小知识:
大数据开发人员/数据分析人员,必须要对自己统计的指标结果负责!!!
结果数据的核对方式:
1- 在离线文件中直接ctrl+F搜索关键内容核对(不常用)
2- 一般原始数据会存放在MySQL/Hive中一份,可以编写和代码逻辑完全一样的SQL来进行核对,可以通过如下方式来提高核对效率(常用):
2.1- 如果是分区表,挑选几个分区进行核对即可
2.2- 可以在SQL的where语句中,添加数据过滤条件,例如:时间范围过滤条件,用户编号过滤条件等,将核对的数据量缩小,提高核对效率.
3- 可以对重点指标的同化,环比进行监控,还可以结合算法的方式对指标统计结果进行检测(不常用).
一.RDD的持久化
1.RDD的缓存
当RDD被重复使用,或者计算该RDD比较容易出错,而且需要消耗比较多的资源和时间的时候,我们就可以将该RDD缓存起来.
主要作用:提升Spark程序的计算效率
注意事项:RDD的缓存可以存储在内存或者是磁盘上,甚至可以存储在Executor进程的堆外内存中.主要是放在内存中,因此缓存的数据是不太稳定可靠.
由于是临时存储,可能会存在丢失,所以缓存操作,并不会将RDD之间的依赖关系给截断掉(丢失),因为当缓存失效后,可以全部重新计算.
缓存的API都是Lazy惰性的,如果需要触发缓存操作,推荐调用count算子,因为运行效率高
缓存相关API介绍:
设置缓存的API:
rdd.cache():将RDD的数据缓存储内存中
rdd.persist(缓存的级别/位置):将RDD的数据存储在指定位置
手动清理缓存API:
rdd.unpersist()
默认情况下,当整个Spark应用程序执行完成后,缓存数据会自动失效,会被自动删除
缓存的级别/位置:
DISK_ONLY:只存储在磁盘
DISK_ONLY_2:只存储在磁盘,并且有2个副本
DISK_ONLY_3:只存储在磁盘,并且有3个副本
MEMORY_ONLY:只存储在内存中
MEMORY_ONLY_2:只存储在内存中,并且有2个副本
MEMORY_AND_DISK:存储在内存和磁盘中,先放在内存,再放在磁盘
MEMORY_AND_DISK_2:存储在内存和磁盘中,先放在内存,再放在磁盘,并且有2个副本
OFF_HEAP:Executor进程的堆外内存
工作中最常用的是:MEMORY_AND_DISK和MEMORY_AND_DISK_2.优先推荐使用MEMORY_AND_DISK
演示缓存的使用操作:
import time
from pyspark import SparkConf, SparkContext, StorageLevel
import os
import jieba
# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
# 需要过滤的关键词黑名单
keyword_black_list = ['+','.','的','com']
# ctrl+alt+M将代码封装成函数/方法
# 3.2- 需求一：统计每个关键词出现了多少次。先提取需要操作的字段并且分词，这一步类似WordCount中的对每行进行切分处理，再仿照WordCount实现。
def top10_keyword():
keyword_rdd = etl_rdd.flatMap(lambda line_tup: list(jieba.cut(line_tup[2])))
# print(keyword_rdd.take(10))
# 数据结构转变。将单词变成元组
# keyword_map_rdd = keyword_rdd.filter(lambda word:word!='+' or word!='.').map(lambda word:(word,1))
keyword_map_rdd = keyword_rdd.filter(lambda word: word not in keyword_black_list).map(lambda word: (word, 1))
# 分组聚合操作
keyword_result_rdd = keyword_map_rdd.reduceByKey(lambda agg, curr: agg + curr)
# print(keyword_result_rdd.take(100))
# 对结果中关键词的次数降序排序，取TOP10
keyword_result = keyword_result_rdd.top(10, key=lambda tup: tup[1])
print(keyword_result)
# 3.3- 需求二：统计每个用户每个搜索内容点击的次数
def content():
"""
hive sql：
select
用户,搜索内容,count(1) as cnt
from table
group by 用户,搜索内容
"""
# 从原始的6个字段中，提取出2个字段，得到 (用户,搜索内容)
new_tup_tmp_rdd = etl_rdd.map(lambda tup: (tup[1], tup[2]))
# 数据格式转换
"""
输入：(张三,鸡你太美) -> hello
输出：((张三,鸡你太美),1) -> (hello,1)
"""
new_tup_rdd = new_tup_tmp_rdd.map(lambda tup: (tup, 1))
# new_tup_rdd = new_tup_tmp_rdd.map(lambda tup:(tup[0],tup[1],1))
# 分组聚合
content_result = new_tup_rdd.reduceByKey(lambda agg, curr: agg + curr)
print(content_result.take(10))
if __name__ == '__main__':
# 1- 创建SparkContext
conf = SparkConf().setAppName('sogou_demo').setMaster('local[*]')
sc = SparkContext(conf=conf)
# 2- 数据输入
init_rdd = sc.textFile('file:///export/data/gz16_pyspark/01_spark_core/data/SogouQ.sample')
print("ETL处理前数据条数：",init_rdd.count())
# 3- 数据处理
# 3.1- ETL：数据的清洗、转换、加载
"""
split()：默认按照空白字符进行切分。例如：空格、制表符、回车换行符等
map和flatMap的主要区别：flatMap对每一个元素处理以后，会将结果打平/压扁到一个更大的容器当中。
"""
map_rdd = init_rdd.map(lambda line:line.split())
# print("调用map算子后的内容：",map_rdd.take(10))
# flatmap_rdd = init_rdd.flatMap(lambda line: line.split())
# print("调用flatMap算子后的内容：",flatmap_rdd.take(10))
# 过滤掉每行中没有6个字段的数据
filter_rdd = map_rdd.filter(lambda line_list: len(line_list)==6)
# 数据结构转换（为了演示而演示）
etl_rdd = filter_rdd.map(lambda line_list:(
line_list[0],
line_list[1],
line_list[2][1:-1], # 省略前后的中括号
line_list[3],
line_list[4],
line_list[5]
))
# 设置缓存。并且调用count算子触发操作
# etl_rdd.cache().count()
etl_rdd.persist(storageLevel=StorageLevel.MEMORY_AND_DISK).count()
print("ETL处理后数据条数：", etl_rdd.count())
# 3.2- 需求一：统计每个关键词出现了多少次
# top10_keyword()
# 3.3- 需求二：统计每个用户每个搜索内容点击的次数
content()
time.sleep(20)
# 手动清理缓存。你对哪个RDD设置了缓存，那么你就对那个RDD清理缓存。也需要调用count算子触发。
etl_rdd.unpersist().count()
time.sleep(100)
# 5- 释放资源
sc.stop()2.RDD的checkpoint检查点
RDD缓存主要是将数据存储在内存中,是临时存储,不太稳定,它主要是用来提升程序运行效率的.RDD的checkpoint(检查点)主要是将数据存储在HDFS上,是持久化存储,而HDFS存储数据有3副本的机制,让数据更加安全可靠.
checkpoint认为使用磁盘或者HDFS存储数据之后,数据非常的安全可靠,因此checkpoint会将RDD间的依赖关系给删除/丢弃掉.因此如果checkpoint的数据真的出现了问题,是无法再从头开始计算.
checkpoint主要作用:提升程序的容错率
注意事项:checkpoint可以将数据存储在磁盘或者HDFS上,主要是将数据存储在HDFS上
相关API:
sc.setCheckpointDir(存储路径):设置checkpoint数据存放路径
rdd.checkpoint():对指定RDD启用checkpoint
rdd.count():触发checkpoint
3.缓存和checkpoint的区别
面试题：Spark提供了两种持久化方案。一种为缓存操作，一种为checkpoint方案。请问有什么区别呢?
1- 数据存储位置不同
缓存:存储在内存或者磁盘或者堆外内存中
checkpoint检查点:存储在磁盘或者HDFS上,在集群模式下,仅能保存到HDFS上
2- 数据生命周期
缓存:当程序执行完成后,或者手动调用unpersist缓存都会被删除
checkpoint检查点:即使程序退出后,checkpoint检查点的数据依然是存在的,不会删除,需要手动删除.
3- 血缘关系
缓存:不会截断RDD之间的血缘关系,因为缓存数据有可能是失效,当失效后,需要重新回溯计算操作
checkpoint检查点:会截断掉依赖关系,因为checkpoint将数据保存到更加安全可靠的为止,不会发生数据丢失的问题,当执行失败的时候,也不需要重新回溯执行
4- 主要作用不同
缓存:提高Spark程序的运行效率
checkpoint检查点:提高Spark程序的容错性
思考:既然持久化的方案有两种,那么在生产环境中应该使用哪个方案?
在同一个项目中,推荐缓存和checkpoint(检查点)同时配合使用
使用顺序如下:在代码中先设置缓存,再设置checkpoint检查点,然后再一同使用Action算子触发,推荐使用count算子,因为这个顺序,只有一次IO写的过程.
实际过程如下:程序会优先从缓存中读取数据,如果发现缓存中没有数据.再从checkpoint中读取数据,并且接着将读取到的数据重新在内存中放置一份,后续还是优先从缓存中读取.
二.Spark内核调度
1.内容概述
Spark内核调度的任务:
如何构建DAG执行流程图
如何划分Stage截断
Driver底层是如何运转
确定需要构建多少分区(线程)
Spark内核调度的目的:尽可能用最少的资源高效地完成任务计算
2.RDD的依赖
RDD依赖:一个RDD的形成可能是由一个或者多个RDD得到的,此时这个RDD和之前的RDD之间产生依赖关系.
在Spark中,RDD之间的依赖关系,主要有两种类型:
窄依赖:
作用:能够让Spark程序并行计算,也就是一个分区数据计算出现问题以后,其他分区计算不受到任何影响
特点:父RDD的分区和子RDD的分区关系是一对一的关系,也就是父RDD分区的数据会被整个下游子RDD的分区接收
宽依赖:
作用:划分Stage的重要依据,宽依赖也叫Shuffle依赖
特点:父RDD的分区和子RDD的分区关系是一对多的关系,也就是父RDD的分区数据会被分成多份给到下游子RDD的多个分区所接收
注意:如果有宽依赖,shuffle下游的其他操作,必须等待shuffle执行完成之后才能够继续执行,为了避免数据不完整
说明:在实际使用中,不需要纠结哪些算子会存在shuffle,以需求为目标,虽然shuffle的存在会影响一定的效率,但是以完成任务为准则,改用哪个算子,就使用哪个算子即可,不要过分纠结.
算子中一般以ByKey结尾的会发生Shuffle;另外是重分区算子会发生shuffle
3.DAG和Stage
DAG:有向无环图,主要描述一段执行任务,从开始一直往下走,不允许出现回调操作
Spark应用程序中,遇到一个Action算子,就会触发形成一个Job任务的产生
对于每一个Job的任务,都会产生一个DAG执行流程图,那么这个流程图是如何形成的呢?
层级关系:
1- 一个Spark应用程序 ->遇到一个Action算子,就会触发形成一个Job任务
2- 一个Job任务只有一个DAG有向无环图
3- 一个DAG有向无环图->有多个Stage
4- 一个Stage -> 有多个Task线程
5- 一个RDD -> 有多个分区
6- 一个分区会被一个Task线程所处理
默认并行度的值确认:
因为是使用textFile读取HDFS上的文件,因此RDD分区数=max(文件的block块的数量,defaultMinPartition),继续需要知道defaultMinPartition的值是多少.
defaultMinPartition = min(spark.default.parallelism,2)取最小值,最终我们确认spark.default.parallelism的参数值就能够最终确认RDD的分区数有多少个
spark.default.parallelism参数值确认过程如下:
1- 如果有父RDD,就取父RDD的最大分区数
2- 如果没有父RDD,根据集群模式进行取值:
2.1- 本地模式:机器最大CPU核数
2.2- Mesos:默认是8
2.3- 其他模式:所有执行节点上的核总数或2,以较大者为准
4、Spark Shuffle
Spark中shuffle的发展历程:
1- 在1.1版本以前，Spark采用Hash shuffle (优化前 和 优化后)
2- 在1.1版本的时候，Spark推出了Sort Shuffle
3- 在1.5版本的时候，Spark引入钨丝计划(优化为主)
4- 在1.6版本的时候，将钨丝计划合并到sortShuffle中
5- 在2.0版本的时候，将Hash Shuffle移除，将Hash shuffle方案移植到Sort Shuffle
优化前的Hash shuffle:
存在的问题:
上游（map端）的每个Task会产生与下游Task个数相等的小文件个数。这种情况会导致上游有非常多的小文件。另外，下游（reduce端）来拉取文件的时候，会有大量的网络IO和磁盘IO过程，因为要打开和读取多个小文件。
优化后的Hash shuffle
变成了由每个Executor进程产生与下游Task个数相等的小文件数,这样可以大量减小小文件的产生,以及降低下游拉取文件时候的网络IO和磁盘IO过程.
Sort shuffle:
Sort Shuffle分层了两种:普通机制和bypass机制,具体使用哪种,由Spark底层决定.
普通机制的运行过程:每个上游Task线程处理数据,数据处理完以后,先放在内存中,接着对内存中的数据进行分区,排序.将内存中的数据溢写到磁盘,形成一个个的小文件.溢写完成以后,会将多个小文件合并成一个大的磁盘文件,并且针对每个大的磁盘文件,会提供一个索引文件,接着是下游Task根据索引文件来读取相应的数据.
bypass机制:就是普通机制的基础上,省略了排序的过程
bypass机制的触发条件(两者同时):
1- 上游RDD的分区数量最多不能超过200个
2- 上游不能对数据进行提前聚合操作(因为提前聚合,需要先进行分组操作,而分组的操作实际上是有排序的操作)
5.Job调度流程
主要是讨论：在Driver内部，是如何调度任务
1- Driver进程启动后，底层PY4J创建SparkContext顶级对象。在创建该对象的过程中，还会创建另外两个对象，分别是: DAGScheduler和TaskScheduler
DAGScheduler: DAG调度器。将Job任务形成DAG有向无环图和划分Stage的阶段
TaskScheduler: Task调度器。将Task线程分配给到具体的Executor执行2- 一个Spark程序遇到一个Action算子就会触发产生一个Job任务。SparkContext将Job任务给到DAG调度器，拿到Job任务后，会将Job任务形成DAG有向无环图和划分Stage的阶段。并且会确定每个Stage阶段有多少个Task线程，会将众多的Task线程放到TaskSet的集合中。DAG调度器将TaskSet集合给到Task调度器
3- Task调度器拿到TaskSet集合以后，将Task分配给到给到具体的Executor执行。底层是基于SchedulerBackend调度队列来实现的。
4- Executor开始执行任务。并且Driver会监控各个Executor的执行状态，直到所有的Executor执行完成，就认为任务运行结束
5- 后续过程和之前一样
6、Spark RDD并行度
整个Spark应用中，影响并行度的因素有以下两个原因:
-
1- 资源的并行度: Executor数量 和 CPU核心数 以及 内存的大小
-
2- 数据的并行度: Task的线程数 和 分区数量
-
一般将Task线程数设置为CPU核数的2-3倍。另外每个线程分配3-5GB的内存资源。
说明: spark.default.parallelism该参数是SparkCore中的参数。该参数只会影响shuffle以后的分区数量。另外该参数对parallelize并行化本地集合创建的RDD不起作用。