【Spark-Core】运行机制、RDD算子实战_综合

一、Spark运行机制及原理分析

1、WordCount执行的流程分析

在这里插入图片描述

2、Spark提交任务的流程

在这里插入图片描述

二、Spark的算子

1、RDD基础

(1)、什么是RDD?

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、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、位置感知性调度和可伸缩性。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，后续的查询能够重用工作集，这极大地提升了查询速度。

(2)、RDD的属性（源码中的一段话）

在这里插入图片描述

一组分片（Partition）
即数据集的基本组成单位。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。
一个计算每个分区的函数。
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。
RDD之间的依赖关系。
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。
一个Partitioner，即RDD的分片函数。
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。
一个列表，
存储存取每个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。

(3)、RDD的创建方式

通过外部的数据文件创建，如HDFS

val rdd1 = sc.textFile(“hdfs://192.168.88.111:9000/data/data.txt”)

通过sc.parallelize进行创建

val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))

(4)、RDD的类型：Transformation和Action

RDD的基本原理

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-A1hEnjfl-1599208063344)(file:///C:\Users\lenovo\AppData\Local\Temp\ksohtml23616\wps162.jpg)]$

Spark算子示例

1、RDD的创建方式通过外部的数据文件创建，如HDFSval rdd1 = sc.textFile(“hdfs://192.168.88.111:9000/data/data.txt”)通过sc.parallelize进行创建val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))2、RDD的算子
（1）Transformation算子：（*）map（func）算子: 将输入的每个元素重写组合成一个元组val rdd2 = rdd1.map((_,"*"))乘以10val rdd2 = rdd1.map((_ * 10))val rdd2 = rdd1.map((x:Int) = x + 10)（*）filter（func）：返回一个新的RDD，该RDD是经过func运算后返回true的元素val rdd3 = rdd1.filter(_ > 5)（*）flatMap(func) 压平操作val books = sc.parallelize(List("Hadoop","Hive","HDFS"))books.flatMap(_.toList).collect结果：res18: Array[Char] = Array(H, a, d, o, o, p, H, i, v, e, H, D, F, S)val sen = sc.parallelize(List("I love Beijing","I love China","Beijing is the capital of China"))（*）union(otherDataset)：并集运算,注意类型要一致val rdd4 = sc.parallelize(List(5,6,4,7))val rdd5 = sc.parallelize(List(1,2,3,4))val rdd6 = rdd4.union(rdd5)（*）intersection(otherDataset)：交集val rdd7 = rdd5.intersection(rdd4)（*）distinct([numTasks]))：去掉重复数据val rdd8 = sc.parallelize(List(5,6,4,7,5,5,5))rdd8.distinct.collect（*）groupByKey([numTasks])	：对于一个<k,v>的RDD，按照Key进行分组val rdd = sc.parallelize(Array(("I",1),("love",2),("I",3)))rdd.groupByKey.collect结果：res38: Array[(String, Iterable[Int])] = Array((love,CompactBuffer(2)), (I,CompactBuffer(1, 3)))复杂一点的例子：val sen = sc.parallelize(List("I love Beijing","I love China","Beijing is the capital of China"))sen.flatMap(_.split(" ")).map((_,1)).groupByKey.collect（*）reduceByKey(func, [numTasks])：类似于groupByKey，区别是reduceByKey会有一个combiner的过程对每个分区上的数据先做一次合并画图说明，所以效率更高（*）cartesian笛卡尔积val rdd1 = sc.parallelize(List("tom", "jerry"))val rdd2 = sc.parallelize(List("tom", "kitty", "shuke"))val rdd3 = rdd1.cartesian(rdd2)（2）Action算子：val rdd1 = sc.parallelize(List(1,2,3,4,5), 2)（*）collectrdd1.collect（*）reduceval rdd2 = rdd1.reduce(_+_)（*）countrdd1.count（*）toprdd1.top(2)（*）takerdd1.take(2)（*）first(similer to take(1))rdd1.first（*）takeOrderedrdd1.takeOrdered(3)

2、Transformation

RDD中的所有转换都是****延迟加载****的，也就是说，它们并不会直接计算结果。相反的，它们只是记住这些应用到基础数据集（例如一个文件）上的转换动作。只有当发生一个要求返回结果给Driver的动作时，这些转换才会真正运行。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])
**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
**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
**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
**pipe**(command, [envVars])
coalesce**(numPartitions)****
**repartition**(numPartitions)
**repartitionAndSortWithinPartition****s**(partitioner)

3、Action

*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。

4、RDD的缓存机制

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。

在这里插入图片描述

通过查看源码发现cache最终也是调用了persist方法，默认的存储级别都是仅在内存存储一份，Spark的存储级别还有好多种，存储级别在object StorageLevel中定义的。
在这里插入图片描述

缓存有可能丢失，或者存储存储于内存的数据由于内存不足而被删除，RDD的缓存容错机制保证了即使缓存丢失也能保证计算的正确执行。通过基于RDD的一系列转换，丢失的数据会被重算，由于RDD的各个Partition是相对独立的，因此只需要计算丢失的部分即可，并不需要重算全部Partition。

l **Demo示例：**
在这里插入图片描述

l **通过UI进行监控：**

在这里插入图片描述

5、RDD的Checkpoint（检查点）机制：容错机制

检查点（本质是通过将RDD写入Disk做检查点）是为了通过lineage（血统）做容错的辅助，lineage过长会造成容错成本过高，这样就不如在中间阶段做检查点容错，如果之后有节点出现问题而丢失分区，从做检查点的RDD开始重做Lineage，就会减少开销。

设置checkpoint的目录，可以是本地的文件夹、也可以是HDFS。一般是在具有容错能力，高可靠的文件系统上(比如HDFS, S3等)设置一个检查点路径，用于保存检查点数据。

分别举例说明：

l *本地目录*

在这里插入图片描述

l *HDFS的目录*

注意：这种模式，需要将spark-shell运行在集群模式上

在这里插入图片描述

l *源码中的一段话*

在这里插入图片描述

6、RDD的依赖关系和Spark任务中的Stage

l *RDD的依赖关系*

RDD和它依赖的父RDD（s）的关系有两种不同的类型，即窄依赖（narrow dependency）和宽依赖（wide dependency）。

在这里插入图片描述

? 窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用

总结：窄依赖我们形象的比喻为***\*独生子女\****

? 宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition

总结：窄依赖我们形象的比喻为***\*超生\****

l *Spark任务中的Stage*

DAG(Directed Acyclic Graph)叫做有向无环图，原始的RDD通过一系列的转换就就形成了DAG，根据RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在Stage中完成计算。对于宽依赖，由于有Shuffle的存在，只能在parent RDD处理完成后，才能开始接下来的计算，因此宽依赖是划分Stage的依据。

在这里插入图片描述

7、RDD基础练习

? *练习1：*

//通过并行化生成rdd

val rdd1 = sc.parallelize(List(5, 6, 4, 7, 3, 8, 2, 9, 1, 10))//对rdd1里的每一个元素乘2然后排序val rdd2 = rdd1.map(_ * 2).sortBy(x => x, true)//过滤出大于等于十的元素val rdd3 = rdd2.filter(_ >= 10)//将元素以数组的方式在客户端显示rdd3.collect

? *练习2：*

val rdd1 = sc.parallelize(Array("a b c", "d e f", "h i j"))//将rdd1里面的每一个元素先切分在压平val rdd2 = rdd1.flatMap(_.split(' '))rdd2.collect

? *练习3：*

val rdd1 = sc.parallelize(List(5, 6, 4, 3))val rdd2 = sc.parallelize(List(1, 2, 3, 4))//求并集val rdd3 = rdd1.union(rdd2)//求交集val rdd4 = rdd1.intersection(rdd2)//去重rdd3.distinct.collectrdd4.collect

? *练习4：*

val rdd1 = sc.parallelize(List(("tom", 1), ("jerry", 3), ("kitty", 2)))val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 1), ("shuke", 2)))//求jionval rdd3 = rdd1.join(rdd2)rdd3.collect//求并集val rdd4 = rdd1 union rdd2//按key进行分组rdd4.groupByKeyrdd4.collect

? *练习5：*

val rdd1 = sc.parallelize(List(("tom", 1), ("tom", 2), ("jerry", 3), ("kitty", 2)))val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 1), ("shuke", 2)))//cogroupval rdd3 = rdd1.cogroup(rdd2)//注意cogroup与groupByKey的区别rdd3.collect

? *练习6：*

val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5))//reduce聚合val rdd2 = rdd1.reduce(_ + _)rdd2.collect

? *练习7：*

val rdd1 = sc.parallelize(List(("tom", 1), ("jerry", 3), ("kitty", 2),  ("shuke", 1)))val rdd2 = sc.parallelize(List(("jerry", 2), ("tom", 3), ("shuke", 2), ("kitty", 5)))val rdd3 = rdd1.union(rdd2)//按key进行聚合val rdd4 = rdd3.reduceByKey(_ + _)rdd4.collect//按value的降序排序val rdd5 = rdd4.map(t => (t._2, t._1)).sortByKey(false).map(t => (t._2, t._1))rdd5.collect

三、Spark RDD的高级算子

1、mapPartitionsWithIndex

把每个partition中的分区号和对应的值拿出来

在这里插入图片描述

接收一个函数参数：

第一个参数：分区号
第二个参数：分区中的元素

示例：将每个分区中的元素和分区号打印出来。

val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)
创建一个函数返回RDD中的每个分区号和元素：

def func1(index:Int, iter:Iterator[Int]):Iterator[String] ={
```
iter.toList.map( x => "[PartID:" + index + ", value=" + x + "]" ).iterator
```
}
调用：rdd1.mapPartitionsWithIndex(func1).collect

在这里插入图片描述

2、aggregate

先对局部聚合，再对全局聚合

在这里插入图片描述

示例：val rdd1 = sc.parallelize(List(1,2,3,4,5), 2)

查看每个分区中的元素：
将每个分区中的最大值求和，注意：初始值是0；

如果初始值时候10，则结果为：30
如果是求和，注意：初始值是0：

? 如果初始值是10，则结果是：45
一个字符串的例子：

?val rdd2 = sc.parallelize(List("a","b","c","d","e","f"),2)

? 修改一下刚才的查看分区元素的函数
```
def func2(index: Int, iter: Iterator[(String)]) : Iterator[String] = {iter.toList.map(x => "[partID:" +  index + ", val: " + x + "]").iterator}
```
? 两个分区中的元素：

[partID:0, val: a], [partID:0, val: b], [partID:0, val: c],

[partID:1, val: d], [partID:1, val: e], [partID:1, val: f]

? 运行结果：

更复杂一点的例子

val rdd3 = sc.parallelize(List("12","23","345","4567"),2)rdd3.aggregate("")((x,y) => math.max(x.length, y.length).toString, (x,y) => x + y)

结果可能是：”24”，也可能是：”42”

val rdd4 = sc.parallelize(List("12","23","345",""),2)rdd4.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y)

结果是：”10”，也可能是”01”，

原因：注意有个初始值””，其长度0，然后0.toString变成字符串

	
val rdd5 = sc.parallelize(List("12","23","","345"),2)rdd5.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y)

结果是：”11”，原因同上。

3、aggregateByKey

准备数据：

	val pairRDD = sc.parallelize(List( ("cat",2), ("cat", 5), ("mouse", 4),("cat", 12), ("dog", 12), ("mouse", 2)), 2)def func3(index: Int, iter: Iterator[(String, Int)]) : Iterator[String] = {iter.toList.map(x => "[partID:" +  index + ", val: " + x + "]").iterator}

两个分区中的元素：

在这里插入图片描述

示例：

将每个分区中的动物最多的个数求和

scala> pairRDD.aggregateByKey(0)(math.max(_, _), _ + _).collectres69: Array[(String, Int)] = Array((dog,12), (cat,17), (mouse,6))

将每种动物个数求和

scala> pairRDD.aggregateByKey(0)(_+_, _ + _).collectres71: Array[(String, Int)] = Array((dog,12), (cat,19), (mouse,6))

这个例子也可以使用：reduceByKey

scala> pairRDD.reduceByKey(_+_).collectres73: Array[(String, Int)] = Array((dog,12), (cat,19), (mouse,6))

4、coalesce与repartition

都是将RDD中的分区进行重分区。
区别是：coalesce默认不会进行shuffle（false）；而repartition会进行shuffle（true），即：会将数据真正通过网络进行重分区。

示例：

def func4(index: Int, iter: Iterator[(Int)]) : Iterator[String] = {iter.toList.map(x => "[partID:" +  index + ", val: " + x + "]").iterator}val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)

下面两句话是等价的：

val rdd2 = rdd1.repartition(3)val rdd3 = rdd1.coalesce(3,true) --->如果是false，查看RDD的length依然是2

5、其他高级算子

参考：http://homepage.cs.latrobe.edu.au/zhe/ZhenHeSparkRDDAPIExamples.html

*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])
**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
**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
**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
**pipe**(command, [envVars])
coalesce**(numPartitions)****
**repartition**(numPartitions)
**repartitionAndSortWithinPartition****s**(partitioner)

*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。