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

<?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

来源：https://segmentfault.com/a/1190000019475686