乐趣区

大数据系列Spark学习笔记之Spark中的RDD

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

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.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">
    <modelVersion>4.0.0</modelVersion>

    <groupId>com.uplooking.bigdata</groupId>
    <artifactId>2018-11-08-spark</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <maven.compiler.source>1.8</maven.compiler.source>
        <maven.compiler.target>1.8</maven.compiler.target>
        <scala.version>2.11.8</scala.version>
        <spark.version>2.2.0</spark.version>
        <hadoop.version>2.7.5</hadoop.version>
    </properties>

    <dependencies>
        <!-- 导入 scala 的依赖 -->
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>${scala.version}</version>
        </dependency>

        <!-- 导入 spark 的依赖 -->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <!-- 指定 hadoop-client API 的版本 -->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>${hadoop.version}</version>
        </dependency>

    </dependencies>

    <build>
        <plugins>
            <!-- 编译 Scala-->
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.2.2</version>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <!-- 编译 Java-->
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <executions>
                    <execution>
                        <phase>compile</phase>
                        <goals>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <!-- 打 jar 插件 -->
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-shade-plugin</artifactId>
                <version>2.4.3</version>
                <configuration>
                    <createDependencyReducedPom>false</createDependencyReducedPom>
                </configuration>
                <executions>
                    <execution>
                        <phase>package</phase>
                        <goals>
                            <goal>shade</goal>
                        </goals>
                        <configuration>
                            <filters>
                                <filter>
                                    <artifact>*:*</artifact>
                                    <excludes>
                                        <exclude>META-INF/*.SF</exclude>
                                        <exclude>META-INF/*.DSA</exclude>
                                        <exclude>META-INF/*.RSA</exclude>
                                    </excludes>
                                </filter>
                            </filters>
                        </configuration>
                    </execution>
                </executions>
            </plugin>

        </plugins>
    </build>
</project>

6.2 编写 spark 程序

val conf = new SparkConf()
conf.setAppName("Ops1")
val sc = new SparkContext(conf)
val rdd1: RDD[String] = sc.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
    val 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
退出移动版