文章目录
一.为什么使用Spark
MapReduce编程模型的局限性
- 繁杂:只有Map和Reduce两个操作,复杂的逻辑需要大量的样板代码
- 处理效率低:
- 1)Map中间结果写磁盘,Reduce写HDFS,多个Map通过HDFS交换数据
- 2)任务调度与启动开销大
- 不适合迭代处理、交互式处理和流式处理
Spark是类Hadoop MapReduce的通用并行框架
- Job中间输出结果可以保存在内存,不再需要读写HDFS
- 比MapReduce平均快10倍以上
二.Spark简介
1.发展历程
诞生于加州大学伯克利分校AMP实验室,是一个基于内存的分布式计算框架
- 2009年诞生于加州大学伯克利分校AMP实验室
- 2010年正式开源
- 2013年6月正式成为Apache孵化项目
- 2014年2月成为Apache顶级项目
- 2014年5月正式发布Spark 1.0版本
- 2014年10月Spark打破MapReduce保持的排序记录
- 2015年发布了1.3、1.4、1.5版本
- 2016年发布了1.6、2.x版本
2.Spark优势
- 速度快
- 1)基于内存数据处理,比MR快100个数量级以上(逻辑回归算法测试)
- 2)基于硬盘数据处理,比MR快10个数量级以上
- 易用性
- 支持Java、Scala、Python、R语言
- 交互式shell方便开发测试
- 通用性
- 一栈式解决方案:批处理、交互式查询、实时流处理、图计算及机器学习
- 多种运行模式
- YARN、Mesos、EC2、Kubernetes、Standalone、Local
3.Spark技术栈
-
Spark Core:核心组件,分布式计算引擎
-
Spark SQL:高性能的基于Hadoop的SQL解决方案
-
Spark Streaming:可以实现高吞吐量、具备容错机制的准实时流处理系统
-
Spark GraphX:分布式图处理框架
-
Spark MLlib:构建在Spark上的分布式机器学习库
4.Spark环境部署
- 选择较新的Spark2.2版本,
- 下载地址:https://archive.apache.org/dist/spark/spark-2.2.0/spark-2.2.0-bin-hadoop2.7.tgz
- 解压并配置环境变量:SPARK_HOME
- Spark配置文件:
$SPARK_HOME/conf/spark-env.sh,$SPARK_HOME/conf/slaves
- 启动Spark:
$SPARK_HOME/sbin/start-all.sh
- 7077与8080端口
5.Spark初体验
- spark-shell:Spark自带的交互式工具
- 本机:
spark-shell --master local[*]
- Standalone:
spark-shell --master spark://MASTERHOST:7077
- YARN:
spark-shell --master yarn-client
scala>sc.textFile("hdfs://cluster1/data/hello.txt")
.flatMap(x=>x.split("\t"))
.map(x=>(x,1)).reduceByKey(_+_).collect
6.Spark架构设计
- 运行架构
- 1)在驱动程序中,通过SparkContext主导应用的执行
- 2)SparkContext可以连接不同类型的Cluster Manager(Standalone、YARN、Mesos),连接后,获得集群节点上的Executor
- 3)一个Worker节点默认一个Executor,可通过SPARK_WORKER_INSTANCES调整
- 4)每个应用获取自己的Executor
- 5)每个Task处理一个RDD分区
7.Spark架构核心组件
术语 | 说 明 |
---|---|
Application | 建立在Spark上的用户程序,包括Driver代码和运行在集群各节点Executor中的代码 |
Driver program | 驱动程序。Application中的main函数并创建SparkContext |
Cluster Manager | 在集群(Standalone、Mesos、YARN)上获取资源的外部服务 |
Worker Node | 集群中任何可以运行Application代码的节点 |
Executor | 某个Application运行在worker节点上的一个进程 |
Task | 被送到某个Executor上的工作单元 |
Job | 包含多个Task组成的并行计算,往往由Spark Action触发生成,一个Application中往往会产生多个Job |
Stage | 每个Job会被拆分成多组Task,作为一个TaskSet,其名称为Stage |
8.Spark API
IDEA创建sparkapi依赖
<properties>
<maven.compiler.source>1.8</maven.compiler.source>
<maven.compiler.target>1.8</maven.compiler.target>
<encoding>UTF-8</encoding>
<scala.version>2.11.8</scala.version>
<spark.version>2.2.0</spark.version>
<hadoop.version>2.7.1</hadoop.version>
<scala.compat.version>2.11</scala.compat.version>
</properties>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>${scala.version}</version>
</dependency>
<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>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>${hadoop.version}</version>
</dependency>
</dependencies>
- SparkContext
- 连接Driver与Spark Cluster(Workers)
- Spark的主入口
- 每个JVM仅能有一个活跃的SparkContext
- SparkContext.getOrCreate
import org.apache.spark.{SparkConf, SparkContext}
val conf=new SparkConf().setMaster("local[2]").setAppName("HelloSpark")
val sc=SparkContext.getOrCreate(conf)
- SparkSession
- Spark 2.0+应用程序的主入口:包含了SparkContext、SQLContext、HiveContext以及StreamingContext
- SparkSession.getOrCreate
import org.apache.spark.sql.SparkSession
val spark = SparkSession.builder
.master("local[2]")
.appName("appName")
.getOrCreate()
三.核心API:RDD
- RDD:Spark核心,主要数据抽象
- Dataset:从Spark1.6开始引入的新的抽象,特定领域对象中的强类型集合,它可以使用函数或者相关操作并行地进行转换等操作
- DataFrame:DataFrame是特殊的Dataset
1.RDD概念
简单的解释
- RDD是将数据项拆分为多个分区的集合,存储在集群的工作节点上的内存和磁盘中,并执行正确的操作
复杂的解释
- RDD是用于数据转换的接口
- RDD指向了存储在HDFS、Cassandra、HBase等、或缓存(内存、内存+磁盘、仅磁盘等),或在故障或缓存收回时重新计算其他RDD分区中的数据
RDD是弹性分布式数据集(Resilient Distributed Datasets)
-
分布式( Distributed)
-
数据的计算并非只局限于单个节点,而是多个节点之间协同计算得到
-
数据集( Datasets)
-
RDD是只读的、分区记录的集合,每个分区分布在集群的不同节点上
-
RDD并不存储真正的数据,只是对数据和操作的描述
-
弹性(Resilient)
-
自动进行存储方式的切换
,RDD优先存储内存中,内存不足将自动写入磁盘 -
基于Linage的高效容错机制
,在任何时候都能进行重算,根据数据血统,可以自动从节点失败中恢复分区,各个分片之间的数据互不影响 -
Stage失败自动重试 / Task失败自动重试
-
Checkpoint和Persist
, checkpoint持久化到文件系统
2.RDD与DAG
- 两者是Spark提供的核心抽象
- DAG(有向无环图)反映了RDD之间的依赖关系
3.RDD的五大特性
- 1)一系列的
分区(分片)
信息,每个任务处理一个分区 - 2)每个分区上都有
compute函数
,计算该分区中的数据 - 3)RDD之间有一系列的
依赖
- 4)
分区器
决定数据(key-value)分配至哪个分区 - 5)
优先位置列表
,将计算任务分派到其所在处理数据块的存储位置
4.RDD编程流程
5.RDD创建
- 1.使用集合
/*使用集合创建RDD
* 1、Spark默认会根据集群的情况来设置分区的数量,也可以通过parallelize()第二参数来指定
* 2、Spark会为每一个分区运行一个任务进行处理
*/
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.count
rdd.partitions.size
val rdd=sc.parallelize(List(1,2,3,4,5,6),5)
rdd.partitions.size
val rdd=sc.makeRDD(List(1,2,3,4,5,6))
- 2.加载文件
//通过加载文件产生RDD
val distFile=sc.textFile("file:///home/hadoop/data/hello.txt")
distFile.count
val distHDFSFile=sc.textFile("hdfs://hadoop000:8020/hello.txt")
//加载“file://……”时,以local运行仅需一份本地文件,以Spark集群方式运行,应保证每个节点均有该文件的本地副本
//支持目录、压缩文件以及通配符
sc.textFile("/my/directory")
sc.textFile("/my/directory/*.txt")
sc.textFile("/my/directory/*.gz")
/*
1、Spark默认访问HDFS
2、Spark默认为HDFS文件的每一个数据块创建一个分区,也可以通过textFile()第二个参数指定,但只能比数据块数量多
*/
- 3.其他方法
/*其他创建RDD的方法
SparkContext.wholeTextFiles():可以针对一个目录中的大量小文件返回<filename,fileContent>作为PairRDD
普通RDD:org.apache.spark.rdd.RDD[data_type]
PairRDD:org.apache.spark.rdd.RDD[(key_type,value_type)]
Spark 为包含键值对类型的 RDD 提供了一些专有的操作,比如:reduceByKey()、groupByKey()……
也可以通过键值对集合创建PairRDD:
sc.parallelize(List((1,2),(1,3)))
SparkContext.sequenceFile[K,V]() -->Hadoop SequenceFile的读写支持
SparkContext.hadoopRDD()、newAPIHadoopRDD() -->从Hadoop接口API创建
SparkContext.objectFile() -->RDD.saveAsObjectFile()的逆操作
*/
6.RDD分区与RDD的操作
分区是RDD被拆分并发送到节点的不同块之一
- 我们拥有的分区越多,得到的并行性就越强
- 每个分区都是被分发到不同Worker Node的候选者
- 每个分区对应一个Task
操作分为lazy与non-lazy两种 - Transformation(lazy):也称转换操作、转换算子
- Actions(non-lazy):立即执行,也称动作操作、动作算子
7.RDD转换算子
对于转换操作,RDD的所有转换都不会直接计算结果
- 仅记录作用于RDD上的操作
- 当遇到动作算子(Action)时才会进行真正计算
RDD常用的转换算子-map算子 - 对RDD中的每个元素都执行一个指定的函数来产生一个新的RDD
- 任何原RDD中的元素在新RDD中都有且只有一个元素与之对应
- 输入分区与输出分区一一对应
//将原RDD中每个元素都乘以2来产生一个新的RDD
val a=sc.parallelize(1 to 9)
val b=a.map(x=>x*2)
a.collect
b.collect
//map把普通RDD变成PairRDD
val a=sc.parallelize(List("dog","tiger","lion","cat","panther"))
val b=a.map(x=>(x,1))
b.collect
RDD常用的转换算子-filter算子
- 对元素进行过滤,对每个元素应用指定函数,返回值为true的元素保留在新的RDD中
val a=sc.parallelize(1 to 10)
a.filter(_%2==0).collect
a.filter(_<4).collect
//map&filter
val rdd=sc.parallelize(List(1 to 6))
val mapRdd=rdd.map(_*2)
mapRdd.collect
val filterRdd=mapRdd.filter(_>5)
filterRdd.collect
RDD常用的转换算子-mapValues算子
- 原RDD中的Key保持不变,与新的Value一起组成新的RDD中的元素,仅适用于PairRDD
val a=sc.parallelize(List("dog","tiger","lion","cat","panther","eagle"))
val b=a.map(x=>(x.length,x))
b.mapValues("x"+_+"x").collect
//输出结果:
//Array((3,xdogx), (5,xtigerx), (4,xlionx), (3,xcatx), (7,xpantherx), (5,xeaglex))
更多常用转换算子
- distinct
- reduceByKey
- groupByKey
- sortByKey
- union
- join
val dis = sc.parallelize(List(1,2,3,4,5,6,7,8,9,9,2,6))
dis.distinct.collect
dis.distinct(2).partitions.length
val a = sc.parallelize(List("dog", "salmon", "pig"), 3)
val f = a.map(x=>(x.length,x))
f.reduceByKey((a,b)=>(a+b)).collect
f.reduceByKey(_+_).collect
f.groupByKey.collect
val a = sc.parallelize(List("dog", "salmon", "pig"), 3)
val f = a.map(x=>(x.length,x))
f.sortByKey().collect
f.sortByKey(false).collect
val u1 = sc.parallelize(1 to 3)
val u2 = sc.parallelize(3 to 4)
u1.union(u2).collect
(u1 ++ u2).collect
u1.intersection(u2).collect
val j1 = sc.parallelize(List("abe", "abby", "apple"))
.map(a => (a, 1))
val j2 = sc.parallelize(List("apple", "beatty", "beatrice")).map(a => (a, 1))
j1.join(j2).collect
j1.leftOuterJoin(j2).collect
j1.rightOuterJoin(j2).collect
8.RDD动作算子
- 本质上动作算子通过SparkContext执行提交作业操作,触发RDD DAG(有向无环图)的执行
- 所有的动作算子都是急迫型(non-lazy),RDD遇到Action就会立即计算
RDD常用动作算子
count
- 返回的是数据集中的元素的个数
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.count
collect
- 以Array返回RDD的所有元素。一般在过滤或者处理足够小的结果的时候使用
- 应注意到,前面所有转换操作都结合了collect动作算子进行计算输出
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.collect
take: 返回前n个元素
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.take(3)
first:返回RDD第一个元素
val rdd=sc.parallelize(List(1,2,3,4,5,6))
rdd.first
reduce:根据指定函数,对RDD中的元素进行两两计算,返回计算结果
val a=sc.parallelize(1 to 100)
a.reduce((x,y)=>x+y)
a.reduce(_+_) //与上面等价
val b=sc.parallelize(Array(("A",0), ("A",2), ("B",1), ("B",2), ("C",1)))
b.reduce((x,y)=>{(x._1+y._1,x._2+y._2)}) //(AABBC,6)
foreach:对RDD中的每个元素都使用指定函数,无返回值
val rdd=sc.parallelize(1 to 100)
rdd.foreach(println)
lookup:用于PairRDD,返回K对应的所有V值
val rdd=sc.parallelize(List(('a',1), ('a',2), ('b',3), ('c',4)))
rdd.lookup('a') //输出WrappedArray(1, 2)
最值:返回最大值、最小值
val y=sc.parallelize(10 to 30)
y.max //求最大值
y.min //求最小值
saveAsTextFile:保存RDD数据至文件系统
val rdd=sc.parallelize(1 to 10,2)
rdd.saveAsTextFile("hdfs://hadoop000:8020/data/rddsave/")