3.算子+PV&UV+submit提交参数+资源调度和任务调度源码分析+二次排序+分组topN+SparkShell

Posted chengxii

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了3.算子+PV&UV+submit提交参数+资源调度和任务调度源码分析+二次排序+分组topN+SparkShell相关的知识，希望对你有一定的参考价值。

1.补充算子

transformations

?  mapPartitionWithIndex

类似于mapPartitions,除此之外还会携带分区的索引值。

技术分享图片

技术分享图片

 

 

?  repartition

增加或减少分区。会产生shuffle。（多个分区分到一个分区不会产生shuffle）

多用于增多分区. 底层调用的是coalesce

技术分享图片

?  coalesce(合并)

coalesce常用来减少分区，第二个参数是减少分区的过程中是否产生shuffle。

true为产生shuffle，false不产生shuffle。默认是false。

如果coalesce设置的分区数比原来的RDD的分区数还多的话，第二个参数设置为false不会起作用(不会产生shuffle , 分区个数不变)，如果设置成true，效果和repartition一样。即repartition(numPartitions) = coalesce(numPartitions,true)

?  groupByKey

作用在K，V格式的RDD上。根据Key进行分组。作用在（K，V），返回（K，Iterable <V>）。

groupByKey与reduceByKey的区别:

reduceByKey(func, numPartitions=None) : reduceByKey用于对每个key对应的多个value进行merge操作，最重要的是它能够在本地先进行merge操作，并且merge操作可以通过函数自定义。

groupByKey(numPartitions=None) : groupByKey也是对每个key进行操作，但只生成一个sequence。需要特别注意“Note”中的话，它告诉我们：如果需要对sequence进行aggregation操作（注意，groupByKey本身不能自定义操作函数），那么，选择reduceByKey/aggregateByKey更好。这是因为groupByKey不能自定义函数，我们需要先用groupByKey生成RDD，然后才能对此RDD通过map进行自定义函数操作。

 

?  zip

将两个RDD中的元素（KV格式/非KV格式）变成一个KV格式的RDD,两个RDD的元素个数必须相同。

技术分享图片

 

?  zipWithIndex

该函数将RDD中的元素和这个元素在RDD中的索引号（从0开始）组合成（K,V）对。

技术分享图片

 

Action

?  countByKey

 作用到K,V格式的RDD上，根据Key计数相同Key的数据集元素。

技术分享图片

技术分享图片

 

?  countByValue

根据数据集每个元素相同的内容(元素的整体算作一个value)来计数。返回相同内容的元素对应的条数。

技术分享图片

技术分享图片

 

?  reduce

根据聚合逻辑聚合数据集中的每个元素。

技术分享图片

输出 : 15

 

2.PV&UV

 

3.Spark-Submit提交参数

Options:

?  --master

 MASTER_URL, 可以是spark://host:port, mesos://host:port, yarn,  yarn-cluster,yarn-client, local

?  --deploy-mode

DEPLOY_MODE, Driver程序运行的地方，client或者cluster,默认是client。

?  --class

CLASS_NAME, 主类名称，含包名

?  --jars

逗号分隔的本地JARS, Driver和executor依赖的第三方jar包. 例如在task的算子之内用到了mysql的依赖包,这个时候需要用jars指定mysql的驱动包

?  --files

用逗号隔开的文件列表,会放置在每个executor工作目录中. 在 executor端如果一来到了一些文件,列入配置文件和一些properties文件,需要用--files指定文件带过去

?  --conf

spark的配置属性, 相当于代码中的conf.set(K, V)

?  --driver-memory

Driver程序使用内存大小（例如：1000M，5G），默认1024M

?  --executor-memory

每个executor内存大小（如：1000M，2G），默认1G

 

Spark standalone with cluster deploy mode only:

?  --driver-cores

Driver程序的使用core个数（默认为1），仅限于Spark standalone模式

Spark standalone or Mesos with cluster deploy mode only:

?  --supervise

失败后是否重启Driver，仅限于Spark  alone或者Mesos模式

Spark standalone and Mesos only:

?  --total-executor-cores

executor使用的总核数，仅限于SparkStandalone、Spark on Mesos模式

Spark standalone and YARN only:

?  --executor-cores

每个executor使用的core数，Spark on Yarn默认为1，standalone默认为worker上所有可用的core。

YARN-only:

?  --driver-cores

driver使用的core,仅在cluster模式下，默认为1。

?  --queue

QUEUE_NAME  指定资源队列的名称,默认：default

?  --num-executors

一共启动的executor数量，默认是2个。

 

4.资源调度源码分析

?  资源请求简单图

技术分享图片

?  资源调度Master路径：

技术分享图片

路径：spark-1.6.0/core/src/main/scala/org.apache.spark/deploy/Master/Master.scala

?  提交应用程序，submit的路径：

技术分享图片

路径：spark-1.6.0/core/src/main/scala/org.apache.spark/ deploy/SparkSubmit.scala

?  总结：

1.Executor在集群中分散启动，有利于task计算的数据本地化。

2.默认情况下（提交任务的时候没有设置--executor-cores选项），每一个Worker为当前的Application启动一个Executor,这个Executor会使用这个Worker的所有的cores和1G内存。

3.如果想在Worker上启动多个Executor，提交Application的时候要加--executor-cores这个选项。

4.默认情况下没有设置--total-executor-cores,一个Application会使用Spark集群中所有的cores。

?  结论演示

使用Spark-submit提交任务演示。也可以使用spark-shell

1.默认情况每个worker为当前的Application启动一个Executor，这个Executor使用集群中所有的cores和1G内存。

./spark-submit

--master spark://node1:7077

 --class org.apache.spark.examples.SparkPi

 ../lib/spark-examples-1.6.0-hadoop2.6.0.jar

10000

2.在workr上启动多个Executor,设置--executor-cores参数指定每个executor使用的core数量。

./spark-submit

 --masterspark://node1:7077

 --executor-cores 1

 --class org.apache.spark.examples.SparkPi

../lib/spark-examples-1.6.0-hadoop2.6.0.jar

10000

3.内存不足的情况下启动core的情况。Spark启动是不仅看core配置参数，也要看配置的core的内存是否够用。

./spark-submit

--masterspark://node1:7077

--executor-cores 1 

--executor-memory 3g

--class org.apache.spark.examples.SparkPi

 ../lib/spark-examples-1.6.0-hadoop2.6.0.jar

10000

4.--total-executor-cores集群中共使用多少cores

注意：一个进程不能让集群多个节点共同启动。

./spark-submit

--masterspark://node1:7077

--executor-cores 1 

--executor-memory 2g

--total-executor-cores 3

--class org.apache.spark.examples.SparkPi

 ../lib/spark-examples-1.6.0-hadoop2.6.0.jar

10000

5.任务调度源码分析

?  Action算子开始分析

任务调度可以从一个Action类算子开始。因为Action类算子会触发一个job的执行。

?  划分stage,以taskSet形式提交任务

DAGScheduler 类中getMessingParentStages()方法是切割job划分stage。可以结合以下这张图来分析：

技术分享图片

6.二次排序

SparkConf sparkConf = new SparkConf()

.setMaster("local")

.setAppName("SecondarySortTest");

final JavaSparkContext sc = new JavaSparkContext(sparkConf);

 

JavaRDD<String> secondRDD = sc.textFile("secondSort.txt");

 

JavaPairRDD<SecondSortKey, String> pairSecondRDD = secondRDD.mapToPair(new PairFunction<String, SecondSortKey, String>() {

 

    privatestaticfinallongserialVersionUID = 1L;

 

    @Override

    public Tuple2<SecondSortKey, String> call(String line) throws Exception {

           String[] splited = line.split(" ");

           intfirst = Integer.valueOf(splited[0]);

           intsecond = Integer.valueOf(splited[1]);

           SecondSortKey secondSortKey = new SecondSortKey(first,second);

           returnnew Tuple2<SecondSortKey, String>(secondSortKey,line);

    }

});

 

pairSecondRDD.sortByKey(false).foreach(new  

               VoidFunction<Tuple2<SecondSortKey,String>>() {

   

    privatestaticfinallong serialVersionUID = 1L;

 

    @Override

    publicvoid call(Tuple2<SecondSortKey, String> tuple) throws Exception {

             System.out.println(tuple._2);

    }

});

 

publicclass SecondSortKey  implements Serializable,Comparable<SecondSortKey>{

    /**

     *

     */

    privatestaticfinallongserialVersionUID = 1L;

    privateintfirst;

    privateintsecond;

    publicint getFirst() {

         returnfirst;

    }

    publicvoid setFirst(intfirst) {

         this.first = first;

    }

    publicint getSecond() {

         returnsecond;

    }

    publicvoid setSecond(intsecond) {

         this.second = second;

    }

    public SecondSortKey(intfirst, intsecond) {

         super();

         this.first = first;

         this.second = second;

    }

    @Override

    publicint compareTo(SecondSortKey o1) {

         if(getFirst() - o1.getFirst() ==0 ){

             return getSecond() - o1.getSecond();

         }else{

             return getFirst() - o1.getFirst();

         }

    }

}

 

7.分组取topN和topN

SparkConf conf = new SparkConf()

.setMaster("local")

.setAppName("TopOps");

JavaSparkContext sc = new JavaSparkContext(conf);

JavaRDD<String> linesRDD = sc.textFile("scores.txt");

 

JavaPairRDD<String, Integer> pairRDD = linesRDD.mapToPair(new PairFunction<String, String, Integer>() {

 

/**

 *

 */

privatestaticfinallongserialVersionUID = 1L;

 

@Override

public Tuple2<String, Integer> call(String str) throws Exception {

    String[] splited = str.split("\\t");

    String clazzName = splited[0];

    Integer score = Integer.valueOf(splited[1]);

    returnnew Tuple2<String, Integer> (clazzName,score);

        }

});

 

pairRDD.groupByKey().foreach(new

            VoidFunction<Tuple2<String,Iterable<Integer>>>() {

 

    /**

     *

     */

    privatestaticfinallongserialVersionUID = 1L;

 

    @Override

    publicvoid call(Tuple2<String, Iterable<Integer>> tuple) throws Exception {

    String clazzName = tuple._1;

    Iterator<Integer> iterator = tuple._2.iterator();

   

    Integer[] top3 = new Integer[3];

   

    while (iterator.hasNext()) {

         Integer score = iterator.next();

 

           for (inti = 0; i < top3.length; i++) {

         if(top3[i] == null){

                top3[i] = score;

                break;

          }elseif(score > top3[i]){

                 for (intj = 2; j > i; j--) {

                top3[j] = top3[j-1];

                 }

                top3[i] = score;

                break;

         }

       }

 }

 System.out.println("class Name:"+clazzName);

 for(Integer sscore : top3){

      System.out.println(sscore);

  }

}

});

8.SparkShell的使用

?  概念：

SparkShell是Spark自带的一个快速原型开发工具，也可以说是Spark的scala REPL(Read-Eval-Print-Loop),即交互式shell。支持使用scala语言来进行Spark的交互式编程。

?  使用:

启动Standalone集群，./start-all.sh

在客户端上启动spark-shell:

./spark-shell --master spark://node1:7077

启动hdfs，创建目录spark/test,上传文件wc.txt

启动hdfs集群：

start-all.sh

创建目录：

hdfs dfs -mkdir -p /spark/test

上传wc.txt

hdfs dfs -put /root/test/wc.txt /spark/test/

wc附件：

技术分享图片

运行wordcount

sc.textFile("hdfs://node1:9000/spark/test/wc.txt")

.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).foreach(println)

 

<wiz_tmp_tag id="wiz-table-range-border" contenteditable="false" style="display: none;">

附件列表

 












以上是关于3.算子+PV&UV+submit提交参数+资源调度和任务调度源码分析+二次排序+分组topN+SparkShell的主要内容，如果未能解决你的问题，请参考以下文章

淘宝中的UV,PV,IPV

PV与UV你的网站也可以

实时统计每天pv,uv的sparkStreaming结合redis结果存入mysql供前端展示

科普：PV，UV，VV，IP

PV 和 UV 的区别

PV UV