Spark基础和RDD
Posted william364248886
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基础和RDD相关的知识,希望对你有一定的参考价值。
spark
1. Spark的四大特性
- 速度快
spark比mapreduce快的两个原因
- 基于内存
1. mapreduce任务后期在计算的是时候,每一个job的输出结果都会落地到磁盘,后续有其他的job要依赖于前面job的输出结果,这个时候就需要进行大量的磁盘io操作,性能较低 2. spark任务后期在进行计算的时候,job的结果是可以保存在内存中的,后面有其他的job需要以言语前面job的输出结果,这个时候可以直接从内存中读取,避免了磁盘io操作,性能比较高 spark程序和mapreduce程序都会产生shuffle阶段,在shuffle阶段中他们产生的数据都会保留在磁盘中
- 进程与线程
1 mapreduce任务以进程的方式运行在yarn集群中,比如说有100个mapTask,一个task就需要一个进程,这些task要运行就需要开启100个进程 2 spark任务以线程的方式运行在进程中,比如说有100个task,则一个task就对应一个线程
- 易用性
- 可以用java、scala、python、R等不同的语言来快速编写spark程序
- 通用性
- 兼容性
- spark程序有多种运行模式
- standAlone
- spark自带的独立运行模式,整个任务的资源分配由spark集群的的Master来负责
- yarn
- 可以把spark程序提交到yarn上运行,整个任务的资源分配由yarn中的ResourceManager负责
- mesos
- apache开源的一个类似于yarn的资源调度平台
- standAlone
- spark程序有多种运行模式
2. spark集群架构
?
- Driver
- 他会执行客户端写好的main方法,构建一个SparkContext对象(该对象是所有spark程序的执行入口)
- Application
- 是一个spark的应用程序,包含了客户端的代码和任务运行的资源信息
- ClusterManager
- 给程序提供计算资源的外部服务
- standAlone
- spark自带的集群模式,整个任务的资源分配由spark集群的Master负责
- yarn
- 把spark程序提交到yarn中运行,整个任务的资源分配由yarn中的ResourceManager负责
- mesos
- apache开源的一个类似于yarn的资源调度平台
- standAlone
- 给程序提供计算资源的外部服务
- Master
- Spark集群的主节点,负责任务资源的分配
- Worker
- Spark集群的从节点,负责任务计算的节点
- Executor
- 是一个在worker节点启动的进程
- Task
- spark任务的以task线程的方式运行在worker节点的executor进程中的
3. RDD是什么
- RDD (Resilient Distributed Dataset)叫做弹性分布式数据集,是Spark中最基本的抽象单位。它代表的是是一个不可变的、可分区的、里面元素可以并行计算的数据集合。
- Resilient 弹性的,表示RDD中的数据既可以保存在磁盘上也能保存在内存中
- Distibuted 分布式的,表示RDD的数据是分布式存储的,方便后期的各种计算
- Dataset 一个数据集合,可以存储很多数据
4. RDD的五大属性
- A list of partitions
- 一个分区列表,数据集的基本组成单位
- 这里表示的是一个RDD可能会有多个分区,每个分区会存储该RDD的一部分数据,Spark中任务是以task线程的方式运行的,一个分区就对应一个task
- 一个分区列表,数据集的基本组成单位
- A function of computing each split
- 一个用来计算每个分区的函数
- Spark中RDD的计算是以分区为单位的
- 一个用来计算每个分区的函数
A list of dependencies on other RDDs
一个RDD会依赖于其他多个RDD
这里是说RDD和RDD之间是有依赖关系的,spark任务的容错机制就是根据这个特性(血统)而来
Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
一个Patitioner,即RDD的分区函数(可选项)
spark中实现了两种类型的分区函数 1 基于哈希的HashPartitioner,(key.hashcode % 分区数 = 分区号) 2 基于范围的RangePartitioner 只有对于key-value的RDD,并且产生shuffle,才会有Partitioner 非key-value的RDD的Partitioner的值是None
Optionally, a list of preferred locations to compute each split in (e.g. block locations for an HDFS file)
一个列表,存储每个Partition的优先位置(可选项)
spark任务在调度的时候会优先考虑存有数据的节点开启计算任务,以减少数据的网络传输,提成计算效率
5. RDD算子分类
- transformation(转换)
- 根据已经存在的RDD转换生成另外一个新的RDD,它是延迟加载,不会立即执行
- 如
- map、flatMap、reduceByKey
- action(动作)
- 会触发任务的运行
- 将RDD计算的结果数据返回给Driver端,或者保存到外部存储介质(磁盘、内存、HDFS)
- 如
- collect、saveAsTextFile
- 会触发任务的运行
6. RDD常见的算子操作
6.1 transformation算子
转换 | 含义 |
---|---|
map(func) | 返回一个新的RDD,该RDD由每一个输入元素经过func函数转换后组成 |
filter(func) | 返回一个新的RDD,该函数由经过func函数计算并且返回值为true的输入元素组成 |
flatMap(func) | 类似于map,但每一个输入元素可以被映射为0或多个输出元素(所以func应该返回一个序列,而不是单一的元素) |
mapPartitions(func) | 类似于map,但独立地在RDD的每一个分片上运行,因此在类型为T的RDD上运行时,func的函数类型必须是Iterator[T] => Iterator[U] |
mapPartitionsWithIndex(func) | 类似于mapPartitions,但func带有一个整数参数表示分片的索引值,因此在类型为T的RDD上运行时,func的函数类型必须是Iterator[T] => Iterator[U] |
union(otherDataset) | 对源RDD和参数RDD求并集,并返回一个新的RDD |
intersection(otherDataset) | 对源RDD和参数RDD求交集,并返回一个新的RDD |
distinct([numTasks])) | 对源RDD进行去重之后返回一个新的RDD |
groupByKey([numTasks]) | 在一个(k,v)类型的RDD上调用,返回一个(k,v)的RDD |
reduceByKey(func, [numTasks]) | 在一个(k,v)类型的RDD上调用,返回一个(k,v)的RDD,使用指定的reduce函数,将相同key的值聚合到一起,与groupByKey类似,reduce任务的个数可以通过第二个参数来设置 |
sortByKey([ascending], [numTasks]) | 在一个(k,v)的RDD上调用,k必须实现Ordered接口,返回一个按照key进行排序的(k,v)RDD |
sortBy(func,[ascending], [numTasks]) | 与sortByKey类似,但是更灵活,可以自定义排序func |
join(otherDataset, [numTasks]) | 在类型为(k,v)和(k,w)的RDD上调用,返回一个相同 key对应的所有元素对在一起的(k,(v,w))的RDD |
cogroup(otherDataset, [numTasks]) | 在类型为(K,V)和(K,W)的RDD上调用,返回一个(K,(Iterable |
coalesce(numPartitions) | 减少RDD的分区数到指定值 |
repartition(numPartitions) | 重新给RDD分区 |
repartitionAndSortWithinPartitions(partitioner) | 重新给RDD分区,并且每个分区内以记录的key排序 |
6.2 action算子
动作 | 含义 |
---|---|
reduce(func) | reduce将RDD中元素前两个传给输入函数,产生一个新的return值,新产生的return值与RDD中下一个元素(第三个元素)组成两个元素,再被传给输入函数,直到最后只有一个值为止。 |
collect() | 在驱动程序中,以数组的形式返回数据集的所有元素 |
count() | 返回RDD的元素个数 |
first() | 返回RDD的第一个元素(类似于take(1)) |
take(n) | 返回一个由数据集的前n个元素组成的数组 |
takeOrdered(n, [ordering]) | 返回自然顺序或者自定义顺序的前 n 个元素 |
saveAsTextFile(path) | 将数据集中的元素以textFile的形式保存到HDFS文件系统或者其他支持的文件系统,对于每个元素,Spark将会调用toString方法,将它装换为文件中的文本 |
saveAsSequenceFile(path) | 将数据集中的元素以Hadoop sequenceFile的格式保存到指定的目录,可以是HDFS或者其他Hadoop支持的文件系统 |
saveAsObjectFile(path) | 将数据集的元素以Java序列化的方式保存到指定的目录下 |
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 |
foreach(func) | 在数据集上每个元素上,运行函数func |
foreachPartition(func) | 在数据集的每个分区上,运行函数func |
以上是关于Spark基础和RDD的主要内容,如果未能解决你的问题,请参考以下文章