spark--必备了解

SparkCore

• 离线
• 环境:SparkContext
  • 简称sc
  • new SparkConf().setAppName(“wc”).setMaster(“local[*]”) new SparkContext(conf)

数据抽象

• RDD--弹性分布式数据集合--RDD里面不存数据,只记录5大属性

RDD五大主要特征

• 分区列表--数据集从哪来
• 最佳位置列表--在哪计算合适
• 分区器--如何分区
• 计算函数--怎样的函数计算
• 依赖关系--计算函数的RDD的依赖关系

RDD数据源

• 文本文件
• 对象文件
• 数据库
• 本地文件/hdfs文件
• sequence文件

创建RDD

• 外部存储系统的数据集创建(本地文件系统/hadoop支持的数据集)

val fileRDD: RDD[String] =sc.textFile(文件路径,分区数)            //外部存储系统的数据集创建(本地文件系统/hadoop支持的数据集)

• 已有RDD调用RDD方法(Transformations方法)返回一个新的RDD

val wordRDD: RDD[String] = fileRDD.flatMap(_.split(" "))        //已有RDD调用RDD方法(Transformations方法)返回一个新的RDD

• 将scala集合转为RDD

val intRDD1 =sc.parallelize(Array(1,2,3,4,5,6,7,8),分区数)        //将scala集合转为RDD
val intRDD2 = sc.makeRDD(List(1,2,3,4,5,6,7,8),分区数)        //将scala集合转为RDD

RDD算子分类

Transformations:转换操作,返回值为新的RDD,只会记录转换操作和依赖关系,不会立即执行

• map(func)=>RDD
  • 每一个输入元素经过func转换
• filter(func)=>RDD
  • 每一个输入元素经过func计算,然后返回 值为true的输入元素
• flatMap(func)=>RDD
  • map之后压平,func返回一个序列,不是单一元素
• mapPartitions(func)=>RDD
  • 独立运行在每一个分区上,即func的函数类型必须是Iterator[T] => Iterator[U]
• mapPartitionsWithIndex(func)=>RDD
  • 独立运行在某个分区上,func的函数类型必须是(Int, Interator[T]) => Iterator[U]
    sample(withReplacement,function,seed)=>RDD --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)=>RDD
  • 两个RDD求并集,不去重
• intersection(otherDataset)=>RDD
  • 两个RDD求交集
• distinct([numTasks])=>RDD
  • 对源RDD去重
• keys或values
  • 获取所有key或value组成的RDD
• mapVaules
  • 对RDD所有的value操作,key不变
• groupByKey([numTasks])=>RDD
  • (k,v)类型的RDD调用,返回(K,Iterator[V])的RDD
• reduceByKey(func,[numTasks])
  • (k,v)类型的RDD调用,使用指定的reduce函数,将相同的key的值进行聚合
• aggregateByKey(zeroValue)(seqOp, combOp, [numTasks])
• 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])
  • 类似sortByKey,但更灵活,默认ture升序,字典排序可以x=>x+""
• 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
• leftOuterJoin
  • 左外连接
• RightOuterJoin
  • 右外连接
• cache/persist
  • 缓存/持久化,适合该RDD后面经常被用到,默认MEMORY_ONLY,将RDD以非序列化方式存储在JVM中,若内存不够,则某些分区不会缓存会重新计算
• checkpoint
  • 设置检查点,在sc中设置检查点目录,调用后将结果存入该目录
    cogroup(otherDataset, [numTasks]) --在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable,Iterable))类型的RDD
• cartesian(otherDataset)
  • 笛卡尔积,推荐算法会用
• pipe(command, [envVars])
  • 对RDD进行管道操作
• coalesce(numPartitions)
  • 重新分区,默认只能减少分区(底层shuffle=false),注意:重分区的是新生成的RDD,原RDD不变
• repartition(numPartitions)
  • 重新分区,底层调用coalesce方法(传参shuffle=true),注意:重分区的是新生成的RDD,原RDD不变,适合提高并行度或者合并小文件

Actions:动作操作,无返回值或返回值不是RDD(例collect/saveAsTextFile)

• reduce(func)
  • 注意:区分reduceByKey(为transformation算子)的算子分类
• collect()
  • 以数组形式返回数据集的所有元素,适合小数据量,注意:只计算外层集合
• collectAsMap()
  • 将RDD收集为本地集合
• count()
  • 返回RDD的元素个数
• first()
  • 返回第一个元素,类似take(1),没有排序
• take(n)
  • 返回前n个元素,没有排序
• top(n)
  • 将数据拉回Driver进行排序再取前TopN(最大的前n个),不适合大数据量
• takeOrdered(n,[ordering])
  • 返回自然顺序或者自定义顺序的前n个元素
• 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)
  • 将数据集的元素，以 Java 序列化的方式保存到指定的目录下
• 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。
• foreachPartition(func)
  • 在数据集的每一个分区上，运行函数func,例如保存数据到数据库,明显比foreach要好很多,减少连接次数

特别提出来:统计操作

• count
  • 个数
• mean
  • 均值
• sum
  • 求和,比如求平均,可以很方便的先groupByKey,然后mapValues(v=>{v.sum/v.size})
• max
  • 最大值
• min
  • 最小值
• variance
  • 方差
• sampleVariance
  • 从采样中计算方差
• stdev
  • 标准差:衡量数据的离散程度
• sampleStdev
  • 采样的标准差
• stats
  • 查看统计结果

RDD宽窄依赖

• 宽依赖
  • 父RDD的一个分区会被子RDD的多个分区所依赖,与划分Stage阶段有关
• 窄依赖
  • 父RDD的一个分区只会被子RDD的一个分区所依赖,可以并行计算`
• 本质就是有没有shuffle(因为它会涉及到数据交互跨网络传输)

SparkSQL

• 离线
• 环境:SparkSession
  • 简称spark
  • SparkSession.builder.appName(“wc”).master(“local[*]”).getOrCreate(),可以.sparkContext获取sc

数据交互

• 普通文本
• json
• parquet
• csv
• MySQL

数据抽象

DataFrame

• DataFrame = RDD - 泛型 + Schema(约束) + SQL操作 + 优化
• 生成

rdd.toDF/ds.todf
spark.read.text("文本路径")
spark.read.json("文本路径")        //有完整约束
spark.read.parquet("文本路径")      //有完整约束

• 读取

show()

Dataset

• DataSet = DataFrame + 泛型
• DataSet = RDD + Schema(约束) + SQL操作 + 优化
• 生成

rdd.tods/df.as[泛型]
spark.read.textFile("文本路径")
....

• 读取

show()

• 底层都是RDD的封装,可以理解成分布式的表,所以要转换的话需要考虑加Schema或者泛型
  
  

怎么用

• DSL
  • 领域特定查询语言,和SparkCore的API基本相同
• SQL
  • 结果化查询语言,先.createOrReplaceTempView(“表名”),在.sql(“sql语句”),在.show()展示

自定义函数

• UDF
  • DSL风格是spark.udf.register(“注册函数的名称”,函数)
  • SQL风格是functions.udf(函数)
• UDAF
• UDTF
  • 注意:不支持

SparkStreaming

• 实时
• 环境:StreamingContext
  • new StreamingContext(sc,Seconds(5)) //指定微批处理的划分间隔

数据抽象

• DStream(Discretized Stream，离散数据流)
• 本质是一系列时间上连续的RDD(微批处理)

API分类

Transformations

• 无状态转换:每个批次的处理不依赖之前批次
• map(func)
  • 对DStream中的各个元素进行func函数操作，然后返回一个新的DStream
• flatMap(func)
  • 与map方法类似，只不过各个输入项可以被输出为零个或多个输出项
• filter(func)
  • 过滤出所有函数func返回值为true的DStream元素并返回一个新的DStream
• union(otherStream)
  • 将源DStream和输入参数为otherDStream的元素合并，并返回一个新的DStream.
• reduceByKey(func, [numTasks])
  • 利用func函数对源DStream中的key进行聚合操作，然后返回新的(K，V)对构成的DStream
• join(otherStream, [numTasks])
  • 输入为(K,V)、(K,W)类型的DStream，返回一个新的(K，(V，W)类型的DStream
• transform(func)
  • 过RDD-to-RDD函数作用于DStream中的各个RDD，可以是任意的操作，从而返回一个新的RDD
• 有状态转换:当前批次的处理需要使用之前批次的数据或者中间结果。
  • UpdateStateByKey(func)
    • 可以和历史数据累加,聚合
  • reduceByKeyAndWindow(方法,窗口长度,滑动间隔)
    • 可以实现窗口(窗口长度,滑动间隔)

Output/Action

• print() --打印到控制台
• saveAsTextFiles(prefix, [suffix])
  • 保存流的内容为文本文件，文件名为"prefix-TIME_IN_MS[.suffix]".
• saveAsObjectFiles(prefix,[suffix])
  • 保存流的内容为SequenceFile，文件名为 “prefix-TIME_IN_MS[.suffix]”.
• saveAsHadoopFiles(prefix,[suffix])
  • 保存流的内容为hadoop文件，文件名为"prefix-TIME_IN_MS[.suffix]".
• foreachRDD(func)
  • 对Dstream里面的每个RDD执行func

StructuredStreaming

• 实时
• 环境:SparkSession
• 因为数据抽象还是DataFrame/Dataset,调用spark.readStream做流处理

数据抽象

• DataFrame/Dataset
• 底层原理是一个无界表
• 图解