Spark之RDD

送分小仙女□ 提交于 2020-03-25 21:26:40

一:RDD简介

(一)RDD概念

RDD(Resilient Distributed DataSet),弹性分布式数据集,是Spark中最基本,也是最重要的数据抽象,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、位置感知度调度和可伸缩性。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,后续的查询能重用工作集,这极大地提升了查询速度。因为有RDD,所以Spark才支持分布式的计算。RDD由分区组成。

(二)RDD的五个特性

(1)一组分片(Partition),即数据集的基本组成单位。---RDD会被分片处理,用于并行计算

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。

(2)一个计算每个分区的函数。---一个对每个split(数据分区)进行计算的函数,也称为RDD的算子

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。

(3)RDD之间的依赖关系。(DAG有向无环图调度构造依赖关系)

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。

(4)一个Partitioner(分区器),即RDD的分片函数。---用来对RDD的数据做手动分区

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。

(5)一个列表,存储存取每个分片(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。

(三)RDD原理

(四)wordcount程序RDD执行流程

二:RDD创建方式

(一)通过读取文件生成

由外部存储系统的数据集创建,包括本地的文件系统,还有所有Hadoop支持的数据集,比如HDFS、Cassandra、HBase等

val file = sc.textFile("/spark/input/c.txt")

(二)通过并行化的方式创建RDD

val array = Array(1,2,3,4,5)
val rdd = sc.parallelize(array)

(三)其他方式

读取数据库等等其他的操作。也可以生成RDD。

RDD可以通过其他的RDD转换而来的。

三:RDD编程API

Spark支持两个类型(算子)操作:TransformationAction

(一)Transformation---不会触发计算,延时加载(计算)

主要做的是就是将一个已有的RDD生成另外一个RDD。Transformation具有lazy特性(延迟加载)。Transformation算子的代码不会真正被执行。只有当我们的程序里面遇到一个action算子的时候,代码才会真正的被执行。这种设计让Spark更加有效率地运行。

转换

含义

map(func)

返回一个新的RDD,该RDD由每一个输入元素经过func函数转换后组成

filter(func)

返回一个新的RDD,该RDD由经过func函数计算后返回值为true的输入元素组成

flatMap(func)

类似于map,但是每一个输入元素可以被映射为0或多个输出元素(所以func应该返回一个序列,而不是单一元素)

mapPartitions(func)

类似于map,但独立地在RDD的每一个分片上运行,因此在类型为T的RDD上运行时,func的函数类型必须是Iterator[T] => Iterator[U]

mapPartitionsWithIndex(func)

类似于mapPartitions,但func带有一个整数参数表示分片的索引值,因此在类型为T的RDD上运行时,func的函数类型必须是

(Int, Interator[T]) => Iterator[U]

sample(withReplacement, fraction, seed)

根据fraction指定的比例对数据进行采样,可以选择是否使用随机数进行替换,seed用于指定随机数生成器种子

union(otherDataset)

对源RDD和参数RDD求并集后返回一个新的RDD

intersection(otherDataset)

对源RDD和参数RDD求交集后返回一个新的RDD

distinct([numTasks]))

对源RDD进行去重后返回一个新的RDD

groupByKey([numTasks])

在一个(K,V)的RDD上调用,返回一个(K, Iterator[V])的RDD

reduceByKey(func, [numTasks])

在一个(K,V)的RDD上调用,返回一个(K,V)的RDD,使用指定的reduce函数,将相同key的值聚合到一起,与groupByKey类似,reduce任务的个数可以通过第二个可选的参数来设置

aggregateByKey(zeroValue)(seqOp, combOp, [numTasks])

先按分区聚合 再总的聚合   每次要跟初始值交流 例如:aggregateByKey(0)(_+_,_+_) 对k/y的RDD进行操作

sortByKey([ascending], [numTasks])

在一个(K,V)的RDD上调用,K必须实现Ordered接口,返回一个按照key进行排序的(K,V)的RDD

sortBy(func,[ascending], [numTasks])

与sortByKey类似,但是更灵活 第一个参数是根据什么排序  第二个是怎么排序 false倒序   第三个排序后分区数  默认与原RDD一样

join(otherDataset, [numTasks])

在类型为(K,V)和(K,W)的RDD上调用,返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD  相当于内连接(求交集)

cogroup(otherDataset, [numTasks])

在类型为(K,V)和(K,W)的RDD上调用,返回一个(K,(Iterable<V>,Iterable<W>))类型的RDD

cartesian(otherDataset)

两个RDD的笛卡尔积  的成很多个K/V

pipe(command, [envVars])

调用外部程序

coalesce(numPartitions)   

重新分区 第一个参数是要分多少区,第二个参数是否shuffle 默认false  少分区变多分区 true   多分区变少分区 false

repartition(numPartitions)

重新分区 必须shuffle  参数是要分多少区  少变多

repartitionAndSortWithinPartitions(partitioner)

重新分区+排序  比先分区再排序效率高  对K/V的RDD进行操作

foldByKey(zeroValue)(seqOp)

该函数用于K/V做折叠,合并处理 ,与aggregate类似   第一个括号的参数应用于每个V值  第二括号函数是聚合例如:_+_

combineByKey

合并相同的key的值 rdd1.combineByKey(x => x, (a: Int, b: Int) => a + b, (m: Int, n: Int) => m + n)

partitionBy(partitioner)

对RDD进行分区  partitioner是分区器 例如new HashPartition(2

cache

RDD缓存,可以避免重复计算从而减少时间,区别:cache内部调用了persist算子,cache默认就一个缓存级别MEMORY-ONLY ,而persist则可以选择缓存级别

persist

Subtract(rdd)

返回前rdd元素不在后rdd的rdd

leftOuterJoin

leftOuterJoin类似于SQL中的左外关联left outer join,返回结果以前面的RDD为主,关联不上的记录为空。只能用于两个RDD之间的关联,如果要多个RDD关联,多关联几次即可。

rightOuterJoin

rightOuterJoin类似于SQL中的有外关联right outer join,返回结果以参数中的RDD为主,关联不上的记录为空。只能用于两个RDD之间的关联,如果要多个RDD关联,多关联几次即可

subtractByKey

substractByKey和基本转换操作中的subtract类似只不过这里是针对K的,返回在主RDD中出现,并且不在otherRDD中出现的元素

(二)Action:直接触发计算

 触发代码的运行,我们一段spark代码里面至少需要有一个action操作

动作

含义

reduce(func)

通过func函数聚集RDD中的所有元素,这个功能必须是课交换且可并联的

collect()

在驱动程序中,以数组的形式返回数据集的所有元素

count()

返回RDD的元素个数

first()

返回RDD的第一个元素(类似于take(1))

take(n)

返回一个由数据集的前n个元素组成的数组

takeSample(withReplacement,num, [seed])

返回一个数组,该数组由从数据集中随机采样的num个元素组成,可以选择是否用随机数替换不足的部分,seed用于指定随机数生成器种子

takeOrdered(n[ordering])

 

saveAsTextFile(path)

将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统,对于每个元素,Spark将会调用toString方法,将它装换为文件中的文本

saveAsSequenceFile(path

将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下,可以使HDFS或者其他Hadoop支持的文件系统。

saveAsObjectFile(path

 

countByKey()

针对(K,V)类型的RDD,返回一个(K,Int)的map,表示每一个key对应的元素个数。

foreach(func)

在数据集的每一个元素上,运行函数func进行更新。

aggregate

先对分区进行操作,在总体操作

reduceByKeyLocally

 

lookup

 

top

 

fold

 

foreachPartition

 

(三)RDD算子示例

1.创建一个Int类型的RDD---parallelize

val rdd1 = sc.parallelize(Array(5,1,75,32,647,23,5))

2.对每个元素乘以2(map),并且排序(sortBy)---Transformation延迟计算

val rdd2 = rdd1.map(_*2).sortBy(x=>x,true)  第一个参数是匿名函数,第二个true表示升序,false降序

注意:x=>x是匿名函数,传参是x,省略了类型,因为从数据中可以知道是Int  ---  (x:Int)=>{x}  ---  x=>x   返回值是x  根据返回值的大小进行排序

3.以数组的形式返回数据集的所有元素(collect)---Action立即执行

rdd2.collect

4.过滤掉大于100的数(filter)---Transformation延迟计算

val rdd3 = rdd2.filter(_<100)

5.flatMap嵌套展开,并执行内部函数---Transformation延迟计算

val rdd5 = rdd4.flatMap(_.split(" "))

6. 集合运算---Transformation延迟计算

并集:

val rdd8 = rdd6.union(rdd7)

交集:

val rdd9 = rdd6.intersection(rdd7)

7.分组操作groupByKey--- Transformation延迟计算

四:RDD缓存机制---Transformation延迟计算

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。

(一)案例实验

在Spark shell中读入文件,并进行文件行的计数,然后我们对数据进行缓存后再执行计算,注意,这里执行了count之后才会触发计算,将数据缓存下来,当再次执行count的时候,就会用到缓存的结果

第二次执行效率有所提高 

五:RDD宽依赖和窄依赖

(一)宽依赖和窄依赖概念

每组依赖中左边为父RDD,右边为子RDD

窄依赖:是指每个父RDD的一个Partition最多被子RDD的一个Partition所使用,例如map、filter、union等操作都会产生窄依赖;(独生子女)

宽依赖:是指一个父RDD的Partition会被多个子RDD的Partition所使用,例如groupByKey、reduceByKey、sortByKey等操作都会产生宽依赖;(超生)

需要特别说明的是对join操作有两种情况: 

(1)图中左半部分join:如果两个RDD在进行join操作时,一个RDD的partition仅仅和另一个RDD中已知个数的Partition进行join,那么这种类型的join操作就是窄依赖,例如图1中左半部分的join操作(join with inputs co-partitioned);---多个子RDD,对于每个子RDD都满足窄依赖

(2)图中右半部分join:其它情况的join操作就是宽依赖,例如图1中右半部分的join操作(join with inputs not co-partitioned),由于是需要父RDD的所有partition进行join的转换,这就涉及到了shuffle,因此这种类型的join操作也是宽依赖。

总之:没有依赖关系的stage是可以并行执行的,DAG根据宽依赖来划分stage,每个宽依赖的处理均会是一个stage的划分点。同一个stage中的多个操作会在一个task中完成。因为子RDD的分区仅依赖于父RDD的一个分区,因此这些步骤可以串行执行。

(二)依赖关系下的数据流视图

在spark中,会根据RDD之间的依赖关系将DAG图(有向无环图)划分为不同的阶段,

对于窄依赖,由于partition依赖关系的确定性,partition的转换处理就可以在同一个线程里完成,窄依赖就被spark划分到同一个stage中,

而对于宽依赖,只能等父RDD shuffle处理完成后,下一个stage才能开始接下来的计算。

因此spark划分stage的整体思路是

从左往右推,遇到宽依赖就断开,划分为一个stage;

遇到窄依赖就将这个RDD加入该stage中。

因此在图2中RDD C,RDD D,RDD E,RDDF被构建在一个stage中,RDD A被构建在一个单独的Stage中,而RDD B和RDD G又被构建在同一个stage中。

在spark中,Task的类型分为2种:ShuffleMapTaskResultTask

简单来说,DAG的最后一个阶段会为每个结果的partition生成一个ResultTask,即每个Stage里面的Task的数量是由该Stage中最后一个RDD的Partition的数量所决定的而其余所有阶段都会生成ShuffleMapTask之所以称之为ShuffleMapTask是因为它需要将自己的计算结果通过shuffle到下一个stage中;也就是说上图中的stage1和stage2相当于mapreduce中的Mapper,而ResultTask所代表的stage3就相当于mapreduce中的reducer。

在之前动手操作了一个wordcount程序,因此可知,Hadoop中MapReduce操作中的Mapper和Reducer在spark中的基本等量算子是map和reduceByKey;不过区别在于:Hadoop中的MapReduce天生就是排序的;而reduceByKey只是根据Key进行reduce,但spark除了这两个算子还有其他的算子;因此从这个意义上来说,Spark比Hadoop的计算算子更为丰富。

六:RDD的Checkpoint(检查点)机制:容错机制

(一)检查点是辅助RDD的lineage(血统)进行容错的管理。

任务后面的步骤依赖于前面的步骤,如果一旦出现错误,则无法往后继续计算,就必须从头开始,这样必然会使得效率降低。整个计算的周期就叫lineage,lineage越长,出错的概率越大。所以我们可以设置一个检查点,如果后面的计算过程出错,则不需要从头重新进行计算,则可以从检查点的地方再次开始计算。

(二)RDD的检查点有两种类型

本地目录(即检查点的信息保存在本地的文件夹,一般用于开发和测试),HDFS目录(保存在HDFS,多用于生产环境)

本地目录:需要把spark-shell运行在本地模式上

sc.setCheckpointDir("/root/temp/sparkcheckpoint")

HDFS目录:需要把spark-shell运行在集群模式上

sc.setCheckpointDir("hdfs://ns1/sparkcheckpoint")

七:Spark程序编写---WordCount

(一)配置eclipse环境

https://blog.csdn.net/xummgg/article/details/50651867

(二)使用scala语言编写---本地模式

package com.dt.spark

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD


object WordCount {
  def main(args:Array[String]):Unit={
    val conf = new SparkConf()
    //设置运行模式为本地运行,不然默认是集群模式
    conf.setMaster("local")
    //设置任务名
    conf.setAppName("WordCount")
    //设置SparkContext,是SparkCore的程序入口
    val sc = new SparkContext(conf)
    //读取文件,生成RDD
    val file:RDD[String] = sc.textFile("E:\\storm-kafka\\a.txt")
    //将每一行数据进行嵌套展开、分割
    val words:RDD[String] = file.flatMap(_.split(","))
    //进行单词映射
    val wordOne:RDD[(String,Int)] = words.map((_,1))
    //进行单词计数
    val wordCount:RDD[(String,Int)] = wordOne.reduceByKey(_+_)
    //按照单词出现次数,降序排序
    val wordSort:RDD[(String,Int)] = wordCount.sortBy(x=>x._2, false)
    //将结果保存
    //wordSort.foreach(wordNumberPair => println(wordNumberPair._1 + " : " +wordNumberPair._2))//在命令行中打印该结果

    wordSort.saveAsTextFile("E:\\Output")
    
    sc.stop()
  }
}

(二)使用scala语言编写---集群模式

package com.dt.spark

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD


object WordCount {
  def main(args:Array[String]):Unit={
    val conf = new SparkConf()
    //设置运行模式为本地运行,不然默认是集群模式
    //conf.setMaster("local")  //默认是集群模式
    //设置任务名
    conf.setAppName("WordCount")
    //设置SparkContext,是SparkCore的程序入口
    val sc = new SparkContext(conf)
    //读取文件,生成RDD
    val file:RDD[String] = sc.textFile("/spark/input/c.txt")  //hdfs文件系统
    //将每一行数据进行嵌套展开、分割
    val words:RDD[String] = file.flatMap(_.split(" "))
    //进行单词映射
    val wordOne:RDD[(String,Int)] = words.map((_,1))
    //进行单词计数
    val wordCount:RDD[(String,Int)] = wordOne.reduceByKey(_+_)
    //按照单词出现次数,降序排序
    val wordSort:RDD[(String,Int)] = wordCount.sortBy(x=>x._2, false)
    //将结果显示
    wordSort.collect().foreach(wordNumberPair => println(wordNumberPair._1 + " : " +wordNumberPair._2))//在命令行中打印该结果

    //wordSort.saveAsTextFile("E:\\Output")
    
    sc.stop()
  }
}

导出jar包,进行job提交。需要指定url

[hadoop@hadoopH1 ~]$ spark-submit --class com.dt.spark.WordCount --master spark://hadoopH2:7077 --executor-memory 500m --total-executor-cores 1 ./wc.jar 

 

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!