Spark 基本概念及入门 (3)

2.在node1上执行$SPARK_HOME/sbin/start-all.sh，然后在node2上执行$SPARK_HOME/sbin/start-master.sh启动第二个Master

执行第一个spark程序 $SPARK_HOME/bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://localhost:7077 --executor-memory 1G --total-executor-cores 1 $SPARK_HOME/examples/jars/spark-examples_2.11-2.2.2.jar 100 spark Shell

spark-shell是Spark自带的交互式Shell程序，方便用户进行交互式编程，用户可以在该命令行下用scala编写spark程序。

$SPARK_HOME/bin/spark-shell \ --master spark://localhost:7077 \ --executor-memory 2g \ --total-executor-cores 2

参数说明：

--master spark://localhost:7077 指定Master的地址

--executor-memory 2g 指定每个worker可用内存为2G

--total-executor-cores 2 指定整个集群使用的cup核数为2个

注意：

如果启动spark shell时没有指定master地址，但是也可以正常启动spark shell和执行spark shell中的程序，其实是启动了spark的local模式，该模式仅在本机启动一个进程，没有与集群建立联系。Spark Shell中已经默认将SparkContext类初始化为对象sc。用户代码如果需要用到，则直接应用sc即可

spark shell中编写WordCount

在spark shell中用scala语言编写spark程序

sc.textFile("file:///root/tmp/words.dta").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).saveAsTextFile("file:///root/tmp/out")

说明：

sc是SparkContext对象，该对象时提交spark程序的入口

textFile("file:///root/tmp/words.dta") 从本地文件中读取数据

flatMap(_.split(" ")) 先map在压平

map((_,1)) 将单词和1构成元组

reduceByKey(+) 按照key进行reduce，并将value累加

saveAsTextFile("file:///root/tmp/out") 将结果写入到指定位置

spark RDD RDD概述 什么是RDD

RDD（Resilient Distributed Dataset）叫做分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。

RDD的属性

一组分片（Partition），即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。

一个计算每个分区的函数。Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。

RDD之间的依赖关系。RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。

一个Partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。

一个列表，存储存取每个Partition的优先位置（preferred location）。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念，Spark在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

创建RDD

由一个已经存在的Scala集合创建。

val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))

由外部存储系统的数据集创建，包括本地的文件系统，还有所有Hadoop支持的数据集，比如HDFS、Cassandra、HBase等

val rdd2 = sc.textFile("hdfs://localhost:9000/wc/words.txt") RDD编程模型 Transformation

RDD中的所有转换都是延迟加载的，也就是说，它们并不会直接计算结果。相反的，它们只是记住这些应用到基础数据集（例如一个文件）上的转换动作。只有当发生一个要求返回结果给Driver的动作时，这些转换才会真正运行。这种设计让Spark更加有效率地运行。

常用的Transformation：

转换 含义
map(func)   返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成  
filter(func)   返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成  
flatMap(func)   类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）  
mapPartitions(func)   类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]  
mapPartitionsWithIndex(func)   类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是 (Int, Interator[T]) => Iterator[U]  
sample(withReplacement, fraction, seed)   根据fraction指定的比例对数据进行采样，可以选择是否使用随机数进行替换，seed用于指定随机数生成器种子  
union(otherDataset)   对源RDD和参数RDD求并集后返回一个新的RDD  
intersection(otherDataset)   对源RDD和参数RDD求交集后返回一个新的RDD  
distinct([numTasks]))   对源RDD进行去重后返回一个新的RDD  
groupByKey([numTasks])   在一个(K,V)的RDD上调用，返回一个(K, Iterator[V])的RDD  
reduceByKey(func, [numTasks])   在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，与groupByKey类似，reduce任务的个数可以通过第二个可选的参数来设置  
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks])    
sortByKey([ascending], [numTasks])   在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD  
sortBy(func,[ascending], [numTasks])   与sortByKey类似，但是更灵活  
join(otherDataset, [numTasks])   在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD  
cogroup(otherDataset, [numTasks])   在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable,Iterable))类型的RDD  
cartesian(otherDataset)   笛卡尔积  
pipe(command, [envVars])    
coalesce(numPartitions)    
repartition(numPartitions)    
repartitionAndSortWithinPartitions(partitioner)    
Action 动作 含义
reduce(func)   通过func函数聚集RDD中的所有元素，这个功能必须是课交换且可并联的  
collect()   在驱动程序中，以数组的形式返回数据集的所有元素  
count()   返回RDD的元素个数  
first()   返回RDD的第一个元素（类似于take(1)）  
take(n)   返回一个由数据集的前n个元素组成的数组  
takeSample(withReplacement,num, [seed])   返回一个数组，该数组由从数据集中随机采样的num个元素组成，可以选择是否用随机数替换不足的部分，seed用于指定随机数生成器种子  
takeOrdered(n, [ordering])    
saveAsTextFile(path)   将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本  
saveAsSequenceFile(path)   将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。  
saveAsObjectFile(path)    
countByKey()   针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。  
foreach(func)   在数据集的每一个元素上，运行函数func进行更新。  
RDD的依赖关系

RDD和它依赖的父RDD（s）的关系有两种不同的类型，即窄依赖（narrow dependency）和宽依赖（wide dependency）。

shuffle重要的依据：父RDD的一个分区的数据，要给子RDD的多个分区

窄依赖

窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用

总结：窄依赖我们形象的比喻为独生子女

宽依赖

宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition

总结：窄依赖我们形象的比喻为超生

Lineage