1 函数分类
有一定开发经验的读者应该都使用过多线程,利用多核 CPU 的并行能力来加快运算速率。在开发并行程序时,可以利用类似 Fork/Join 的框架将一个大的任务切分成细小的任务,每个小任务模块之间是相互独立的,可以并行执行,然后将所有小任务的结果汇总起来,得到最终的结果。一个非常好的例子便是归并排序。对整个序列进行排序时,可以将序列切分成多个子序列进行排序,然后将排好序的子序列归并起来得到最终的结果。
对 Hadoop 有所了解的读者都知道 map、reduce 操作。对于大量的数据,我们可以通过map 操作让不同的集群节点并行计算,之后通过 reduce 操作将结果整合起来得到最终输出。
对于 Spark 处理的大量数据而言,会将数据切分后放入RDD作为Spark 的基本数据结构,开发者可以在 RDD 上进行丰富的操作,之后 Spark 会根据操作调度集群资源进行计算。总结起来,RDD 的操作主要可以分为 Transformation 和 Action 两种。
官方文档:http://spark.apache.org/docs/latest/rdd-programming-guide.html#rdd-operations
RDD中操作(函数、算子)分为两类:
1)、Transformation转换操作:返回一个新的RDD
which create a new dataset from an existing one
所有Transformation函数都是Lazy,不会立即执行,需要Action函数触发
2)、Action动作操作:返回值不是RDD(无返回值或返回其他的)
which return a value to the driver program after running a computation on the datase
所有Action函数立即执行(Eager),比如count、first、collect、take等
此外注意RDD中函数细节:
第一点:RDD不实际存储真正要计算的数据,而是记录了数据的位置在哪里,数据的转换关系(调用了什么方法,传入什么函数);
第二点:RDD中的所有转换都是惰性求值/延迟执行的,也就是说并不会直接计算。只有当发生一个要求返回结果给Driver的Action动作时,这些转换才会真正运行。之所以使用惰性求值/
延迟执行,是因为这样可以在Action时对RDD操作形成DAG有向无环图进行Stage的划分和并行优化,这种设计让Spark更加有效率地运行。
2 Transformation函数
在Spark中Transformation操作表示将一个RDD通过一系列操作变为另一个RDD的过程,这个操作可能是简单的加减操作,也可能是某个函数或某一系列函数。值得注意的是Transformation操作并不会触发真正的计算,只会建立RDD间的关系图。
如下图所示,RDD内部每个方框是一个分区。假设需要采样50%的数据,通过sample函数,从 V1、V2、U1、U2、U3、U4 采样出数据 V1、U1 和 U4,形成新的RDD。
常用Transformation转换函数,加上底色为重要函数,重点讲解常使用函数:
3 Action函数
不同于Transformation操作,Action操作代表一次计算的结束,不再产生新的 RDD,将结果返回到Driver程序或者输出到外部。所以Transformation操作只是建立计算关系,而Action 操作才是实际的执行者。每个Action操作都会调用SparkContext的runJob 方法向集群正式提交请求,所以每个Action操作对应一个Job。常用Action执行函数,加上底色为重要函数,后续重点讲解。
4 重要函数
RDD中包含很多函数,主要可以分为两类:Transformation转换函数和Action函数。
主要常见使用函数如下,一一通过演示范例讲解。
4.1 基本函数
RDD中map、filter、flatMap及foreach等函数为最基本函数,都是都RDD中每个元素进行操作,将元素传递到函数中进行转换。
map 函数:
map(f:T=>U) : RDD[T]=>RDD[U],表示将 RDD 经由某一函数 f 后,转变为另一个RDD。
flatMap 函数:
flatMap(f:T=>Seq[U]) : RDD[T]=>RDD[U]),表示将 RDD 经由某一函数 f 后,转变为一
个新的 RDD,但是与 map 不同,RDD 中的每一个元素会被映射成新的 0 到多个元素
(f 函数返回的是一个序列 Seq)。
filter 函数:
filter(f:T=>Bool) : RDD[T]=>RDD[T],表示将 RDD 经由某一函数 f 后,只保留 f 返回
为 true 的数据,组成新的 RDD。
foreach 函数:
foreach(func),将函数 func 应用在数据集的每一个元素上,通常用于更新一个累加器,或者和外部存储系统进行交互,例如 Redis。关于 foreach,在后续章节中还会使用,到时会详细介绍它的使用方法及注意事项。
saveAsTextFile 函数:
saveAsTextFile(path:String),数据集内部的元素会调用其 toString 方法,转换为字符串形式,然后根据传入的路径保存成文本文件,既可以是本地文件系统,也可以是HDFS 等。上述函数基本上都使用过,在后续的案例中继续使用,此处不再单独演示案例。
4.2 分区操作函数
每个RDD由多分区组成的,实际开发建议对每个分区数据的进行操作,map函数使用mapPartitions代替、foreache函数使用foreachPartition代替。
针对词频统计WordCount代码进行修改,针对分区数据操作,范例代码如下
import org.apache.spark.rdd.RDD import org.apache.spark.{SparkConf, SparkContext, TaskContext} /** * 分区操作函数:mapPartitions和foreachPartition */ object SparkIterTest { def main(args: Array[String]): Unit = { // 创建应用程序入口SparkContext实例对象 val sc: SparkContext = { // 1.a 创建SparkConf对象,设置应用的配置信息 val sparkConf: SparkConf = new SparkConf() .setAppName(this.getClass.getSimpleName.stripSuffix("$")) .setMaster("local[2]") // 1.b 传递SparkConf对象,构建Context实例 new SparkContext(sparkConf) } sc.setLogLevel("WARN") // TODO: 1、从文件系统加载数据,创建RDD数据集 val inputRDD: RDD[String] = sc.textFile("datas/wordcount/wordcount.data", minPartitions = 2) // TODO: 2、处理数据,调用RDD集合中函数(类比于Scala集合类中列表List) /* def mapPartitions[U: ClassTag]( f: Iterator[T] => Iterator[U], preservesPartitioning: Boolean = false ): RDD[U] */ val wordcountsRDD: RDD[(String, Int)] = inputRDD // 将每行数据按照分隔符进行分割,将数据扁平化 .flatMap(line => line.trim.split("\\s+")) // TODO: 针对每个分区数据操作 .mapPartitions { iter => // iter 表示RDD中每个分区中的数据,存储在迭代器中,相当于列表List iter.map(word => (word, 1)) } // 按照Key聚合统计, 先按照Key分组,再聚合统计(此函数局部聚合,再进行全局聚合) .reduceByKey((a, b) => a + b) // TODO: 3、输出结果RDD到本地文件系统 wordcountsRDD.foreachPartition { datas => // 获取各个分区ID val partitionId: Int = TaskContext.getPartitionId() // val xx: Iterator[(String, Int)] = datas datas.foreach { case (word, count) => println(s"p-${partitionId}: word = $word, count = $count") } } // 应用程序运行结束,关闭资源 sc.stop() } }
为什么要对分区操作,而不是对每个数据操作,好处在哪里呢???
- 应用场景:处理网站日志数据,数据量为10GB,统计各个省份PV和UV。
- 假设10GB日志数据,从HDFS上读取的,此时RDD的分区数目:80 分区;
- 但是分析PV和UV有多少条数据:34,存储在80个分区中,实际项目中降低分区数目,比
如设置为2个分区。
.
4.3 重分区函数
如何对RDD中分区数目进行调整(增加分区或减少分区),在RDD函数中主要有如下三个函数。
- 1)、增加分区函数
- 函数名称:repartition,此函数使用的谨慎,会产生Shuffle。
- 2)、减少分区函数
- 函数名称:coalesce,此函数不会产生Shuffle,当且仅当降低RDD分区数目。
- 比如RDD的分区数目为10个分区,此时调用rdd.coalesce(12),不会对RDD进行任何操作。
- 3)、调整分区函数
- 在PairRDDFunctions(此类专门针对RDD中数据类型为KeyValue对提供函数)工具类中
partitionBy函数:
范例演示代码,适当使用函数调整RDD分区数目:
import org.apache.spark.rdd.RDD import org.apache.spark.{SparkConf, SparkContext} /** * RDD中分区函数,调整RDD分区数目,可以增加分区和减少分区 */ object SparkPartitionTest { def main(args: Array[String]): Unit = { // 创建应用程序入口SparkContext实例对象 val sc: SparkContext = { // 1.a 创建SparkConf对象,设置应用的配置信息 val sparkConf: SparkConf = new SparkConf() .setAppName(this.getClass.getSimpleName.stripSuffix("$")) .setMaster("local[2]") // 1.b 传递SparkConf对象,构建Context实例 new SparkContext(sparkConf) } sc.setLogLevel("WARN") // 读取本地文件系统文本文件数据 val datasRDD: RDD[String] = sc.textFile("datas/wordcount/wordcount.data", minPartitions = 2) // TODO: 增加RDD分区数 val etlRDD: RDD[String] = datasRDD.repartition(3) println(s"EtlRDD 分区数目 = ${etlRDD.getNumPartitions}") // 词频统计 val resultRDD: RDD[(String, Int)] = etlRDD // 数据分析,考虑过滤脏数据 .filter(line => null != line && line.trim.length > 0) // 分割单词,注意去除左右空格 .flatMap(line => line.trim.split("\\s+")) // 转换为二元组,表示单词出现一次 .mapPartitions { iter => iter.map(word => (word, 1)) } // 分组聚合,按照Key单词 .reduceByKey((tmp, item) => tmp + item) // 输出结果RDD resultRDD // TODO: 对结果RDD降低分区数目 .coalesce(1) .foreachPartition(iter => iter.foreach(println)) // 应用程序运行结束,关闭资源 sc.stop() } }
在实际开发中,什么时候适当调整RDD的分区数目呢?让程序性能更好好呢????
- 第一点:增加分区数目
- 当处理的数据很多的时候,可以考虑增加RDD的分区数目
- 第二点:减少分区数目
- 其一:当对RDD数据进行过滤操作(filter函数)后,考虑是否降低RDD分区数目
其二:当对结果RDD存储到外部系统