle。默认是false。
如果coalesce设置的分区数比原来的RDD的分区数还多的话,第二个参数设置为false不会起作用,如果设置成true,效果和repartition一样。
即repartition(numPartitions) = coalesce(numPartitions,true)
groupByKey
作用在K,V格式的RDD上。根据Key进行分组。作用在(K,V),返回(K,Iterable <V>)。
zip
将两个RDD中的元素(KV格式/非KV格式)变成一个KV格式的RDD,两个RDD的个数必须相同。
zipWithIndex
该函数将RDD中的元素和这个元素在RDD中的索引号(从0开始)组合成(K,V)对。
5.action触发算子
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。
算子介绍
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
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。
foreachpartition
遍历的数据是每个partition的数据。
countByKey
作用到K,V格式的RDD上,根据Key计数相同Key的数据集元素。
countByValue
根据数据集每个元素相同的内容来计数。返回相同内容的元素对应的条数。
reduce
根据聚合逻辑聚合数据集中的每个元素。
6.控制算子
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
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
cache和persist的注意事项
cache和persist都是懒执行,必须有一个action类算子触发执行。
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
ache和persist算子后不能立即紧跟action算子。
checkpoint
checkpoint将RDD持久化到磁盘,还可以切断RDD之间的依赖关系。
执行原理
当RDD的job执行完毕后,会从finalRDD从后往前回溯。
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。
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
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();
三.集群搭建
上传压缩包并解压
进入安装包的conf目录下,修改slaves.template文件,先把slaves.template文件名改成 slaves
然后添加从节点。保存。
修改spark-env.sh.template 文件名为 spark-env.sh
然后编辑spark-env.sh文件,进行配置:
相关参数介绍
JAVA_HOME:配置java_home路径SPARK_MASTER_HOST:master的ipSPARK_MASTER_PORT:提交任务的端口,默认是7077SPARK_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
同步到其他节点上
启动
进入sbin目录下,执行当前目录下的./start-all.sh
测试
访问master:8080端口: