0
0

Spark-Core

1、Spark简介
2、Spark-Core核心算子
3、Spark-Core
4、SparkSQL

文章目录

一、RDD 编程

1、RDD序列化

初始化工作是在Driver端进行的，而实际运行程序是在Executor端进行的，这就涉及到了跨进程通信，是需要序列化的。

在这里插入图片描述

class User extends Serializable {var name:String= _
}class Test04 {
  Logger.getLogger("org").setLevel(Level.ERROR)@Testdef test():Unit={val conf: SparkConf =new SparkConf().setAppName("SparkCore").setMaster("local[*]")val sc: SparkContext =new SparkContext(conf)val rdd01: RDD[(Int,String)]= sc.makeRDD(Array((111,"aaa"),(222,"bbbb"),(333,"ccccc")),3)val user01: User =new User()
    user01.name ="list"val user02: User =new User()
    user02.name ="lisi"val userRdd01: RDD[User]= sc.makeRDD(List(user01, user02))//  没有序列化(java.io.NotSerializableException: day04.User)
    userRdd01.foreach(user => println(user.name))
    sc.stop()}}
1.2 Kryo序列化框架

参考地址: https://github.com/EsotericSoftware/kryo

Java的序列化能够序列化任何的类。但是比较重，序列化后对象的体积也比较大。

Spark出于性能的考虑，Spark2.0开始支持另外一种Kryo序列化机制。Kryo速度是Serializable的10倍。当RDD在Shuffle数据的时候，简单数据类型、数组和字符串类型已经在Spark内部使用Kryo来序列化。

importorg.apache.log4j.{Level, Logger}importorg.apache.spark.rdd.RDD
importorg.apache.spark.{SparkConf, SparkContext}importorg.junit.Test

class Test04 {
  Logger.getLogger("org").setLevel(Level.ERROR)@Testdef test():Unit={val conf: SparkConf =new SparkConf().setAppName("SparkCore").setMaster("local[*]")// 替换默认的序列化机制.set("spark.serializer","org.apache.spark.serializer.KryoSerializer")// 注册需要使用kryo序列化的自定义类.registerKryoClasses(Array(classOf[Search]))val sc: SparkContext =new SparkContext(conf)val rdd: RDD[String]= sc.makeRDD(Array("hello world","hello","world"))val search: Search =new Search("hello")val result: RDD[String]= rdd.filter(search.isMatch)
    println(result.collect().toList)}}//  关键字封装在一个类里面//  需要自己先让类实现序列化  之后才能替换使用kryo序列化class Search(val query:String)extends Serializable {def isMatch(s:String):Boolean={
    s.contains(query)}}

2、RDD依赖关系

2.1 查看血缘关系

RDD只支持粗粒度转换，即在大量记录上执行的单个操作。将创建RDD的一系列Lineage（血统）记录下来，以便恢复丢失的分区。RDD的Lineage会记录RDD的元数据信息和转换行为，当该RDD的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。

在这里插入图片描述

  • 圆括号中的数字表示RDD的并行度，也就是有几个分区
rdd03.toDebugString

@Testdef test():Unit={val conf: SparkConf =new SparkConf().setAppName("SparkCore").setMaster("local[*]")val sc: SparkContext =new SparkContext(conf)val rdd01: RDD[String]= sc.textFile("input/1.txt")
  println(rdd01.toDebugString)
  println("rdd01===")val rdd02: RDD[String]= rdd01.flatMap(_.split(" "))
  println(rdd02.toDebugString)
  println("rdd02====")val rdd03: RDD[(String,Int)]= rdd02.map((_,1))
  println(rdd03.toDebugString)
  println("rdd03====")val rdd04: RDD[(String,Int)]= rdd03.reduceByKey(_ + _)
  println(rdd04.toDebugString)
  sc.stop()}

在这里插入图片描述

2.2 查看依赖关系

在这里插入图片描述

在这里插入图片描述

RDD之间的关系可以从两个维度来理解：一个是RDD是从哪些RDD转换而来，也就是 RDD的parent RDD(s)是什么（血缘）; 另一个就是RDD依赖于parent RDD(s)的哪些Partition(s)，这种关系就是RDD之间的依赖（依赖）。

RDD和它依赖的父RDD（s）的依赖关系有两种不同的类型，即窄依赖（NarrowDependency）和宽依赖（ShuffleDependency）。

2.3 窄依赖

一对一、多对一

  • 窄依赖表示每一个父RDD的Partition最多被子RDD的一个Partition使用（一对一、多对一）。
  • 窄依赖我们形象的比喻为独生子女。

在这里插入图片描述

2.4 宽依赖

一对多，会引起Shuffle

  • 宽依赖表示同一个父RDD的Partition被多个子RDD的Partition依赖（只能是一对多），会引起Shuffle。
  • 总结：宽依赖我们形象的比喻为超生。
  • 具有宽依赖的transformations包括：sort、reduceByKey、groupByKey、join和调用rePartition函数的任何操作。
  • 宽依赖对Spark去评估一个transformations有更加重要的影响，比如对性能的影响。
  • 在不影响业务要求的情况下，要尽量避免使用有宽依赖的转换算子，因为有宽依赖，就一定会走shuffle，影响性能。

在这里插入图片描述

2.5 Stage任务划分

DAG有向无环图

DAG（Directed Acyclic Graph）有向无环图是由点和线组成的拓扑图形，该图形具有方向，不会闭环。

DAG记录了RDD的转换过程和任务的阶段。

RDD任务切分

RDD任务切分中间分为：Application、Job、Stage和Task

  • Application：初始化一个SparkContext即生成一个Application；
  • Job：一个Action算子就会生成一个Job；
  • Stage：Stage等于宽依赖的个数加1；
  • Task：一个Stage阶段中，最后一个RDD的分区个数就是Task的个数。

注意：

Application

->

Job

->

Stage

->

Task

每一层都是1对n的关系。

@Testdef Test():Unit={val conf: SparkConf =new SparkConf().setAppName("SparkCore").setMaster("local[*]")//  1、Application：初始化一个SparkContext即生成一个Applicationval sc: SparkContext =new SparkContext(conf)val lineRdd: RDD[String]= sc.textFile("input/1.txt")val rdd01: RDD[String]= lineRdd.flatMap(_.split(" "))val rdd02: RDD[(String,Int)]= rdd01.map((_,1))//  3、Stage：reduceByKey算子会有宽依赖,stage阶段+1。一共2个stageval resultRdd: RDD[(String,Int)]= rdd02.reduceByKey(_ + _)//  2、Job：一个Action算子就会生成一个Job。一共2个Job
  resultRdd.collect().foreach(println)
  resultRdd.saveAsTextFile("output")
  Thread.sleep(Long.MaxValue)
  sc.stop()}

Application个数：

//  1、Application：初始化一个SparkContext即生成一个Applicationval sc: SparkContext =new SparkContext(conf)

Job个数

在这里插入图片描述

Stage个数

在这里插入图片描述

Task数量

  • 如果存在shuffle过程，系统会自动进行缓存，UI界面显示skipped的部分。
  • 从Stage中看有2个Task。

在这里插入图片描述

在这里插入图片描述

3、RDD 持久化

3.1 Cache缓存

RDD通过Cache或者Persist方法将前面的计算结果缓存，默认情况下会把数据以序列化的形式缓存在JVM的堆内存中。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算子时，该RDD将会被缓存在计算节点的内存中，并供后面重用。

//  cache底层调用的就是persist方法,缓存级别默认用的是MEMORY_ONLY
wortToOneRdd.cache()//  可以更改缓存级别
wortToOneRdd.persist(StorageLevel.MEMORY_AND_DISK_2)

案例：

val wordRdd: RDD[String]= lineRdd.flatMap(line => line.split(" "))val wortToOneRdd: RDD[(String,Int)]= wordRdd.map(word =>(word,1))//  打印血缘关系（缓存前）
println(wortToOneRdd.toDebugString)//  数据缓存//  cache底层调用的就是persist方法,缓存级别默认用的是MEMORY_ONLY
wortToOneRdd.cache()//  可以更改缓存级别//    wortToOneRdd.persist(StorageLevel.MEMORY_AND_DISK_2)
wortToOneRdd.collect().foreach(println)//  打印血缘关系（缓存后）
println(wortToOneRdd.toDebugString)

在这里插入图片描述

缓存枚举参数

默认的存储级别都是仅在内存存储一份。在存储级别的末尾加上“_2”表示持久化的数据存为两份。

SER：表示序列化。

在这里插入图片描述

缓存有可能丢失，或者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。

**自带缓存

采用reduceByKey

**

// 采用reduceByKey，自带缓存
val wordByKeyRDD:RDD[(String,Int)]= wordToOneRdd.reduceByKey(_+_)
3.2 CheckPoint检查点

检查点：是通过将RDD中间结果写入磁盘

原因： 由于血缘依赖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，如果检查点之后有节点出现问题，可以从检查点开始重做血缘，减少了开销。

检查点存储路径： Checkpoint的数据通常是存储在HDFS等容错、高可用的文件系统。

存储格式为： 二进制的文件。

检查点切断血缘： 在Checkpoint的过程中，该RDD的所有依赖于父RDD中的信息将全部被移除。

检查点触发时间： 对RDD进行Checkpoint操作并不会马上被执行，必须执行Action操作才能触发。但是检查点为了数据安全，会从血缘关系的最开始执行一遍。

在这里插入图片描述

//    设置检查点数据存储路径：
sc.setCheckpointDir("./checkpoint1")//    调用检查点方法：
wordToOneRdd.checkpoint()

代码：

val rdd: RDD[String]= sc.textFile("input/1.txt")//  业务逻辑val rdd01: RDD[String]= rdd.flatMap(line => line.split(" "))val rdd02: RDD[(String,Long)]= rdd01.map(word =>(word, System.currentTimeMillis()))//  增加缓存，避免再重新跑一个job做checkpoint
rdd02.cache()//  数据检查点：针对wordToOneRdd做检查点计算
rdd02.checkpoint()//  会立即启动一个新的job来专门的做checkpoint运算(一共会有2个job)
rdd02.collect().foreach(println)//  再次触发2次执行逻辑，用来对比
rdd02.collect().foreach(println)
rdd02.collect().foreach(println)

执行结果：

通过页面

http://localhost:4040/jobs

查看DAG图。可以看到检查点切断了血缘依赖关系。
只增加checkpoint，没有增加Cache缓存打印第1个job执行完，触发了checkpoint，第2个job运行checkpoint，并把数据存储在检查点上。第3、4个job，数据从检查点上直接读取。增加checkpoint，也增加Cache缓存打印第1个job执行完，数据就保存到Cache里面了，第2个job运行checkpoint，直接读取Cache里面的数据，并把数据存储在检查点上。第3、4个job，数据从检查点上直接读取。
在这里插入图片描述

在这里插入图片描述

3.3 缓存和检查点区别
  • Cache缓存只是将数据保存起来，不切断血缘依赖。Checkpoint检查点切断血缘依赖。
  • Cache缓存的数据通常存储在磁盘、内存等地方，可靠性低。Checkpoint的数据通常存储在HDFS等容错、高可用的文件系统，可靠性高。
  • 建议对checkpoint()的RDD使用Cache缓存，这样checkpoint的job只需从Cache缓存中读取数据即可，否则需要再从头计算一次RDD。
  • 如果使用完了缓存，可以通过unpersist()方法释放缓存。
3.4 检查点存储到HDFS集群

如果检查点数据存储到HDFS集群，要注意配置访问集群的用户名。否则会报访问权限异常。

// 设置访问HDFS集群的用户名
System.setProperty("HADOOP_USER_NAME","atguigu")// 需要设置路径.需要提前在HDFS集群上创建/checkpoint路径
sc.setCheckpointDir("hdfs://hadoop102:8020/checkpoint")//  数据检查点：针对wordToOneRdd做检查点计算
rdd02.checkpoint()

4、键值对RDD数据分区

Spark目前支持Hash分区、Range分区和用户自定义分区。Hash分区为当前的默认分区。分区器直接决定了RDD中分区的个数、RDD中每条数据经过Shuffle后进入哪个分区和Reduce的个数。

  • 只有Key-Value类型的RDD才有分区器，非Key-Value类型的RDD分区的值是None
  • 每个RDD的分区ID范围：0~numPartitions-1，决定这个值是属于那个分区的。
val conf: SparkConf =new SparkConf().setAppName("SparkCore").setMaster("local[*]")val sc: SparkContext =new SparkContext(conf)//    数据源处理val rdd: RDD[(Int,Int)]= sc.makeRDD(List((1,1),(2,2),(3,3)))//    打印分区器
println(rdd.partitioner)//    使用HashPartitioner对RDD进行重新分区val rdd02: RDD[(Int,Int)]= rdd.partitionBy(new HashPartitioner(2))//    打印分区器
println(rdd02.partitioner)
sc.stop()

Hash分区

HashPartitioner分区的原理：对于给定的key，计算其hashCode，并除以分区的个数取余，如果余数小于0，则用余数+分区的个数（否则加0），最后返回的值就是这个key所属的分区ID。

HashPartitioner分区弊端：可能导致每个分区中数据量的不均匀，极端情况下会导致某些分区拥有RDD的全部数据。

在这里插入图片描述

Ranger分区

  RangePartitioner作用：将一定范围内的数映射到某一个分区内，尽量保证每个分区中数据量均匀，而且分区与分区之间是有序的，一个分区中的元素肯定都是比另一个分区内的元素小或者大，但是分区内的元素是不能保证顺序的。简单的说就是将一定范围内的数映射到某一个分区内。

实现过程为：

第一步：先从整个RDD中采用水塘抽样算法，抽取出样本数据，将样本数据排序，计算出每个分区的最大key值，形成一个Array[KEY]类型的数组变量rangeBounds；

第二步：判断key在rangeBounds中所处的范围，给出该key值在下一个RDD中的分区id下标；该分区器要求RDD中的KEY类型必须是可以排序的

  • 1）我们假设有100万条数据要分4个区
  • 2）从100万条中抽100个数（1,2,3, …… 100）
  • 3）对100个数进行排序，然后均匀的分为4段
  • 4）获取100万条数据，每个值与4个分区的范围比较，放入合适分区

二、累加器

分布式共享只写变量（Executor和Executor之间不能读数据）

  • 累加器用来把Executor端变量信息聚合到Driver端。在Driver中定义的一个变量，在Executor端的每个task都会得到这个变量的一份新的副本，每个task更新这些副本的值后，传回Driver端进行合并计算。
  • 注意：Executor端的任务不能读取累加器的值（例如：在Executor端调用sum.value，获取的值不是累加器最终的值）。因此我们说，累加器是一个分布式共享只写变量。

在这里插入图片描述

//    累加器定义（SparkContext.accumulator(initialValue)方法）val sum: LongAccumulator = sc.longAccumulator("sum")//    累加器添加数据（累加器.add方法）
sum.add(count)//    累加器获取数据（累加器.value）
sum.value

val dataRdd: RDD[(String,Int)]= sc.makeRDD(List(("a",1),("a",2),("a",3),("a",4)))//  设置新的累加器val accSum: LongAccumulator = sc.longAccumulator("sum")
dataRdd.foreach(line =>{//  使用累加器累加
  accSum.add(line._2)})//  获取累加器，累加后的值
println(accSum.value)

累加器要放在行动算子中

  • 因为转换算子执行的次数取决于job的数量，如果一个spark应用有多个行动算子，那么转换算子中的累加器可能会发生不止一次更新，导致结果错误。
  • 所以，如果想要一个无论在失败还是重复计算时都绝对可靠的累加器，我们必须把它放在foreach()这样的行动算子中。
  • 对于在行动算子中使用的累加器，Spark只会把每个Job对各累加器的修改应用一次。
val value: RDD[Unit]= dataRdd.map {case(a, count)=>{
    accSum.add(count)}}//假如放在map中，调用两次行动算子，map执行两次，导致最终累加器的值翻倍
mapRDD.collect()
mapRDD.collect()

三、广播变量

分布式共享只读变量

广播变量用来高效分发较大的对象。向所有工作节点发送一个较大的只读值，以供一个或多个Spark Task操作使用。

步骤：

  1. 调用SparkContext.broadcast（广播变量）创建出一个广播对象，任何可序列化的类型都可以这么实现。
  2. 通过广播变量.value，访问该对象的值。
  3. 广播变量只会被发到各个节点一次，作为只读值处理（修改这个值不会影响到别的节点）。
//    声明广播变量val bdStr: Broadcast[Int]= sc.broadcast(num)//    使用广播变量
bdstr.value

val rdd: RDD[Int]= sc.makeRDD(List(1,2,3,4,5,6),3)//  需要广播的值val num:Int=1//  声明广播变量val bdStr: Broadcast[Int]= sc.broadcast(num)//  使用广播变量val rdd02: RDD[Int]= rdd.filter(lin =>{
  lin.equals(bdStr.value)})
rdd02.foreach(println)
标签： 1024程序员节 spark-core spark
本文转载自: https://blog.csdn.net/weixin_44624117/article/details/134016399
版权归原作者 ha_lydms 所有， 如有侵权，请联系我们删除。
登录后发布评论

“Spark-Core”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

第133天：内网安全-横向移动&域控提权&NetLogon&ADCS&PAC&KDC&永恒之蓝

ZIP伪加密

Selenium 定位编辑框有span

docker 在拉取镜像超时ERROR: Get “https://registry-1.docker.io/v2/

royal tsx —— 一款Mac平台MobaXterm平替工具

RVC-WebUI: 轻松实现高质量AI语音转换的开源工具

GitHub Actions的 CI/CD

文章导航