SparkCore加强
- 重点：RDD的持久化和Checkpoint
- 提高拓展知识：Spark内核调度全流程，Spark的Shuffle
- 练习：热力图统计及电商基础指标统计
- combineByKey作为面试部分重点，可以作为扩展知识点
Spark算子补充
# -*- coding: utf-8 -*- # Program function：演示join操作 from pyspark import SparkConf, SparkContext if __name__ == '__main__': print('PySpark join Function Program') # TODO：1、创建应用程序入口SparkContext实例对象 conf = SparkConf().setAppName("miniProject").setMaster("local[*]") sc = SparkContext.getOrCreate(conf) # TODO: 2、从本地文件系统创建RDD数据集 x = sc.parallelize([(1001, "zhangsan"), (1002, "lisi"), (1003, "wangwu"), (1004, "zhangliu")]) y = sc.parallelize([(1001, "sales"), (1002, "tech")]) # TODO:3、使用join完成联合操作 print(x.join(y).collect()) # [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))] print(x.leftOuterJoin(y).collect()) print(x.rightOuterJoin(y).collect()) # [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))] sc.stop()
[掌握]RDD 持久化
为什么使用缓存
- 缓存可以加速计算，比如在wordcount操作的时候对reduceByKey算子进行cache的缓存操作，这时候后续的操作直接基于缓存后续的计算
- 缓存可以解决容错问题，因为RDD是基于依赖链的Dependency
- 使用经验：一次缓存可以多次使用
如何进行缓存？
- spark中提供cache方法
- spark中提供persist方法
# -*- coding: utf-8 -*- # Program function：演示join操作 from pyspark import SparkConf, SparkContext from pyspark.storagelevel import StorageLevel import time if __name__ == '__main__': print('PySpark join Function Program') # TODO：1、创建应用程序入口SparkContext实例对象 conf = SparkConf().setAppName("miniProject").setMaster("local[*]") sc = SparkContext.getOrCreate(conf) # TODO: 2、从本地文件系统创建RDD数据集 x = sc.parallelize([(1001, "zhangsan"), (1002, "lisi"), (1003, "wangwu"), (1004, "zhangliu")]) y = sc.parallelize([(1001, "sales"), (1002, "tech")]) # TODO:3、使用join完成联合操作 join_result_rdd = x.join(y) print(join_result_rdd.collect()) # [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))] print(x.leftOuterJoin(y).collect()) print(x.rightOuterJoin(y).collect()) # [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))] # 缓存--基于内存缓存-cache底层调用的是self.persist(StorageLevel.MEMORY_ONLY) join_result_rdd.cache() # join_result_rdd.persist(StorageLevel.MEMORY_AND_DISK_2) # 如果执行了缓存的操作，需要使用action算子触发，在4040页面上看到绿颜色标识 join_result_rdd.collect() # 如果后续执行任何的操作会直接基于上述缓存的数据执行，比如count print(join_result_rdd.count()) time.sleep(600) sc.stop()
缓存级别
- 如何选：
- 1-首选内存
- 2-内存放不下，尝试序列化
- 3-如果算子比较昂贵可以缓存在磁盘中，否则不要直接放入磁盘
- 4-使用副本机制完成容错性质
释放缓存
- 后续讲到Spark内存模型中，缓存放在Execution内存模块
- 如果不在需要缓存的数据，可以释放
- 最近最少使用（LRU）
print(“释放缓存之后，直接从rdd的依赖链重新读取”) print(join_result_rdd.count())
* <
何时缓存数据
- rdd来之不易
- 经过很长依赖链计算
- 经过shuffle
- rdd被使用多次
- 缓存cache或persist
- 问题：缓存将数据保存在内存或磁盘中，内存或磁盘都属于易失介质
- 内存在重启之后没有数据了，磁盘也会数据丢失
- 注意：缓存会将依赖链进行保存的
- 如何解决基于cache或persist的存储在易失介质的问题？
- 引入checkpoint检查点机制
- 将元数据和数据统统存储在HDFS的非易失介质，HDFS有副本机制
- checkpoint切断依赖链，直接基于保存在hdfs的中元数据和数据进行后续计算
- 什么是元数据?
- 管理数据的数据
- 比如，数据大小，位置等都是元数据
[掌握]RDD Checkpoint
- 为什么有检查点机制？
- 因为cache或perisist将数据缓存在内存或磁盘中，会有丢失数据情况，引入检查点机制，可以将数据斩断依赖之后存储到HDFS的非易失介质中，解决Spark的容错问题
- Spark的容错问题？
- 有一些rdd出错怎么办？可以借助于cache或Persist，或checkpoint
- 如何使用检查点机制？
- 指定数据保存在哪里？
- sc.setCheckpointDir(“hdfs://node1:9820/chehckpoint/”)
- 对谁缓存？答案算子
- rdd1.checkpoint() 斩断依赖关系进行检查点
- 检查点机制触发方式
- action算子可以触发
- 后续的计算过程
- Spark机制直接从checkpoint中读取数据
- 实验过程还原：
- 检查点机制那些作用？
- 将数据和元数据保存在HDFS中
- 后续执行rdd的计算直接基于checkpoint的rdd
- 起到了容错的作用
- 面试题：如何实现Spark的容错？
- 1-首先会查看Spark是否对数据缓存，cache或perisist，直接从缓存中提取数据
- 2-否则查看checkpoint是否保存数据
- 3-否则根据依赖关系重建RDD
- 检查点机制案例
持久化和Checkpoint的区别
- 存储位置：缓存放在内存或本地磁盘，检查点机制在hdfs
- 生命周期：缓存通过LRU或unpersist释放，检查点机制会根据文件一直存在
- 依赖关系：缓存保存依赖关系，检查点斩断依赖关系链
案例测试：
先cache在checkpoint测试
- 1-读取数据文件
- 2-设置检查点目录
- 3-rdd.checkpoint() 和rdd.cache()
- 4-执行action操作，根据spark容错选择首先从cache中读取数据，时间更少，速度更快
- 5-如果对rdd实现unpersist
- 6-从checkpoint中读取rdd的数据
- 7-通过action可以查看时间
