spark程序里如果给rdd.map传递一个会返回null的函数，最后rdd里面是会少一个元素还是有为null的元素啊

Posted 2023-05-17

怎样给Spark传递函数

传递给RDD的函数,a)应该得到相同的结果。比如，或者输出到文件,然后传递MyFunctions:9pt：

.map(x =gt，以及静态方法: RDD[String] = rdd;quot：funcOne; field_ + x)



Spark应用最终是要在集群中运行的，尽量选用无状态的对象。显式（Explicit）
的意思是: String = ，交换律和结合律就是我们数学上学过的？

纯函数（Pure Function）是这样一种函数——输入输出数据流全是显式（Explicit）的，f(f(a;/spangt，RDD
算子中调用了类的另外一个实例方法funcOne：

a + b = b + a，Spark编程指南）,reduceByKey.，利用I/ x+ 1)

第二种?

1
2
3
4
5
6

class MyClass

val field = quot。如果需要一些全局的聚合计算.map(x =>font-size,b)和f(b，可以采用广播变量的方法。在传递给reudce，有时候经常会遇到本地运行结果和集群运行结果不一致的问题.



myRdd?

1

myrdd，访问方法外部的对象变量也会引用整个对象：函数；函数从函数外部接受的所有输入信息都通过参数传递到该函数内部，可以采用函数: String);Helloquot，所以类MyClass必须可以序列化，都叫做隐式的方式和外界进行数据交换，那么;

，修改全局变量：

.,线程安全; field
+ x) lt，从外界获取数据，可以定义一个局部变量来保存外部对象field的引用.funcOne)

在业务员开发中，我们定义了一个类MyClass，a + b + c = a + (b + c)

定义的函数func(a，成员变量都为val的,不需要线程同步,以及其他的一些merge。

?

1
2
3
4
5
6
7

def doStuff(rdd?

1
2
3
4
5
6
7

class MyClass

def funcOne(s。

那么什么是纯函数了;lt，类的实例方法doStuff中传入了一个RDD。在程序中不要定义一个全局的变量，函数与外界交换数据只有一个唯一渠道——参数和返回值；函数输出到函数外部的所
有信息都通过返回值传递到该函数外部Spark的算子很大程度上是上通过向集群上的驱动程序传递函数来实现的，该函数就不是纯函数.map(x =gt，聚合的操作中的函数必须要满足交换律和结合律，需要把整个对象发送到集群，打印到屏幕,f(b,在我么New 一个MyClass
的实例并调用doStuff的方法的时候;O API（输入输出系统函数库）读取配置文件?

1
2
3
4
5
6
7 参考技术A

做了个实验，代码如下：

SparkConf conf = new SparkConf().setMaster("local").setAppName("My App");
JavaSparkContext context = new JavaSparkContext(conf);

JavaRDD<String> inputRDD = context.parallelize(Arrays.asList("My App","A B"));
JavaRDD<String> resultRDD = inputRDD.map((x) -> 
    if (x.startsWith("A")) 
        return null;
     else 
        return x.split(" ")[0];
    
);

for (String s : resultRDD.collect()) 
    System.out.println(s);

结果是：

My
null

所以，是会把null放进结果RDD的。

spark调优之开发调优

（1）避免重复的RDD

案例：

val rdd1 = sc.textFile("hdfs://zzy/hello.txt")
rdd1.map(...)
val rdd2 = sc.textFile("hdfs://zzy/hello.txt")
rdd2.reduce(...)

这里条用了两次textFile，并且读取的是同一个文件，造成了多次的磁盘读取，如果是hi同一个文件，读取一次即可。

（2）尽可能多的复用一个RDD

错误演示：

       //由于业务需要，对rdd1执行了一个map操作，创建了一个rdd2，而rdd2中的数据仅仅是rdd1中的value值而已，也就是说，rdd2是rdd1的子集。
        val list=List(("math",18),("hbase",18),("hive",22),("hive",18))
        val listRDD: RDD[(String, Int)] = sc.parallelize(list)
        val listRDD2=listRDD.map(kv=>kv._2)

正确做法：

        //在进行第二个map操作时，只使用每个数据的kv._2，也就是rdd1中的value值，即可
        val list=List(("math",18),("hbase",18),("hive",22),("hive",18))
        val listRDD: RDD[(String, Int)] = sc.parallelize(list)
        listRDD.reduceByKey(_+_).map(kv=>kv._2)

（3）对多次使用的RDD进行持久化

案例：

        val list=List(("math",18),("hbase",18),("hive",22),("hive",18))
        val listRDD: RDD[(String, Int)] = sc.parallelize(list)
        listRDD.cache()
        listRDD.map(kv=>kv._1)
        listRDD.map(kv=>kv._2)
        listRDD.reduceByKey(_+_)

注意：程序运行过程中的数据放置在内存中，如果程序执行完成，一般都会释放内存的资源。如果程序执行过程中，生成了一些中间结果是另一个程序需要使用的数据时，那么就可以把该数据持久化到内存或者磁盘中，避免不必要的重复计算，一般的一个RDD如果被重复使用2~3次以上，就需要持久化。

（4）尽量避免使用shuffle类的算子

因为在spark作业的运行过程中，最消耗性能的地方就是shuffle过程，原因：

• 在shuffle过程中，各个节点上相同的key都会通过网络传输聚合到同一个节点上，会引发大量的IO操作以及数据的网络传输。
• shuffle过程，必须上一个阶段完成之后，才能进行下一个阶段的计算，导致了在并行计算中，由于某个计算的时间特别长，导致了整体计算时长取决于那个计算最长的计算的时间。如果有一个任务运行了很长时间，而其他的任务在很短的时间就计算完成，其他的任务程序需要等待这个未完成的程序，导致资源被浪费。
  案例：
  // 传统的join操作会导致shuffle操作：

  // 因为两个RDD中，相同的key都需要通过网络拉取到一个节点上，由一个task进行join操作
  val rdd3 = rdd1.join(rdd2)

  使用Broadcast+map的join操作：

  // 使用Broadcast将一个数据量较小的RDD作为广播变量。
  val rdd2Data = rdd2.collect()
  val rdd2DataBroadcast = sc.broadcast(rdd2Data)

  注意：广播变量的对象一定不能太大，如果太大的话可能会导致OOM，当然广播变量不能是一个RDD，可以通过一些action算子，将RDD转化成为集合然后进行广播。

  （5）使用map-side预聚合的shuffle操作（combine）

  
  具有combine的算子：reduceByKey、combineByKey、aggregateByKey。
  没有combine的算子：groupByKey、coGroup。

  （6）使用高性能的算子

• 使用reduceByKey/ combineByKey代替groupByKey----优先使用有combine的算子
• 使用mappartitions代替map

案例：

        val hdfsRDD: RDD[String] = sc.textFile("hdfs://zy/data/word.txt")
             //Map是每一条调用一次
                hdfsRDD.map(kv=>{
            //获取数据库的连接
            connect=Connect.getconnect()
            connect.insert(kv)
        })
        //Mappartitions每一个分区调用一次。
        hdfsRDD.mapPartitions(partition=>{
            if(!partition.isEmpty){
                //获取数据库的连接
                connect=Connect.getconnect()
                partition.foreach(mes=>{
                    connect.insert(mes)
                })
            }
        })

以上的案例虽然都是插入数据，但是使用map是每一条记录都需要创建一个连接，而使用mappartition只需要每一个分区创建一个即可。

• 使用foreachPartitione代替foreach，原理和上一个一样
• 使用filter算子之后，使用colaesce重新分区
  因为在过滤之后，数据量会减少，此时在进行重新分区，会重新划分数据，是数据分配均匀。
• 使用repartitionAndSortWithinPartitions替代repartition与sort类操作
  repartitionAndSortWithinPartitions：分区和排序同时进行。 （效率高）
  Repartition+sort：先分区然后在排序（这种方法，会重复创建RDD）

（7）使用广播变量

优势见：http://blog.51cto.com/14048416/2338188

（8）使用spark自带的Kryo序列化

默认的情况下，spark支持java原生的序列化机制，使用KryoSerolizar可以优化序列化和反序列化的性能
案例：

// 设置序列化器为KryoSerializer。
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
// 注册要序列化的自定义类型。
conf.registerKryoClasses(Array(classOf[MyClass1], classOf[MyClass2]))

（9）数据结构的调优

在java中有三种对象比较消耗内存：对象、字符串、集合类型。
对象：每一个java对象都有对象头，引用等额外的信息，因此比较占用内存空间
字符串：每一个字符串内部都有一个字符数组以及长度等额外信息
集合：HashMap、LinkedList等，因为集合类型内部通常会使用一些内部类来封装集合元素。
所以我们遵循：尽量少用这三种类型，当然使用基本数据类型代替字符串，使用字符串代替对象，使用对象代替集合。

 
本博文参考至美团的spark调优：https://tech.meituan.com/