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 Streaming

SparkSpark ShuffleSpark SQL 及 Spark MLlib

SparkSpark之Transformation和Action

SparkSpark的Shuffle机制

sparkspark sql

SparkSpark一些面试题