Spark
Posted hanchaoyue
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Spark相关的知识,希望对你有一定的参考价值。
Spark基础入门
1、spark的核心概念
2、spark的四大特性
3、spark的整体架构
4、spark的集群安装部署
5、spark的集群的启动和停止
6、spark的集群web管理界面
7、spark-shell
Driver
它会执行客户端写好的main方法,它会构建一个名叫SparkContext对象
该对象是所有spark程序的执行入口
Application
就是一个spark的应用程序,它是包含了客户端的代码和任务运行的资源信息
ClusterManager
它是给程序提供计算资源的外部服务
standAlone
yarn
mesos
Master
它是整个spark集群的老大,,负责任务资源的分配
Worker
它是整个spark集群的小弟,负责任务计算的节点
Executor
它是一个进程,它会在worker节点启动该进程(计算资源)
Task
spark任务是以task线程的方式运行在worker节点对应的executor进程中
============================================================
1、RDD弹性分布式数据集的概念
2、RDD弹性分布式数据集的五大属性
3、RDD弹性分布式数据集的算子操作分类
4、RDD弹性分布式数据集的算子操作练习
1. RDD是什么
RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,是Spark中最基本的数据抽象
它代表一个不可变、可分区、里面的元素可以并行计算的集合。
Dataset:就是一个集合、存储很多数据
Distributed:它内部的元素进行了分布式存储,方便与后期进行分布式计算
Resilient:表示弹性,rdd的数据是可以保存在内存或者磁盘中
2. RDD的五大属性
1)a list of partitions
一系列的分区
这里表示一个rdd有很多分区,每一个分区内部是包含了该rdd的部分数据,
spark中任务是以task线程的方式运行,一个分区就对应一个task线程。
2) a function for computing each split
一系列的计算函数作用在分区上
3)a list of dependencies on other rdds
一系列的依赖关系
4)optionally,a partitioner for key-value rdds
(分区函数,eg:hash-partitioned)
拿到该元素的key hashcode %总的分区数 =分区号
还有一个rangePartitioner
1-100 1号分区
101-200 2号分区
201-300 3号分区
5)optionally,a list of preferred locations
最优的数据位置
RDD的创建
1、 parallelize
makeRDD
2、加载外部的数据源
3、从已经存在的rdd进行转换生成一个新的rdd
RDD的算子分类
1、transformation (转换)
根据已经存在的rdd转换成一个新的rdd,它是延迟加载,它不会立即执行
2、action(动作)
将rdd的计算的结果数据返回给Driver端,或者是保存结果数据到外部存储介质中
transformation算子
1、map(func)
2、filter(func)
3、flatMap(func)
4、mapPartitions(func)
5、mapPartitionsWithIndex(func)以分区为单位
6、union(otherDataset)合并
7、intersection(otherDataset)求交集
8、distinct([numTasks])去重
9、groupByKey([numTasks])
10、reduceByKey(func,[numTasks])
11、soryByKey([ascending],[numTasks])
12、soryBy(func,[ascending],[numTasks])
13、join(otherDataset,[numTasks])
14、cogroup(otherDataset,[numTasks])
15、coalesce(numPartitions)减少RDD的分区数到指定值,合并/减少分区,默认不是Shuff
16、repartition(numPartitions)重新给RDD分区,有shuffle
17、repartitionAndSortWithinPartitions(partitioner)
action算子
1、reduce(func)
2、collect()以数组的形式返回数据集的所有元素
3、count()返回RDD的元素的个数
4、first()返回RDD的第一个元素
5、take(n)返回一个由数据集的前n个元素组成的数组
6、takeOrdered(n,[ordering])返回自然顺序或自定义顺序的前n个元素
7、saveAsTextFile(path)
8、saveAsSequenceFile(path)
9、saveAsObjectFile(path)
10、countByKey()针对(k,v)类型的RDD,返回一个(k,int)的map,表示每一个key
对应的元素个数
11、foreach(func)在数据集的每一个元素上,运行函数func
12、foreachPartition(func)在数据集的每一个分区上,运行函数func
RDD算子演示
spark-2
存储到mysql(连接问题)
存储到hbase(批处理问题)
===============================================================
1、RDD弹性分布式数据集的依赖关系
2、RDD弹性分布式数据集的lineage血统机制
3、RDD弹性分布式数据集的缓存机制
4、spark任务的DAG有向无环图的构建
5、spark任务如何划分stage
6、spark任务的提交和调度流程
1、RDD的依赖关系
Narrow Dependencies
Wide Dependencies
窄依赖:narrow dependency
窄依赖指的是每一个父RDD的partition最多被子RDD的一个partition使用
独生子女
map、flatmap、filter、union
宽依赖:wide dependency
宽依赖指的是多个子RDD的partition会依赖同一个父RDD的partition
超生
reduceByKey、sortByKey、groupBy、groupByKey、join等
2 lineage(血统)
RDD只支持粗粒度转换
即只记录单个块上执行的单个操作
将创建RDD的一系列Lineage(即血统)记录下来,以便恢复丢失的分区
RDD的Lineage会记录RDD的元数据信息和转换行为,lineage保存了RDD的依赖关系,
当该RDD的部分分区数据丢失时,它可以根据这些信息来重新运算和恢复丢失的数据分区
3 RDD的缓存机制
3.1 什么是rdd的缓存
可以把一个rdd的数据缓存起来,后续有其他的job需要用到该rdd的结果数据,
可以直接从缓存中获取得到,避免了重复计算,缓存是加快后续对该数据的访问操作。
3.2 如何对rdd设置缓存
RDD通过persist方法或cache方法可以将前面的计算结果缓存
但是并不是这两个方法被调用时立刻缓存,而是触发后面的action时,
该RDD将会被缓存在计算节点的内存中,并供后面重用。
通过查看源码发现cache最终也是调用而来persist方法,
默认的存储级别都是仅在内存存储一份
spark的存储级别还有好多种,存储级别在object StorageLevel中定义的
3.3 cache和persist区别
对rdd设置缓存成可以调用rdd的2个方法:一个是cache,一个是persist
调用上面2个方法都可以对rdd的数据设置缓存,但不是立即就触发缓存执行,后面需要有
action,才会触发缓存的执行。
cache方法和persist方法区别:
cache:默认是把数据缓存在内存中,其本质就是调用persist方法;
persist:可以把数据缓存在内存或者是磁盘,有丰富的缓存级别,这些缓存级别
都被定义在StorageLevel这个object中
3.4 什么时候设置缓存
1、某个rdd的数据后期被使用了多次
3.5 清除缓存数据
1、自动清除
一个application应用程序结束之后,对应的缓存数据也就自动清除
2、手动清除
调用rdd的unpersist方法
DAG划分stage
1 stage是什么
一个Job会被拆分为多组Task,每组任务都被称为一个stage
stage表示不同的调度阶段,一个spark job会对应产生很多个stage
stage类型一共有2种
ShuffleMapStage
最后一个shuffle之前的所有变换叫ShuffleMapStage
它对应的task是shuffleMapTask
ResultStage
最后一个shuffle之后的操作叫ResultStage,它是最后一个Stage
它对应的task是ResultTask
2 为什么要划分stage
根据RDD之间依赖关系的不同将DAG划分成不同的stage(调度阶段)
对于窄依赖,partition的转换处理在一个stage中完成计算
对于窄依赖,由于有shuffle的存在,只能在parent RDD处理完成之后,才能开始接下来的计算
由于划分完stage之后,在同一个stage中只有窄依赖,没有宽依赖,可以实现流水线计算
stage中的每一个分区对应一个task,在同一个stage中就有很多可以并行运行的task。
3 如何划分stage
划分stage的依据是宽依赖
1)首先根据rdd的算子操作顺序生成DAG有向无环图,接下来从最后一个rdd往前推,创建一个
新的stage,把该rdd加入到该stage中,它是最后一个stage
2)在往前推的过程中运行遇到了窄依赖就把该rdd加入到本stage中,如果遇到了宽依赖,就从
宽依赖切开,那么最后一个stage也就结束了
3)重新创建一个新的stage,按照第二个步骤继续往前推,一直到最开始的rdd,就结束了
4 stage与stage之间的关系
划分完stage之后,每一个stage中有很多可以并行运行的task,后期把每一个stage中的task
封装在一个taskSet集合中,最后把一个一个的taskSet集合提交到worker节点上的executor进程中运行
rdd与rdd之间存在依赖关系,stage与stage之前也存在依赖关系,前面stage中的task先运行,
运行完成了再运行后面stage中的task,也就是说后面stage中的task输入数据是前面stage中task的
输出结果数据
Spark的任务调度
1)Driver端运行客户端的main方法,构建SparkContext对象,在SparkContext对象内部依次
构建DAGScheduler和TaskScheduler
2)按照rdd的一系列操作顺序,来生成DAG有向无环图
3)DAGScheduler拿到DAG有向无环图之后,按照宽依赖进行stage的划分,每一个stage内部
有很多可以并行运行的task,最后封装在一个一个的taskSet集合中,然后把taskSet发送给TaskScheduler
4)TaskScheduler得到taskSet集合之后,依次遍历取出每一个task提交到worker节点上的executor进程中运行
5)所有task运行完成,整个任务也就结束了
8 spark的运行架构
1)Driver端向资源管理器master发送注册和申请计算资源的请求
2)master通知对应的worker节点启动executor进程(计算资源)
3)
4)
5)
6)DAGScheduler拿到DAG有向无环图之后胡,按照宽依赖进行stage的划分,每一个stage内部
有很多可以并行运行的task,最后封装在一个一个的taskSet集合中,然后把taskSet发送给TaskScheduler
7)TaskScheduler得到taskSet集合之后,依次遍历取出每一个task提交到worker节点上的
executor进程中运行
8)所有task运行完成,Driver端向Master发送注销请求,Master通知worker关闭executor
进程,worker上的计算资源得到释放,最后整个任务也就结束了。
***********************fuck off the World*****************************************************************************************
以上是关于Spark的主要内容,如果未能解决你的问题,请参考以下文章
SparkSpark ShuffleSpark SQL 及 Spark MLlib