彻底解密WordCount运行原理(DT大数据梦工厂)

Posted 2020-06-13

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了彻底解密WordCount运行原理(DT大数据梦工厂)相关的知识，希望对你有一定的参考价值。

主要内容：

数据流动视角解密WordCount

RDD依赖关系视角解密WordCount

DAG与Lineage的思考

==========数据流动视角============

新建文件，里面输入

Hello Spark Hello Scala

Hello Hadoop

Hello Flink

Spark is awesome

修改代码：

package com.dt.spark.SparkApps.cores;

import java.util.Arrays;

import java.util.List;

import org.apache.spark.SparkConf;

import org.apache.spark.api.java.JavaPairRDD;

import org.apache.spark.api.java.JavaRDD;

import org.apache.spark.api.java.JavaSparkContext;

import org.apache.spark.api.java.function.FlatMapFunction;

import org.apache.spark.api.java.function.Function2;

import org.apache.spark.api.java.function.PairFunction;

import org.apache.spark.api.java.function.VoidFunction;

import scala.Tuple2;

public class WordCount_Cluster {

public static void main(String[] args) {

// TODO Auto-generated method stub

/**

* 1、创建Spark配置对象SparkConf，设置Spark程序的运行时的程序配置信息

* 例如：通过setMaster来设置程序要连接的Spark集群的 url，

* 如果设置为local，则代表Spark程序在本地运行，特别适合于机器配置条件非常差(例如只有1G的内存)的初学者

SparkConf conf = new SparkConf().setAppName("Spark Word Count In JAVA");

/**

* 2、创建SparkContext对象

* SparkContext是Spark程序所有功能的唯一入口，无论采用 Scala、Java、Python、R等都必须要(

* 不同的语言具体的类名称不同，如果是JAVA，则为JavaSparkContext)

* SparkContext核心作用：初始化Spark应用程序所运行所需要的核心组件，包括DAGScheduler、TaskScheduler

* 、SchedulerBackend 同时还会负责Spark程序往Master注册程序等

* SparkContext是整个Spark应用程序中最为至关重要的一个对象

JavaSparkContext sc = new JavaSparkContext(conf );// 其地产曾实际上就是 Scala的SparkContext

/**

* 3、根据具体的数据来源（HDFS、HBase、Local FS、DB、S3等）通过SparkContext来创建RDD

* RDD创建基本有三种方式：根据外部的数据来源(例如HDFS)，根据 Scala集合、由其它的RDD操作

* 数据会被RDD划分成为一系列的Partitions，分配到每个Partition的数据属于一个Task的处理范畴

JavaRDD<String> lines = sc.textFile("/historyserverforSpark/README.md" );

/**

* 4、对初始的RDD进行transformation级别的处理，例如map、filter等高阶函数的编程，来进行具体的数据计算

* 4.1、将每一行的字符串拆分成单个的单词 FlatMapFunction<String,

* String>是匿名内部类第二个参数泛型，因为知道是String，所以用String

JavaRDD<String> words = lines.flatMap( new FlatMapFunction<String, String>() {

@Override

public Iterable<String> call(String line ) throws Exception {

// TODO Auto-generated method stub

return Arrays.asList( line.split( " "));

}

});

/**

* 4.2、在单词拆分的基础上对每个单词实例计数为1，也就是word=>(word,1)

JavaPairRDD<String, Integer> pairs = words.mapToPair( new PairFunction<String, String, Integer>() {

@Override

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

// TODO Auto-generated method stub

return new Tuple2<String, Integer>(word, 1);

}

});

/**

* 4.3、在每个单词实例计数为1的基础上统计每个单词在文件中出现的总次数

JavaPairRDD<String, Integer> wordCounts = pairs .reduceByKey(new Function2<Integer, Integer, Integer>() {

@Override

public Integer call(Integer v1 , Integer v2) throws Exception {

// TODO Auto-generated method stub

return v1 + v2 ;

}

});

List<Tuple2<String, Integer>> wordCountsCollect = wordCounts.collect();

for(Tuple2<String, Integer> t2 :wordCountsCollect ){

System. out.println(t2 ._1 + ":" + t2 ._2 );

}

/**

* 5、关闭Spark上下文释放相关资源

sc.close();

}

运行结果：

Flink:1

Spark:2

is:1

Hello:3

awesome:1

Hadoop:1

解释：

1、数据在HDFS中分布式存储数据，HelloSpark.txt这个文件

读取数据之后，会创建一个HadoopRDD，从HDFS上读取分布式数据，并且以数据分片的存在于集群之中

基于 HadoopRDD基础上框架会通过map生成MapPartitionRDD ，然后会生成去掉基于行的key的PartitionRDD

val lines = sc.textFile("F:/安装文件/操作系统/spark-1.6.0-bin-hadoop2.6/README.md", 1)

/**
* Read a text file from HDFS, a local file system (available on all nodes), or any
* Hadoop-supported file system URI, and return it as an RDD of Strings.
*/
def textFile(
path: String,
minPartitions: Int = defaultMinPartitions): RDD[String] = withScope {
assertNotStopped()
hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text],
minPartitions).map(pair => pair._2.toString)
}

2、通过FlatMap操作，对每个Partion中的每一行进行单词切分，并合并成一个大的单词实例的集合，生成新的MapPartitionRDD

val words = lines.flatMap { line => line.split(" ") }//对每一行的字符串进行单次拆分并把所有行的拆分结果通过flat合并成一个大的单次集合

/**
* Return a new RDD by first applying a function to all elements of this
* RDD, and then flattening the results.
*/
def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U] = withScope {
val cleanF = sc.clean(f)
new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.flatMap(cleanF))
}

3、对每个单词分别计数为1，单词实例变为形如(word,1)

val pairs = words.map { word => (word,1) }//其实编程了Tuple (word,1)

4、reduceByKey的时候会先本地统计一下，就是Shuffle之前的localreduce操作，主要负责本地统计，并且把统计后的结果按照分区策略放到不同的file中

从第1到现在，全部在一个stage里面做，一个stage是完全基于内存迭代的

然后开始进行shuffle，开始新的stage，因为要传网络，所以会开始新的stage

会产生shuffledRDD，新的shuffledRDD可能会有Hello和Hadoop混在一起的，这个是Spark的分区策略

分区之后，每个区内部分别进行处理，在这个例子中是，每个区内部分别reduce

reduce之后就是一个MapPartitionRDD，从保存到HDFS角度将，MapPartitionRDD(计算的时候我们把key丢弃了，我们最后往HDFS写的时候，要求要有key，所以弄了个NullWritable ，这是符合对称法则和能量守恒形式之美的)

这个步骤是第二个stage！！！

val wordCounts = pairs.reduceByKey(_+_)//对相同的key，进行value的累加（包括local和Reducer级别同时reduce）

shuffle源码：

@Experimental
def combineByKeyWithClassTag[C](
createCombiner: V => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C,
partitioner: Partitioner,
mapSideCombine: Boolean = true,
serializer: Serializer = null)(implicit ct: ClassTag[C]): RDD[(K, C)] = self.withScope {
require(mergeCombiners != null, "mergeCombiners must be defined") // required as of Spark 0.9.0
if (keyClass.isArray) {
if (mapSideCombine) {
throw new SparkException("Cannot use map-side combining with array keys.")
}
if (partitioner.isInstanceOf[HashPartitioner]) {
throw new SparkException("Default partitioner cannot partition array keys.")
}
}
val aggregator = new Aggregator[K, V, C](
self.context.clean(createCombiner),
self.context.clean(mergeValue),
self.context.clean(mergeCombiners))
if (self.partitioner == Some(partitioner)) {
self.mapPartitions(iter => {
val context = TaskContext.get()
new InterruptibleIterator(context, aggregator.combineValuesByKey(iter, context))
}, preservesPartitioning = true)
} else {
new ShuffledRDD[K, V, C](self, partitioner)
.setSerializer(serializer)
.setAggregator(aggregator)
.setMapSideCombine(mapSideCombine)
}
}

/**
* Save this RDD as a text file, using string representations of elements.
*/
def saveAsTextFile(path: String): Unit = withScope {
// https://issues.apache.org/jira/browse/SPARK-2075
//
// NullWritable is a `Comparable` in Hadoop 1.+, so the compiler cannot find an implicit
// Ordering for it and will use the default `null`. However, it‘s a `Comparable[NullWritable]`
// in Hadoop 2.+, so the compiler will call the implicit `Ordering.ordered` method to create an
// Ordering for `NullWritable`. That‘s why the compiler will generate different anonymous
// classes for `saveAsTextFile` in Hadoop 1.+ and Hadoop 2.+.
//
// Therefore, here we provide an explicit Ordering `null` to make sure the compiler generate
// same bytecodes for `saveAsTextFile`.
val nullWritableClassTag = implicitly[ClassTag[NullWritable]]
val textClassTag = implicitly[ClassTag[Text]]
val r = this.mapPartitions { iter =>
val text = new Text()
iter.map { x =>
text.set(x.toString)
(NullWritable.get(), text)
}
}
RDD.rddToPairRDDFunctions(r)(nullWritableClassTag, textClassTag, null)
.saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path)
}