cache方法
他可以将数据标记为cache,在触发action的时候,会将数据缓存进内存当中,并进行计算。被标记为cache的RDD第一次触发action的时候,因为需要将数据缓存入内存当中,时间会比平时慢。但是在后续需要运用该被标记RDD进行计算的时候,计算会快特别多,十分快。所以需要多次重复运用的数据的时候可以将其cache,极大提高效率。比如机器学算法的多次迭代什么的
cache的前提
-
要求的计算速度快,
-
集群的资源要足够大 .
-
重要:cache的数据会多次的触发Action,这个时候需要缓存,没这个前提用一次没必要缓存
-
.先进行过滤,然后将缩小范围的数据在cache到内存,过滤拿掉一部分数据。
val cache =RDD.cache //将RDD进行缓存放不下只会放一部分,
将RDD释放内存
cache.uppersist(true) //Ture 表示异步(先释放内存,再执行后续代码),表是False同步(一边释放内存,一边执行后续代码)
cache 底层调的方法persist()
底层调用的是persist(),这个方法很灵活,里面可以传参数
可以通过该StorageLevel.MEMORY_ONLY ,进行缓存磁盘和内存,还可以组合缓存,甚至对数据序列化。序列化可以将数据压缩,节省空间,但是会多花一点时间。
参数含义:
第一个参数,放到磁盘
第二个参数,放到内存
第三个参数,磁盘中的数据,不是以java对象的方式保存
第四个参数,内存中的数据,以java对象的方式保存
val MEMORY_AND_DISK = new StorageLevel(true, true, false, true)
带2是可以存副本,防止丢失
Checkpoint
在做了复杂的计算后,可以将数据Checkphoint,然后存入HDFS当中,保证数据安全。
1.迭代计算,保证数据安全
2.对速度的要求不高(相对于cache至内存当中)
3.中间结果存入HDFS
步骤
1.设置checkpoint的目录,通常是HDFS文件系统的目录
2.经过复杂计算得到中间结果
3.将中间结果checkpoint缓存到HDFS中
4后续的计算可以使用之前checkpoint的数据
val sc =SparkContext(conf)
//设置checkpoint的目录
sc.setCheckpointDir("hdfs://node-4:")
//对数据进行checkpoint
RDD.checkpoint()
归属地计算案例
首先将URL中的ip地址给提取出来,然后将IP地址根据ip规则转化成归属地,然后计算每个城市的用户数量。
URL
每条URL当中包含了一名顾客的许多信息,比如ip地址,操作系统等等
20090121000133331104000|123.197.66.93|www.pkwutai.cn|/down/downLoad-id-45383.html|Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 1.7)|http://www.baidu.com/s?tn=b1ank_pg&ie=gb2312&bs=%C3%C0%C6%BC%B7%FE%D7%B0%B9%DC%C0%ED%C8%ED%BC%FE&sr=&z=&cl=3&f=8&wd=%C6%C6%BD%E2%C3%C0%C6%BC%B7%FE%D7%B0%B9%DC%C0%ED%C8%ED%BC%FE&ct=0|
ip规则:
1.0.1.0|1.0.3.255|16777472|16778239|亚洲|中国|福建|福州||电信|350100|China|CN|119.306239|26.075302
规则解释:第一第二个字段是ip的起始和结束,然后第三第四就是ip起始和结束转化为十进制的形式,后面就是对应的地址。
将URL中提取ip,将ip转化为十进制,根据规则进行匹配,在该城市的ip区间,则将其城市输出。
二分法查找
二分法查找针对的是一个有序的数据集合,每次通过与区间的中间元素对比,将待查找的区间缩小为之前的一半,直到找到要查找的元素,或者区间被缩小为0
二分查找非常高效,假设数据大小是n,每次查找后数据都会缩小为原来的一半,也就是会除以2,最坏情况下,直到查找区间被缩小为空,才停止
单机计算ip地址
要求
需求:根据访问日志的ip地址计算出访问者的归属地,并且按照省份,计算出访问次数,然后将计算好的结果写入到SQL。
步骤:
1,整理数据,切分出ip字段,然后将ip地址转换成十进制
2然后将数据缓存到内存中( Executors中的内存中)
3,将访问log和ip规则进行匹配(二分法查找)
4.取出对份名称,然后将其和一组合在一起
5.按省份名进行累合
6.将累合后的数据写入到MySQL中
package cn.edu360.day4
import java.sql.{Connection, DriverManager, PreparedStatement}
import scala.io.{BufferedSource, Source}
/**
* Created by zx on 2017/10/9.
*/
object MyUtils {
// 将URL中的ip地址给提取出来
def ip2Long(ip: String): Long = {
val fragments = ip.split("[.]")
var ipNum = 0L
for (i <- 0 until fragments.length){
ipNum = fragments(i).toLong | ipNum << 8L
}
ipNum
}
//根据ip规则,从中提取出ip的起始和结尾将其转化十进制的起始和结尾,并且提取出来,还有省份
def readRules(path: String): Array[(Long, Long, String)] = {
//读取ip规则
//从path中读取文件
val bf: BufferedSource = Source.fromFile(path)
//取出每一行数据
val lines: Iterator[String] = bf.getLines()
//对ip规则进行整理,并放入到内存
val rules: Array[(Long, Long, String)] = lines.map(line => {
val fileds = line.split("[|]")
val startNum = fileds(2).toLong
val endNum = fileds(3).toLong
val province = fileds(6)
(startNum, endNum, province)
}).toArray //将它转成数组,则会放入内存当中
rules
}
//二分法查找
def binarySearch(lines: Array[(Long, Long, String)], ip: Long) : Int = {
var low = 0
var high = lines.length - 1
while (low <= high) {
val middle = (low + high) / 2
if ((ip >= lines(middle)._1) && (ip <= lines(middle)._2))
return middle
if (ip < lines(middle)._1)
high = middle - 1
else {
low = middle + 1
}
}
-1 //如果没有查找到便输出-1
}
//将其存入sql
def data2MySQL(it: Iterator[(String, Int)]): Unit = {
//一个迭代器代表一个分区,分区中有多条数据
//一个分区建立,获得一个JDBC连接
val conn: Connection = DriverManager.getConnection("jdbc:mysql://localhost:3306/bigdata?characterEncoding=UTF-8", "root", "123568")
//将数据通过Connection写入到数据库
val pstm: PreparedStatement = conn.prepareStatement("INSERT INTO access_log VALUES (?, ?)")
//将分区中的数据一条一条写入到MySQL中
it.foreach(tp => {
pstm.setString(1, tp._1)
pstm.setInt(2, tp._2)
pstm.executeUpdate()
})
//将分区中的数据全部写完之后,在关闭连接
if(pstm != null) {
pstm.close()
}
if (conn != null) {
conn.close()
}
}
def main(args: Array[String]): Unit = {
//数据是在内存中
val rules: Array[(Long, Long, String)] = readRules("/Users/zx/Desktop/ip/ip.txt")
//将ip地址转换成十进制
val ipNum = ip2Long("114.215.43.42")
//查找
val index = binarySearch(rules, ipNum)
//根据脚本到rules中查找对应的数据
val tp = rules(index)
val province = tp._3
println(province)
}
}
分布式处理计算ip地址1
步骤:
-
整理数据,切分出ip字段,然后将ip地址转换成十进制
-
然后将数据缓存到内存中( Executors中的内存中)
-
然后使用广播变量,将Drive端的数据广播到Executor中
-
将访问log和ip规则进行匹配(二分法查找),得出对应的城市
-
取出对份名称,然后将其和一组合在一起
-
按省份名进行累合
-
将累合后的数据写入到MySQL中
package cn.edu360.day4
import org.apache.spark.broadcast.Broadcast
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object IpLoaction1 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("IpLoaction1").setMaster("local[4]")
val sc = new SparkContext(conf)
//在Driver端获取到全部的IP规则数据(全部的IP规则数据在某一台机器上,跟Driver在同一台机器上)
//全部的IP规则在Driver端了(在Driver端的内存中了)
//arg(0)存入的规则的存储地址
val rules: Array[(Long, Long, String)] = MyUtils.readRules(args(0))
//将Drive端的数据广播到Executor中
//调用sc上的广播方法
//广播变量的引用(还在Driver端)
val broadcastRef: Broadcast[Array[(Long, Long, String)]] = sc.broadcast(rules)
//创建RDD,读取访问日志,从HDFS中读取,arg(1)存其存储地址
val accessLines: RDD[String] = sc.textFile(args(1))
//这个函数是在哪一端定义的?(Driver)
val func = (line: String) => {
val fields = line.split("[|]")
val ip = fields(1)
//将ip转换成十进制
val ipNum = MyUtils.ip2Long(ip)
//进行二分法查找,通过Driver端的引用或取到Executor中的广播变量
//(该函数中的代码是在Executor中别调用执行的,通过广播变量的引用,就可以拿到当前Executor中的广播的规则了)
val rulesInExecutor: Array[(Long, Long, String)] = broadcastRef.value
//查找
var province = "未知"
val index = MyUtils.binarySearch(rulesInExecutor, ipNum)
if (index != -1) {
province = rulesInExecutor(index)._3
}
(province, 1)
}
//整理数据
val proviceAndOne: RDD[(String, Int)] = accessLines.map(func)
//聚合
//val sum = (x: Int, y: Int) => x + y
val reduced: RDD[(String, Int)] = proviceAndOne.reduceByKey(_+_)
//将结果打印
val r = reduced.collect()
println(r.toBuffer)
sc.stop()
}
}
分布式处理计算ip地址2
与上面的区别是,当ip规则过大的时候可以考虑将数据存储至HDFS中,用spark将数据读取至excutor当中,收集到driver,再次广播至各个excutor。
-
读取存储在HDFS中的IP规则
-
然后对ip规则进行处理
-
将分散在多个Executor中的部分IP规则收集到Driver端(collect)
-
将Driver端的数据广播到Executo
-
整理数据,切分出ip字段,然后将ip地址转换成十进制
-
将访问log和ip规则进行匹配(二分法查找),得出对应的城市
-
取出对份名称,然后将其和一组合在一起
-
按省份名进行累合
-
将累合后的数据写入到MySQL中
package cn.edu360.day4
import java.sql.{Connection, DriverManager, PreparedStatement}
import org.apache.spark.broadcast.Broadcast
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object IpLoaction2 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("IpLoaction1").setMaster("local[4]")
val sc = new SparkContext(conf)
//取到HDFS中的ip规则
val rulesLines:RDD[String] = sc.textFile(args(0))
//整理ip规则数据
val ipRulesRDD: RDD[(Long, Long, String)] = rulesLines.map(line => {
val fields = line.split("[|]")
val startNum = fields(2).toLong
val endNum = fields(3).toLong
val province = fields(6)
(startNum, endNum, province)
})
//将分散在多个Executor中的部分IP规则收集到Driver端
val rulesInDriver: Array[(Long, Long, String)] = ipRulesRDD.collect()
//将Driver端的数据广播到Executor
//广播变量的引用(还在Driver端)
val broadcastRef: Broadcast[Array[(Long, Long, String)]] = sc.broadcast(rulesInDriver)
//创建RDD,读取访问日志
val accessLines: RDD[String] = sc.textFile(args(1))
//整理数据
val proviceAndOne: RDD[(String, Int)] = accessLines.map(log => {
//将log日志的每一行进行切分
val fields = log.split("[|]")
val ip = fields(1)
//将ip转换成十进制
val ipNum = MyUtils.ip2Long(ip)
//进行二分法查找,通过Driver端的引用或取到Executor中的广播变量
//(该函数中的代码是在Executor中别调用执行的,通过广播变量的引用,就可以拿到当前Executor中的广播的规则了)
//Driver端广播变量的引用是怎样跑到Executor中的呢?
//Task是在Driver端生成的,广播变量的引用是伴随着Task被发送到Executor中的
val rulesInExecutor: Array[(Long, Long, String)] = broadcastRef.value
//查找
var province = "未知"
val index = MyUtils.binarySearch(rulesInExecutor, ipNum)
if (index != -1) {
province = rulesInExecutor(index)._3
}
(province, 1)
})
//聚合
//val sum = (x: Int, y: Int) => x + y
val reduced: RDD[(String, Int)] = proviceAndOne.reduceByKey(_+_)
//将结果打印
//val r = reduced.collect()
//println(r.toBuffer)
//该方法写入sql,每行调用一次jdbc连接,浪费资源
/**
reduced.foreach(tp => {
//将数据写入到MySQL中
//问?在哪一端获取到MySQL的链接的?
//是在Executor中的Task获取的JDBC连接
val conn: Connection = DriverManager.getConnection("jdbc:mysql://localhost:3306/bigdata?charatorEncoding=utf-8", "root", "123568")
//写入大量数据的时候,有没有问题?
val pstm = conn.prepareStatement("...")
pstm.setString(1, tp._1)
pstm.setInt(2, tp._2)
pstm.executeUpdate()
pstm.close()
conn.close()
})
*/
//一个分区调用建立一次JDBC连接,比较合理
//一次拿出一个分区(一个分区用一个连接,可以将一个分区中的多条数据写完在释放jdbc连接,这样更节省资源)
// reduced.foreachPartition(it => {
// val conn: Connection = DriverManager.getConnection("jdbc:mysql://localhost:3306/bigdata?characterEncoding=UTF-8", "root", "123568")
// //将数据通过Connection写入到数据库
// val pstm: PreparedStatement = conn.prepareStatement("INSERT INTO access_log VALUES (?, ?)")
// //将一个分区中的每一条数据拿出来
// it.foreach(tp => {
// pstm.setString(1, tp._1)
// pstm.setInt(2, tp._2)
// pstm.executeUpdate()
// })
// pstm.close()
// conn.close()
// })
reduced.foreachPartition(it => MyUtils.data2MySQL(it))
sc.stop()
}
}