Spark核心编程

Posted 2021-09-05 Faith_xzc

目录

• • 基本介绍
  • RDD
  • • RDD基本介绍
    • 核心属性
  • 执行原理
  • 基础编程
  • • RDD创建
    • RDD 并行度与分区

基本介绍

Spark 计算框架为了能够进行高并发和高吞吐的数据处理，封装了三大数据结构，用于处理不同的应用场景。三大数据结构分别是：

• RDD : 弹性分布式数据集
• 累加器：分布式共享只写变量
• 广播变量：分布式共享只读变量

RDD

RDD基本介绍

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark 中最基本的数据处理模型。代码中是一个抽象类，它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。
（1）弹性

• 存储的弹性：内存与磁盘的自动切换；
• 容错的弹性：数据丢失可以自动恢复；
• 计算的弹性：计算出错重试机制；
• 分片的弹性：可根据需要重新分片。

（2） 分布式：数据存储在大数据集群不同节点上
（3） 数据集：RDD 封装了计算逻辑，并不保存数据
（4）数据抽象：RDD 是一个抽象类，需要子类具体实现
（5）不可变：RDD 封装了计算逻辑，是不可以改变的，想要改变，只能产生新的RDD，在
新的RDD 里面封装计算逻辑
（6）可分区、并行计算

核心属性

/**
 *	Internally, each RDD is characterized by five main properties:
 *
 *  - A list of partitions
 *  - A function for computing each split
 *  - A list of dependencies on other RDDs
 *  - Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
 *  - Optionally, a list of preferred locations to compute each split on (e.g. block locations for
 *    an HDFS file)
 * /

（1）分区列表
RDD 数据结构中存在分区列表，用于执行任务时并行计算，是实现分布式计算的重要性。

/**
   * Implemented by subclasses to return the set of partitions in this RDD. This method will only
   * be called once, so it is safe to implement a time-consuming computation in it.
   *
   * The partitions in this array must satisfy the following property:
   *   `rdd.partitions.zipWithIndex.forall { case (partition, index) => partition.index == index }`
   */
  protected def getPartitions: Array[Partition]

（2）分区计算函数
Spark 在计算时，是使用分区函数对每一个分区进行计算。

/**
   * :: DeveloperApi ::
   * Implemented by subclasses to compute a given partition.
   */
  @DeveloperApi
  def compute(split: Partition, context: TaskContext): Iterator[T]

（3） RDD 之间的依赖关系
RDD 是计算模型的封装，当需求中需要将多个计算模型进行组合时，就需要将多个 RDD 建
立依赖关系

  /**
   * Implemented by subclasses to return how this RDD depends on parent RDDs. This method will only
   * be called once, so it is safe to implement a time-consuming computation in it.
   */
  protected def getDependencies: Seq[Dependency[_]] = deps

(4)分区器（可选）

当数据为KV 类型数据时，可以通过设定分区器自定义数据的分区。

  /** Optionally overridden by subclasses to specify how they are partitioned. */
  @transient val partitioner: Option[Partitioner] = None

（5）首选位置（可选）
计算数据时，可以根据计算节点的状态选择不同的节点位置进行计算。

/**
   * Optionally overridden by subclasses to specify placement preferences.
   */
  protected def getPreferredLocations(split: Partition): Seq[String] = Nil

执行原理

从计算的角度来讲，数据处理过程中需要计算资源（内存 & CPU）和计算模型（逻辑）。执行时，需要将计算资源和计算模型进行协调和整合。
Spark 框架在执行时，先申请资源，然后将应用程序的数据处理逻辑分解成一个一个的计算任务。然后将任务发到已经分配资源的计算节点上, 按照指定的计算模型进行数据计算。最后得到计算结果。
RDD 是Spark 框架中用于数据处理的核心模型，在Yarn 环境中，RDD的工作原理:
(1)启动Yarn 集群环境

(2) Spark 通过申请资源创建调度节点和计算节点

(3)Spark 框架根据需求将计算逻辑根据分区划分成不同的任务

(4)调度节点将任务根据计算节点状态发送到对应的计算节点进行计算

从以上流程可以看出 RDD 在整个流程中主要用于将逻辑进行封装，并生成Task 发送给
Executor 节点执行计算。

基础编程

RDD创建

在Spark 中创建RDD 的创建方式可以分为四种：
（1）从集合（内存）中创建 RDD
从集合中创建RDD，Spark 主要提供了两个方法：parallelize ()和makeRDD()

package com.atguigu.bigdata.spark.core.rdd.builder

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Spark01_RDD_Memory {

  def main(args: Array[String]): Unit = {

    //TODO 准备环境
    val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("RDD")
    val sc = new SparkContext(sparkConf)

    //TODO 创建RDD
    //从内存中创建：将内存中集合的数据作为处理的数据源
    val seq = Seq[Int](1,2,3,4)

    //parallelize：并行
//    val rdd: RDD[Int] = sc.parallelize(seq)

    //另外一个方法makeRDD():在底层实现时候其实就是调用了rdd对象的paralleliz方法
    val rdd: RDD[Int] = sc.makeRDD(seq)

    rdd.collect().foreach(println)

    //TODO 关闭环境
    sc.stop()
  }

}

从底层代码实现来讲，makeRDD() 方法其实就是parallelize() 方法。底层代码如下：

def makeRDD[T: ClassTag]( 
    seq: Seq[T], 
    numSlices: Int = defaultParallelism): RDD[T] = withScope { 
  parallelize(seq, numSlices) 
} 

（2) 从外部存储（文件）创建RDD
由外部存储系统的数据集创建RDD 包括：本地的文件系统，所有Hadoop 支持的数据集，比如HDFS、HBase 等。

package com.atguigu.bigdata.spark.core.rdd.builder

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Spark02_RDD_File {

  def main(args: Array[String]): Unit = {

    //TODO 准备环境
    val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("RDD")
    val sc = new SparkContext(sparkConf)

    //TODO 创建RDD
    //从内存中创建：将文件中的数据作为处理的数据源
    //path路径默认以当前环境的根路径为基准，可以写绝对路径，也可以写相对路径
//    val rdd: RDD[String] = sc.textFile("datas/1.txt")   //相对路径

    //path路径可以是文件的具体路径，也可以是目录
//    val rdd: RDD[String] = sc.textFile("datas") //统计目录中所有文件

    //path路径还可以使用通配符
    val rdd: RDD[String] = sc.textFile("datas/1*.txt")

    //path路径还可以是分布式存储系统路径：HDFS


    rdd.collect().foreach(println)

    //TODO 关闭环境
    sc.stop()
  }

}

（3）从其他RDD结果创建
主要是通过一个RDD 运算完后，再产生新的RDD。
（4）直接创建RDD（new）

RDD 并行度与分区

默认情况下，Spark 可以将一个作业切分多个任务后，发送给Executor 节点并行计算，而能
够并行计算的任务数量我们称之为并行度。这个数量可以在构建RDD 时指定。
注意：这里的并行执行的任务数量，并不是指的切分任务的数量。

package com.atguigu.bigdata.spark.core.rdd.builder

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Spark01_RDD_Memory_Par {

  def main(args: Array[String]): Unit = {

    //TODO 准备环境
    val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("RDD")
    sparkConf.set("spark.default.parallelism","4") //也可以配
    val sc = new SparkContext(sparkConf)


    //TODO 创建RDD
    //RDD的并行度 & 分区
    //makeRDD可以传第二个参数，第二个参数表示分区数
    //第二个参数可以不传递，不传的话，使用默认值：defaultParallelism(默认并行度)
//    val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4), 2)
    //     scheduler.conf.getInt("spark.default.parallelism", totalCores)
    //    spark在默认情况下，从配置对象中获取配置参数：spark.default.parallelism
    //    如果获取不到，那么使用totalCores属性，这个属性取值为当前运行环境的最大可用核数，也可以自己配置
    val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4))

    rdd.saveAsTextFile("output")


    //TODO 关闭环境
    sc.stop()
  }

}

读取内存数据时，数据可以按照并行度的设定进行数据的分区操作，数据分区规则的Spark 核心源码如下：

def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = { 
  (0 until numSlices).iterator.map { i => 
    val start = ((i * length) / numSlices).toInt 
    val end = (((i + 1) * length) / numSlices).toInt 
    (start, end) 
  } 
  
}

读取文件数据时，数据是按照Hadoop 文件读取的规则进行切片分区，而切片规则和数
据读取的规则有些差异，具体 Spark 核心源码如下：

public InputSplit[] getSplits(JobConf job, int numSplits) 
    throws IOException { 
 
    long totalSize = 0;                           // compute total size 
    for (FileStatus file: files) {                // check we have valid files 
      if (file.isDirectory()) { 
        throw new IOException("Not a file: "+ file.getPath()); 
      } 
      totalSize += file.getLen(); 
    } 
 
    long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits); 
    long minSize = Math.max(job.getLong(org.apache.hadoop.mapreduce.lib.input. 
      FileInputFormat.SPLIT_MINSIZE, 1), minSplitSize); 
       
    ... 
     
    for (FileStatus file: files) { 
     
        ... 
     
    if (isSplitable(fs, path)) { 
          long blockSize = file.getBlockSize(); 
          long splitSize = computeSplitSize(goalSize, minSize, blockSize); 
 
          ... 
 
  } 
  protected long computeSplitSize(long goalSize, long minSize, 
                                       long blockSize) { 
    return Math.max(minSize, Math.min(goalSize, blockSize)); 
  }