Spark学习笔记之Spark中的RDD的具体使用

Spark学习笔记之Spark中的RDD的具体使用

1. Spark中的RDD

Resilient Distributed Datasets(弹性分布式数据集)

Spark中的最基本的抽象

有了RDD的存在我们就可以像操作本地集合一样操作分布式的数据

包含所有元素的分区的集合

RDD包含了很多的分区

2. RDD中的弹性

RDD中的数据是可大可小的

RDD的数据默认情况下存放在内存中的，但是在内存资源不足时，Spark会自动将RDD数据写入磁盘

RDD有自动容错功能,当其中一个RDD中的分区的数据丢失,或者当前节点故障时,rdd会根据依赖关系重新计算该分区的数据

3. RDD在Spark中的作用

迭代式计算

其主要实现思想就是RDD，把所有计算的数据保存在分布式的内存中。迭代计算通常情况下都是对同一个数据集做反复的迭代计算，数据在内存中将大大提升IO操作。这也是Spark涉及的核心：内存计算

交互式计算

因为Spark是用scala语言实现的，Spark和scala能够紧密的集成，所以Spark可以完美的运用scala的解释器，使得其中的scala可以向操作本地集合对象一样轻松操作分布式数据集

4. Spark中的名词解释

ClusterManager :在Standalone模式中即为Master（主节点），控制整个集群，监控Worker。在YARN模式中为资源管理器

Worker:从节点，负责控制计算节点，启动Executor。在YARN模式中为NodeManager，负责计算节点的控制。

Driver 运行Application的main()函数并创建SparkContext

Executor (CoarseGrainedExecutorBackend)在worker node上执行任务的组件、用于启动线程池运行任务。每个Application拥有独立的一组Executors

SparkContext :整个应用的上下文，控制应用的生命周期

RDD :Spark中的最基本的数据抽象

DAG Scheduler : 根据DAG(有向无环图)切分stage,并且生成task,以taskset的形式返回

Task Schedual: 调度task,把task交给executor

Stage: 一个Spark作业一般包含一到多个Stage。

Task :一个Stage包含一到多个Task，通过多个Task实现并行运行的功能

Transformations :转换操作,Transformation是lazy的,不会马上执行,只有当调用action时才会执行

Actions : 动作

SparkEnv : 线程级别的上下文，存储运行时的重要组件的引用

5. 创建RDD的两种方式

通过并行化集合创建RDD(用于测试)

val list = List("java c++ java","java java java c++")

val rdd = sc.parallelize(list)

通过加载hdfs中的数据创建RDD(生产环境)

val rdd = sc.textFile("hdfs://uplooking01:8020/sparktest/")

6. IDEA开发Spark

6.1 pom依赖

xmlns:xsi="http://w3.org/2001/XMLSchema-instance"

xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">

4.0.0

com.uplooking.bigdata

2018-11-08-spark

&ltMDfqy;version>1.0-SNAPSHOT

1.8

1.8

2.11.8

2.2.0

2.7.5

org.scala-lang

scala-library

${scala.version}

org.apache.spark

spark-core_2.11

${spark.version}

org.apache.spark

spark-sql_2.1MDfqy1

${spark.version}

org.apache.hadoop

hadoop-client

${hadoop.version}

net.alchim31.maven

scala-maven-plugin

3.2.2

scala-compile-first

process-resources

add-source

compile

scala-test-compile

process-test-resources

testCompile

org.apache.maven.plugins

maven-compiler-plugin

compile

compile

org.apache.maven.plugins

maven-shade-plugin

2.4.3

false

package

shade

*:*

META-INF/*.SF

META-INF/*.DSA

META-INF/*.RSA

xmlns:xsi="http://w3.org/2001/XMLSchema-instance"

xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">

4.0.0

com.uplooking.bigdata

2018-11-08-spark

&ltMDfqy;version>1.0-SNAPSHOT

1.8

1.8

2.11.8

2.2.0

2.7.5

org.scala-lang

scala-library

${scala.version}

org.apache.spark

spark-core_2.11

${spark.version}

org.apache.spark

spark-sql_2.1MDfqy1

${spark.version}

org.apache.hadoop

hadoop-client

${hadoop.version}

net.alchim31.maven

scala-maven-plugin

3.2.2

scala-compile-first

process-resources

add-source

compile

scala-test-compile

process-test-resources

testCompile

org.apache.maven.plugins

maven-compiler-plugin

compile

compile

org.apache.maven.plugins

maven-shade-plugin

2.4.3

false

package

shade

*:*

META-INF/*.SF

META-INF/*.DSA

META-INF/*.RSA

6.2 编写spark程序

val conf = new SparkConf()

conf.setAppName("Ops1")

val sc = new SparkContext(conf)

val rdd1: RDD[String] = sMDfqyc.parallelize(List("java c+ java", "java java c++"))

val ret = rdd1.collect().toBuffer

println(ret)

6.3 打包

6.4 在Driver上运行jar包

spark-submit --master spark://uplooking01:7077 --class com.uplooking.bigdata.spark01.Ops1 original-spark-1.0-SNAPSHOT.jar

7. 本地运行Spark程序

import org.apache.spark.rdd.RDD

import org.apache.spark.{SparkConf, SparkContext}

import scala.collection.mutable

object Ops1 {

def main(args: Array[String]): Unit = {

val conf = new SparkConf()

conf.setAppName("Ops1")

conf.setMaster("local[4]")

val sc = new SparkContext(conf)

//一般不会指定最小分区数

vaMDfqyl rdd1 = sc.textFile("hdfs://uplooking01:8020/sparktest/")

val rdd2: RDD[String] = rdd1.flatMap(line => line.split(" "))

val rdd3: RDD[(String, Int)] = rdd2.map(word => (word, 1))

val rdd4: RDD[(String, Int)] = rdd3.reduceByKey(_ + _)

val ret: mutable.Buffer[(String, Int)] = rdd4.collect().toBuffer

println(ret)

println(rdd1.partitions.length)

}

}

8. RDD中的分区数

并行化的方式指定分区数(一般会指定分区数)

默认如果创建RDD时不指定分区数,那么就会创建cpu核数个分区

手动指定分区数

val rdd = sc.parallelize(List("java c+ java", "java java c++"), 2)

textFile的方式指定分区数

默认如果创建RDD时不指定最小分区数,那么就会创建至少2个分区的RDD

一般不会指定最小分区数

不指定最小分区数,有切片的数量个分区

9. Spark作业的运行流程

构建DAG

根据DAG切分Stage,每个Stage对应一组相同计算逻辑不能计算数据的Task,以TastSet的形式返回

TaskSchedual调度task,把task发送到executor中去,用Runnable进行包装进给线程池

Executor执行task

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。