《循序渐进学Spark》一2.2 Spark程序模型-阿里云开发者社区

开发者社区> 华章出版社> 正文

《循序渐进学Spark》一2.2 Spark程序模型

简介:

本节书摘来自华章出版社《循序渐进学Spark》一书中的第2章,第2.2节,作者 小象学院 杨 磊,更多章节内容可以访问云栖社区“华章计算机”公众号查看。


2.2 Spark程序模型

下面给出一个经典的统计日志中ERROR的例子,以便读者直观理解Spark程序模型。

1)SparkContext中的textFile函数从存储系统(如HDFS)中读取日志文件,生成file变量。

scala> var file = sc.textFile("hdfs://...")

2)统计日志文件中,所有含ERROR的行。

scala> var errors = file.filer(line=>line.contains("ERROR"))

3)返回包含ERROR的行数。

errors.count()

RDD的操作与Scala集合非常类似,这是Spark努力追求的目标:像编写单机程序一样编写分布式应用。但二者的数据和运行模型却有很大不同,如图2-3所示。

64355c68558205c2b1ab7d5336ce9ce3ca9d0dc4

在图2-3中,每一次对RDD的操作都造成了RDD的变换。其中RDD的每个逻辑分区Partition都对应Block Manager(物理存储管理器)中的物理数据块Block(保存在内存或硬盘上)。前文已强调,RDD是应用程序中核心的元数据结构,其中保存了逻辑分区与物理数据块之间的映射关系,以及父辈RDD的依赖转换关系。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:

华章出版社

官方博客
官网链接