Spark高级特性 (难)

Spark高级特性 (难)

• 闭包/* * 编写一个高阶函数，在这个函数要有一个变量，返回一个函数，通过这个变量完成一个计算 * */@Testdef test():Unit={// val f: Int => Double = closure()// val area = f(5)// println(area)// 在这能否访问到 factor，不能，因为factor所在作用域是closure()方法，test()方法和closure()方法作用域是平级的，所有不能直接访问// 不能访问，说明 factor 在一个单独的作用域中// 在拿到 f 的时候， 可以通过 f 间接的访问到 closure() 作用域中的内容// 说明 f 携带了一个作用域// 如果一个函数携带了一个外包的作用域，这种函数我们称之为闭包val f = closure() f(5)// 闭包的本质是什么？// f 就是闭包，闭包的本质就是一个函数// 在 Scala 中，函数就是一个特殊的类型，FunctionX// 闭包也是一个 FunctionX 类型的对象// 所以闭包是一个对象}/* * 返回一个新的函数 * */def closure():Int=>Double={val factor =3.14val areaFunction =(r:Int)=> math.pow(r,2)* factor // 计算圆的面积 areaFunction }通过 closure 返回的函数 f 就是一个闭包, 其函数内部的作用域并不是 test 函数的作用域, 这种连带作用域一起打包的方式, 我们称之为闭包, 在 Scala 中****Scala 中的闭包本质上就是一个对象, 是 FunctionX 的实例
• Spark中的闭包****分发闭包sc.textFile("./dataset/access_log_sample.txt").flatMap(item => item.split(" ")).collect()// item => item.split(" ") 是一个函数，代表一个Task，这个Task会被分发到不同的Executor中上述这段代码中，flatMp中传入的是另外一个函数，传入的这个函数就是一个闭包，这个闭包会被序列化运行在不同的Executor中class MyClass {val field ="Hello"def doStuff(rdd: RDD[String]): RDD[String]={ rdd.map(x => field + x)}}/* * x => field + x 引用MyClass对象中的一个成员变量,说明它可以访问MyClass这个类的作用域, * 所以这个函数也是一个闭包，封闭的是MyClass这个作用域。 * x => field + x */这段代码中的闭包就有了一个依赖, 依赖于外部的一个类, 因为传递给算子的函数最终要在 Executor 中运行, 所以需要 序列化 MyClass 发给每一个 Executor, 从而在 Executor 访问 MyClass 对象的属性总结- 闭包就是一个封闭的作用域, 也是一个对象- Spark 算子所接受的函数, 本质上是一个闭包, 因为其需要封闭作用域, 并且序列化自身和依赖, 分发到不同的节点中运行
• 累加器- 一个小问题var count =0val conf =new SparkConf().setAppName("ip_ana").setMaster("local[6]")val sc =new SparkContext(conf)sc.parallelize(Seq(1,2,3,4,5)).foreach(count += _)println(count)上面这段代码是一个非常错误的使用, 请不要仿照, 这段代码只是为了证明一些事情先明确两件事, var count = 0是在 Driver 中定义的, foreach(count += _)这个算子以及传递进去的闭包运行在 Executor 中这段代码整体想做的事情是累加一个变量, 但是这段代码的写法却做不到这件事, 原因也很简单, 因为具体的算子是闭包, 被分发给不同的节点运行, 所以这个闭包中累加的并不是 Driver 中的这个变量---- 全局累加器 （只能对数值型数据累加）Accumulators(累加器) 是一个只支持 added(添加) 的分布式变量, 可以在分布式环境下保持一致性, 并且能够做到高效的并发.原生 Spark 支持数值型的累加器, 可以用于实现计数或者求和, 开发者也可以使用自定义累加器以实现更高级的需求val conf =new SparkConf().setAppName("ip_ana").setMaster("local[6]")val sc =new SparkContext(conf)val counter = sc.longAccumulator("counter")sc.parallelize(Seq(1,2,3,4,5)).foreach(counter.add(_))// 运行结果: 15println(counter.value)注意点：- Accumulator 是支持并发并行的, 在任何地方都可以通过 add 来修改数值, 无论是 Driver 还是 Executor- 只能在 Driver 中才能调用 value 来获取数值在 WebUI 中关于 Job 部分也可以看到 Accumulator 的信息, 以及其运行的情况累加器还有两个小特性, 第一, 累加器能保证在 Spark 任务出现问题被重启的时候不会出现重复计算. 第二, 累加器只有在 Action 执行的时候才会被触发.val config =new SparkConf().setAppName("ip_ana").setMaster("local[6]")val sc =new SparkContext(config)val counter = sc.longAccumulator("counter")sc.parallelize(Seq(1,2,3,4,5)).map(counter.add(_))// 这个地方不是 Action, 而是一个 Transformation// 运行结果是 0println(counter.value)- 自定义累加器开发者可以通过自定义累加器来实现更多类型的累加器, 累加器的作用远远不只是累加, 比如可以实现一个累加器, 用于向里面添加一些运行信息/** * RDD -> (1,2,3,4,5) —> Set(1,2,3,4,5)，将原先的数，累加到一个集合中 */@Testdef acc():Unit={val conf =new SparkConf().setMaster("local[6]").setAppName("acc")val sc =new SparkContext(conf)val numAcc =new NumAccumulator()// 注册给Spark sc.register(numAcc,"num") sc.parallelize(Seq("1","2","3")).foreach(item => numAcc.add(item)) println(numAcc.value) sc.stop()}}class NumAccumulator extends AccumulatorV2[String, Set[String]]{privateval nums: mutable.Set[String]= mutable.Set()// 定义类型是可变Set，否则后面的newAccumulator.nums ++= this.nums，++=会报错/** * 告诉 Spark 框架，这个累加器对象是否是空的 */overridedef isZero:Boolean={ nums.isEmpty }/** * 提供给 Spark 框架一个拷贝的累加器 */overridedef copy(): AccumulatorV2[String, Set[String]]={val newAccumulator =new NumAccumulator() nums.synchronized { newAccumulator.nums ++=this.nums } newAccumulator }/** * 帮助 Spark 框架，清理累加器的内容 */overridedef reset():Unit={ nums.clear()}/** * 外部传入要累加的内容，在这个方法中进行累加 */overridedef add(v:String):Unit={ nums += v }/** * 累加器在进行累加的时候，可能每个分布式节点都有一个实例 * 在最后 Driver 进行一次合并，把所有的实例的内容合并起来，会调用这个 merge 方法进行合并 */overridedef merge(other: AccumulatorV2[String, Set[String]]):Unit={ nums ++= other.value }/** * 提供给外部累加结果 * 为什么一定不可变的，因为外部有可能再进行修改，如果是可变的集合，其外部的修改会影响内部的值 */overridedef value: Set[String]={ nums.toSet // 不可变}
• 广播变量- 广播变量的作用广播变量允许开发者将一个 Read-Only的变量缓存到集群中每个节点中, 而不是传递给每一个 Task 一个副本.- 集群中每个节点, 指的是一个机器- 每一个 Task, 一个 Task 是一个 Stage 中的最小处理单元, 一个 Executor 中可以有多个 Stage, 每个 Stage 有多个 Task所以在需要跨多个 Stage 的多个 Task 中使用相同数据的情况下, 广播特别的有用只需要2个map，我们可以用广播- 广播变量的API方法名描述id唯一标识value广播变量的值unpersist在 Executor 中异步的删除缓存副本destroy销毁所有此广播变量所关联的数据和元数据toString字符串表示- 使用广播变量的一般套路可以通过如下方式创建广播变量val b = sc.broadcast(1)如果 Log 级别为 DEBUG 的时候, 会打印如下信息DEBUG BlockManager: Put block broadcast_0 locally took 430 msDEBUG BlockManager: Putting block broadcast_0 without replication took 431 msDEBUG BlockManager: Told master about block broadcast_0_piece0DEBUG BlockManager: Put block broadcast_0_piece0 locally took 4 msDEBUG BlockManager: Putting block broadcast_0_piece0 without replication took 4 ms创建后可以使用 value获取数据b.value获取数据的时候会打印如下信息DEBUG BlockManager: Getting local block broadcast_0DEBUG BlockManager: Level for block broadcast_0 is StorageLevel(disk, memory, deserialized,1 replicas)广播变量使用完了以后, 可以使用 unpersist删除数据b.unpersist删除数据以后, 可以使用 destroy销毁变量, 释放内存空间b.destroy销毁以后, 会打印如下信息DEBUG BlockManager: Removing broadcast 0DEBUG BlockManager: Removing block broadcast_0_piece0DEBUG BlockManager: Told master about block broadcast_0_piece0DEBUG BlockManager: Removing block broadcast_0- 使用 value 方法的注意方法签名 value: T在 value方法内部会确保使用获取数据的时候, 变量必须是可用状态, 所以必须在变量被 destroy之前使用 value方法, 如果使用 value时变量已经失效, 则会报出以下错误org.apache.spark.SparkException: Attempted to use Broadcast(0) after it was destroyed (destroy at <console>:27) at org.apache.spark.broadcast.Broadcast.assertValid(Broadcast.scala:144) at org.apache.spark.broadcast.Broadcast.value(Broadcast.scala:69)...48 elided- 使用 destory 方法的注意点方法签名 destroy(): Unit``````destroy方法会移除广播变量, 彻底销毁掉, 但是如果你试图多次 destroy广播变量, 则会报出以下错误org.apache.spark.SparkException: Attempted to use Broadcast(0) after it was destroyed (destroy at <console>:27) at org.apache.spark.broadcast.Broadcast.assertValid(Broadcast.scala:144) at org.apache.spark.broadcast.Broadcast.destroy(Broadcast.scala:107) at org.apache.spark.broadcast.Broadcast.destroy(Broadcast.scala:98)...48 elided- 使用code/** * 资源占用比较大, 有十个对应的 value */@Testdef bc1():Unit={// 数据，假装这个数据很大，大概一百兆val v = Map("Spark"->"http://spark.apache.cn","Scala"->"http://www.scala-lang.org")val conf =new SparkConf().setMaster("local[6]").setAppName("bc")val sc =new SparkContext(conf)// 将其中的 Spark 和 Scala 转为对应的网址val r = sc.parallelize(Seq("Spark","Scala"))val result = r.map(item => v(item)).collect() result.foreach(println(_))}/** * 使用广播, 大幅度减少 value 的复制 */@Testdef bc2():Unit={// 数据，假装这个数据很大，大概一百兆val v = Map("Spark"->"http://spark.apache.cn","Scala"->"http://www.scala-lang.org")val conf =new SparkConf().setMaster("local[6]").setAppName("bc")val sc =new SparkContext(conf)// 创建广播val bc = sc.broadcast(v)// 将其中的 Spark 和 Scala 转为对应的网址val r = sc.parallelize(Seq("Spark","Scala"))// 在算子中使用广播变量代替直接引用集合, 只会复制和executor一样的数量// 在使用广播之前, 复制 map 了 task 数量份// 在使用广播以后, 复制次数和 executor 数量一致val result = r.map(item => bc.value(item)).collect() result.foreach(println(_))}