Python大数据之PySpark(八)SparkCore加强

文章目录

SparkCore加强

重点：RDD的持久化和Checkpoint
提高拓展知识：Spark内核调度全流程，Spark的Shuffle
练习：热力图统计及电商基础指标统计
combineByKey作为面试部分重点，可以作为扩展知识点

Spark算子补充

关联函数补充
join为主基础算子
# -*- coding: utf-8 -*-# Program function：演示join操作from pyspark import SparkConf, SparkContextif __name__ =='__main__':print('PySpark join Function Program')# TODO：1、创建应用程序入口SparkContext实例对象 conf = SparkConf().setAppName("miniProject").setMaster("local[*]") sc = SparkContext.getOrCreate(conf)# TODO: 2、从本地文件系统创建RDD数据集 x = sc.parallelize([(1001,"zhangsan"),(1002,"lisi"),(1003,"wangwu"),(1004,"zhangliu")]) y = sc.parallelize([(1001,"sales"),(1002,"tech")])# TODO:3、使用join完成联合操作print(x.join(y).collect())# [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))]print(x.leftOuterJoin(y).collect())print(x.rightOuterJoin(y).collect())# [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))] sc.stop()

[掌握]RDD 持久化

为什么使用缓存

缓存可以加速计算，比如在wordcount操作的时候对reduceByKey算子进行cache的缓存操作，这时候后续的操作直接基于缓存后续的计算
缓存可以解决容错问题，因为RDD是基于依赖链的Dependency
使用经验：一次缓存可以多次使用

如何进行缓存？

spark中提供cache方法
spark中提供persist方法
# -*- coding: utf-8 -*-# Program function：演示join操作from pyspark import SparkConf, SparkContextfrom pyspark.storagelevel import StorageLevelimport timeif __name__ =='__main__':print('PySpark join Function Program')# TODO：1、创建应用程序入口SparkContext实例对象 conf = SparkConf().setAppName("miniProject").setMaster("local[*]") sc = SparkContext.getOrCreate(conf)# TODO: 2、从本地文件系统创建RDD数据集 x = sc.parallelize([(1001,"zhangsan"),(1002,"lisi"),(1003,"wangwu"),(1004,"zhangliu")]) y = sc.parallelize([(1001,"sales"),(1002,"tech")])# TODO:3、使用join完成联合操作 join_result_rdd = x.join(y)print(join_result_rdd.collect())# [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))]print(x.leftOuterJoin(y).collect())print(x.rightOuterJoin(y).collect())# [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))]# 缓存--基于内存缓存-cache底层调用的是self.persist(StorageLevel.MEMORY_ONLY) join_result_rdd.cache()# join_result_rdd.persist(StorageLevel.MEMORY_AND_DISK_2)# 如果执行了缓存的操作，需要使用action算子触发，在4040页面上看到绿颜色标识 join_result_rdd.collect()# 如果后续执行任何的操作会直接基于上述缓存的数据执行，比如countprint(join_result_rdd.count()) time.sleep(600) sc.stop()

缓存级别

如何选：

1-首选内存

2-内存放不下，尝试序列化

3-如果算子比较昂贵可以缓存在磁盘中，否则不要直接放入磁盘

4-使用副本机制完成容错性质

释放缓存

后续讲到Spark内存模型中，缓存放在Execution内存模块

如果不在需要缓存的数据，可以释放

最近最少使用（LRU）

print(“释放缓存之后，直接从rdd的依赖链重新读取”)
print(join_result_rdd.count())
* <img src="https://maynor.oss-cn-shenzhen.aliyuncs.com/img/20231009192818.png" alt="image-20210913104616717" style="zoom:150%;" />

何时缓存数据

rdd来之不易

经过很长依赖链计算

经过shuffle

rdd被使用多次

缓存cache或persist

问题：缓存将数据保存在内存或磁盘中，内存或磁盘都属于易失介质

内存在重启之后没有数据了，磁盘也会数据丢失

注意：缓存会将依赖链进行保存的

如何解决基于cache或persist的存储在易失介质的问题？

引入checkpoint检查点机制

将元数据和数据统统存储在HDFS的非易失介质，HDFS有副本机制

checkpoint切断依赖链，直接基于保存在hdfs的中元数据和数据进行后续计算

什么是元数据? - 管理数据的数据- 比如，数据大小，位置等都是元数据

[掌握]RDD Checkpoint

为什么有检查点机制？- 因为cache或perisist将数据缓存在内存或磁盘中，会有丢失数据情况，引入检查点机制，可以将数据斩断依赖之后存储到HDFS的非易失介质中，解决Spark的容错问题- Spark的容错问题？ - 有一些rdd出错怎么办？可以借助于cache或Persist，或checkpoint
如何使用检查点机制？- 指定数据保存在哪里？- sc.setCheckpointDir(“hdfs://node1:9820/chehckpoint/”)- 对谁缓存？答案算子- rdd1.checkpoint() 斩断依赖关系进行检查点- 检查点机制触发方式- action算子可以触发- 后续的计算过程- Spark机制直接从checkpoint中读取数据- - 实验过程还原：- - -
检查点机制那些作用？- 将数据和元数据保存在HDFS中- 后续执行rdd的计算直接基于checkpoint的rdd- 起到了容错的作用
面试题：如何实现Spark的容错？- 1-首先会查看Spark是否对数据缓存，cache或perisist，直接从缓存中提取数据- 2-否则查看checkpoint是否保存数据- 3-否则根据依赖关系重建RDD
检查点机制案例

持久化和Checkpoint的区别

存储位置：缓存放在内存或本地磁盘，检查点机制在hdfs

生命周期：缓存通过LRU或unpersist释放，检查点机制会根据文件一直存在

依赖关系：缓存保存依赖关系，检查点斩断依赖关系链

案例测试：

先cache在checkpoint测试

1-读取数据文件

2-设置检查点目录

3-rdd.checkpoint() 和rdd.cache()

4-执行action操作，根据spark容错选择首先从cache中读取数据，时间更少，速度更快

5-如果对rdd实现unpersist

6-从checkpoint中读取rdd的数据

7-通过action可以查看时间