一、RDD 编程
1、RDD序列化
初始化工作是在Driver端进行的，而实际运行程序是在Executor端进行的，这就涉及到了跨进程通信，是需要序列化的。
class User extends Serializable { var name: String = _ } class Test04 { Logger.getLogger("org").setLevel(Level.ERROR) @Test def test(): Unit = { val conf: SparkConf = new SparkConf().setAppName("SparkCore").setMaster("local[*]") val sc: SparkContext = new SparkContext(conf) val rdd01: RDD[(Int, String)] = sc.makeRDD(Array((111, "aaa"), (222, "bbbb"), (333, "ccccc")), 3) val user01: User = new User() user01.name = "list" val user02: User = new User() user02.name = "lisi" val userRdd01: RDD[User] = sc.makeRDD(List(user01, user02)) // 没有序列化(java.io.NotSerializableException: day04.User) userRdd01.foreach(user => println(user.name)) sc.stop() } }
1.2 Kryo序列化框架
参考地址: https://github.com/EsotericSoftware/kryo
Java的序列化能够序列化任何的类。但是比较重，序列化后对象的体积也比较大。
Spark出于性能的考虑，Spark2.0开始支持另外一种Kryo序列化机制。Kryo速度是Serializable的10倍。当RDD在Shuffle数据的时候，简单数据类型、数组和字符串类型已经在Spark内部使用Kryo来序列化。
import org.apache.log4j.{Level, Logger} import org.apache.spark.rdd.RDD import org.apache.spark.{SparkConf, SparkContext} import org.junit.Test class Test04 { Logger.getLogger("org").setLevel(Level.ERROR) @Test def test(): Unit = { val conf: SparkConf = new SparkConf().setAppName("SparkCore").setMaster("local[*]") // 替换默认的序列化机制 .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer") // 注册需要使用kryo序列化的自定义类 .registerKryoClasses(Array(classOf[Search])) val sc: SparkContext = new SparkContext(conf) val rdd: RDD[String] = sc.makeRDD(Array("hello world", "hello", "world")) val search: Search = new Search("hello") val result: RDD[String] = rdd.filter(search.isMatch) println(result.collect().toList) } } // 关键字封装在一个类里面 // 需要自己先让类实现序列化 之后才能替换使用kryo序列化 class Search(val query: String) extends Serializable { def isMatch(s: String): Boolean = { s.contains(query) } }
2、RDD依赖关系
2.1 查看血缘关系
RDD只支持粗粒度转换，即在大量记录上执行的单个操作。将创建RDD的一系列Lineage（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，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。
- 圆括号中的数字表示RDD的并行度，也就是有几个分区
rdd03.toDebugString
@Test def test(): Unit = { val conf: SparkConf = new SparkConf().setAppName("SparkCore").setMaster("local[*]") val sc: SparkContext = new SparkContext(conf) val rdd01: RDD[String] = sc.textFile("input/1.txt") println(rdd01.toDebugString) println("rdd01===") val rdd02: RDD[String] = rdd01.flatMap(_.split(" ")) println(rdd02.toDebugString) println("rdd02====") val rdd03: RDD[(String, Int)] = rdd02.map((_, 1)) println(rdd03.toDebugString) println("rdd03====") val rdd04: RDD[(String, Int)] = rdd03.reduceByKey(_ + _) println(rdd04.toDebugString) sc.stop() }
2.2 查看依赖关系
RDD之间的关系可以从两个维度来理解：一个是RDD是从哪些RDD转换而来，也就是 RDD的parent RDD(s)是什么（血缘）; 另一个就是RDD依赖于parent RDD(s)的哪些Partition(s)，这种关系就是RDD之间的依赖（依赖）。
RDD和它依赖的父RDD（s）的依赖关系有两种不同的类型，即窄依赖（NarrowDependency）和宽依赖（ShuffleDependency）。
2.3 窄依赖
一对一、多对一
- 窄依赖表示每一个父RDD的Partition最多被子RDD的一个Partition使用（一对一、多对一）。
- 窄依赖我们形象的比喻为独生子女。
2.4 宽依赖
一对多，会引起Shuffle
- 宽依赖表示同一个父RDD的Partition被多个子RDD的Partition依赖（只能是一对多），会引起Shuffle。
- 总结：宽依赖我们形象的比喻为超生。
- 具有宽依赖的transformations包括：sort、reduceByKey、groupByKey、join和调用rePartition函数的任何操作。
- 宽依赖对Spark去评估一个transformations有更加重要的影响，比如对性能的影响。
- 在不影响业务要求的情况下，要尽量避免使用有宽依赖的转换算子，因为有宽依赖，就一定会走shuffle，影响性能。
2.5 Stage任务划分
DAG有向无环图
DAG（Directed Acyclic Graph）有向无环图是由点和线组成的拓扑图形，该图形具有方向，不会闭环。
DAG记录了RDD的转换过程和任务的阶段。
RDD任务切分
RDD任务切分中间分为：Application、Job、Stage和Task
Application：初始化一个SparkContext即生成一个Application；Job：一个Action算子就会生成一个Job；Stage：Stage等于宽依赖的个数加1；Task：一个Stage阶段中，最后一个RDD的分区个数就是Task的个数。
注意：Application->Job->Stage->Task每一层都是1对n的关系。
@Test def Test(): Unit = { val conf: SparkConf = new SparkConf().setAppName("SparkCore").setMaster("local[*]") // 1、Application：初始化一个SparkContext即生成一个Application val sc: SparkContext = new SparkContext(conf) val lineRdd: RDD[String] = sc.textFile("input/1.txt") val rdd01: RDD[String] = lineRdd.flatMap(_.split(" ")) val rdd02: RDD[(String, Int)] = rdd01.map((_, 1)) // 3、Stage：reduceByKey算子会有宽依赖,stage阶段+1。一共2个stage val resultRdd: RDD[(String, Int)] = rdd02.reduceByKey(_ + _) // 2、Job：一个Action算子就会生成一个Job。一共2个Job resultRdd.collect().foreach(println) resultRdd.saveAsTextFile("output") Thread.sleep(Long.MaxValue) sc.stop() }
Application个数：
// 1、Application：初始化一个SparkContext即生成一个Application val sc: SparkContext = new SparkContext(conf)
Job个数
Stage个数
Task数量
- 如果存在shuffle过程，系统会自动进行缓存，UI界面显示skipped的部分。
- 从Stage中看有2个Task。
3、RDD 持久化
3.1 Cache缓存
RDD通过Cache或者Persist方法将前面的计算结果缓存，默认情况下会把数据以序列化的形式缓存在JVM的堆内存中。但是并不是这两个方法被调用时立即缓存，而是触发后面的action算子时，该RDD将会被缓存在计算节点的内存中，并供后面重用。
// cache底层调用的就是persist方法,缓存级别默认用的是MEMORY_ONLY wortToOneRdd.cache() // 可以更改缓存级别 wortToOneRdd.persist(StorageLevel.MEMORY_AND_DISK_2)
案例：
val wordRdd: RDD[String] = lineRdd.flatMap(line => line.split(" ")) val wortToOneRdd: RDD[(String, Int)] = wordRdd.map(word => (word, 1)) // 打印血缘关系（缓存前） println(wortToOneRdd.toDebugString) // 数据缓存 // cache底层调用的就是persist方法,缓存级别默认用的是MEMORY_ONLY wortToOneRdd.cache() // 可以更改缓存级别 // wortToOneRdd.persist(StorageLevel.MEMORY_AND_DISK_2) wortToOneRdd.collect().foreach(println) // 打印血缘关系（缓存后） println(wortToOneRdd.toDebugString)
缓存枚举参数
默认的存储级别都是仅在内存存储一份。在存储级别的末尾加上“_2”表示持久化的数据存为两份。
SER：表示序列化。
缓存有可能丢失，或者存储于内存的数据由于内存不足而被删除，RDD的缓存容错机制保证了即使缓存丢失也能保证计算的正确执行。通过基于RDD的一系列转换，丢失的数据会被重算，由于RDD的各个Partition是相对独立的，因此只需要计算丢失的部分即可，并不需要重算全部Partition。
自带缓存采用reduceByKey
// 采用reduceByKey，自带缓存 val wordByKeyRDD: RDD[(String, Int)] = wordToOneRdd.reduceByKey(_+_)
3.2 CheckPoint检查点
检查点：是通过将RDD中间结果写入磁盘
原因： 由于血缘依赖过长会造成容错成本过高，这样就不如在中间阶段做检查点容错，如果检查点之后有节点出现问题，可以从检查点开始重做血缘，减少了开销。
检查点存储路径： Checkpoint的数据通常是存储在HDFS等容错、高可用的文件系统。
存储格式为： 二进制的文件。
检查点切断血缘： 在Checkpoint的过程中，该RDD的所有依赖于父RDD中的信息将全部被移除。
检查点触发时间： 对RDD进行Checkpoint操作并不会马上被执行，必须执行Action操作才能触发。但是检查点为了数据安全，会从血缘关系的最开始执行一遍。
// 设置检查点数据存储路径： sc.setCheckpointDir("./checkpoint1") // 调用检查点方法： wordToOneRdd.checkpoint()
代码：
val rdd: RDD[String] = sc.textFile("input/1.txt") // 业务逻辑 val rdd01: RDD[String] = rdd.flatMap(line => line.split(" ")) val rdd02: RDD[(String, Long)] = rdd01.map(word => (word, System.currentTimeMillis())) // 增加缓存，避免再重新跑一个job做checkpoint rdd02.cache() // 数据检查点：针对wordToOneRdd做检查点计算 rdd02.checkpoint() // 会立即启动一个新的job来专门的做checkpoint运算(一共会有2个job) rdd02.collect().foreach(println) // 再次触发2次执行逻辑，用来对比 rdd02.collect().foreach(println) rdd02.collect().foreach(println)
执行结果：
通过页面http://localhost:4040/jobs查看DAG图。可以看到检查点切断了血缘依赖关系。
| 只增加checkpoint，没有增加Cache缓存打印 | 第1个job执行完，触发了checkpoint，第2个job运行checkpoint，并把数据存储在检查点上。第3、4个job，数据从检查点上直接读取。 |
| 增加checkpoint，也增加Cache缓存打印 | 第1个job执行完，数据就保存到Cache里面了，第2个job运行checkpoint，直接读取Cache里面的数据，并把数据存储在检查点上。第3、4个job，数据从检查点上直接读取。 |
3.3 缓存和检查点区别
- Cache缓存只是将数据保存起来，不切断血缘依赖。Checkpoint检查点切断血缘依赖。
- Cache缓存的数据通常存储在磁盘、内存等地方，可靠性低。Checkpoint的数据通常存储在HDFS等容错、高可用的文件系统，可靠性高。
- 建议对checkpoint()的RDD使用Cache缓存，这样checkpoint的job只需从Cache缓存中读取数据即可，否则需要再从头计算一次RDD。
- 如果使用完了缓存，可以通过unpersist()方法释放缓存。
3.4 检查点存储到HDFS集群
如果检查点数据存储到HDFS集群，要注意配置访问集群的用户名。否则会报访问权限异常。
// 设置访问HDFS集群的用户名 System.setProperty("HADOOP_USER_NAME", "atguigu") // 需要设置路径.需要提前在HDFS集群上创建/checkpoint路径 sc.setCheckpointDir("hdfs://hadoop102:8020/checkpoint") // 数据检查点：针对wordToOneRdd做检查点计算 rdd02.checkpoint()
4、键值对RDD数据分区
Spark目前支持Hash分区、Range分区和用户自定义分区。Hash分区为当前的默认分区。分区器直接决定了RDD中分区的个数、RDD中每条数据经过Shuffle后进入哪个分区和Reduce的个数。
- 只有Key-Value类型的RDD才有分区器，非Key-Value类型的RDD分区的值是None
- 每个RDD的分区ID范围：0~numPartitions-1，决定这个值是属于那个分区的。
val conf: SparkConf = new SparkConf().setAppName("SparkCore").setMaster("local[*]") val sc: SparkContext = new SparkContext(conf) // 数据源处理 val rdd: RDD[(Int, Int)] = sc.makeRDD(List((1, 1), (2, 2), (3, 3))) // 打印分区器 println(rdd.partitioner) // 使用HashPartitioner对RDD进行重新分区 val rdd02: RDD[(Int, Int)] = rdd.partitionBy(new HashPartitioner(2)) // 打印分区器 println(rdd02.partitioner) sc.stop()
Hash分区
HashPartitioner分区的原理：对于给定的key，计算其hashCode，并除以分区的个数取余，如果余数小于0，则用余数+分区的个数（否则加0），最后返回的值就是这个key所属的分区ID。
HashPartitioner分区弊端：可能导致每个分区中数据量的不均匀，极端情况下会导致某些分区拥有RDD的全部数据。
Ranger分区
RangePartitioner作用：将一定范围内的数映射到某一个分区内，尽量保证每个分区中数据量均匀，而且分区与分区之间是有序的，一个分区中的元素肯定都是比另一个分区内的元素小或者大，但是分区内的元素是不能保证顺序的。简单的说就是将一定范围内的数映射到某一个分区内。
实现过程为：
第一步：先从整个RDD中采用水塘抽样算法，抽取出样本数据，将样本数据排序，计算出每个分区的最大key值，形成一个Array[KEY]类型的数组变量rangeBounds；
第二步：判断key在rangeBounds中所处的范围，给出该key值在下一个RDD中的分区id下标；该分区器要求RDD中的KEY类型必须是可以排序的
- 1）我们假设有100万条数据要分4个区
- 2）从100万条中抽100个数（1,2,3, …… 100）
- 3）对100个数进行排序，然后均匀的分为4段
- 4）获取100万条数据，每个值与4个分区的范围比较，放入合适分区
二、累加器
分布式共享只写变量（Executor和Executor之间不能读数据）
- 累加器用来把Executor端变量信息聚合到Driver端。在Driver中定义的一个变量，在Executor端的每个task都会得到这个变量的一份新的副本，每个task更新这些副本的值后，传回Driver端进行合并计算。
- 注意：Executor端的任务不能读取累加器的值（例如：在Executor端调用sum.value，获取的值不是累加器最终的值）。因此我们说，累加器是一个分布式共享只写变量。
// 累加器定义（SparkContext.accumulator(initialValue)方法） val sum: LongAccumulator = sc.longAccumulator("sum") // 累加器添加数据（累加器.add方法） sum.add(count) // 累加器获取数据（累加器.value） sum.value
val dataRdd: RDD[(String, Int)] = sc.makeRDD(List(("a", 1), ("a", 2), ("a", 3), ("a", 4))) // 设置新的累加器 val accSum: LongAccumulator = sc.longAccumulator("sum") dataRdd.foreach(line => { // 使用累加器累加 accSum.add(line._2) }) // 获取累加器，累加后的值 println(accSum.value)
累加器要放在行动算子中
- 因为转换算子执行的次数取决于job的数量，如果一个spark应用有多个行动算子，那么转换算子中的累加器可能会发生不止一次更新，导致结果错误。
- 所以，如果想要一个无论在失败还是重复计算时都绝对可靠的累加器，我们必须把它放在foreach()这样的行动算子中。
- 对于在行动算子中使用的累加器，Spark只会把每个Job对各累加器的修改应用一次。
val value: RDD[Unit] = dataRdd.map { case (a, count) => { accSum.add(count) } } //假如放在map中，调用两次行动算子，map执行两次，导致最终累加器的值翻倍 mapRDD.collect() mapRDD.collect()
三、广播变量
分布式共享只读变量
广播变量用来高效分发较大的对象。向所有工作节点发送一个较大的只读值，以供一个或多个Spark Task操作使用。
步骤：
- 调用SparkContext.broadcast（广播变量）创建出一个广播对象，任何可序列化的类型都可以这么实现。
- 通过广播变量.value，访问该对象的值。
- 广播变量只会被发到各个节点一次，作为只读值处理（修改这个值不会影响到别的节点）。
// 声明广播变量 val bdStr: Broadcast[Int] = sc.broadcast(num) // 使用广播变量 bdstr.value
val rdd: RDD[Int] = sc.makeRDD(List(1, 2, 3, 4, 5, 6), 3) // 需要广播的值 val num: Int = 1 // 声明广播变量 val bdStr: Broadcast[Int] = sc.broadcast(num) // 使用广播变量 val rdd02: RDD[Int] = rdd.filter(lin => { lin.equals(bdStr.value) }) rdd02.foreach(println)
