文章目錄

2.1RDD

1.Spark簡介

2.Spark內部原理（代碼塊環境爲虛擬機　spark客戶端）

2.1RDD

2.1.1RDD的創建

從集合中創建RDD，Spark主要提供了兩種函數：parallelize和makeRDD
1）使用parallelize()從集合創建

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

2）使用makeRDD()從集合創建

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

由外部存儲系統的數據集創建
包括本地的文件系統，還有所有Hadoop支持的數據集，比如HDFS、Cassandra、HBase等

val rdd2= sc.textFile("hdfs://hadoop102:9000/RELEASE")

2.1.2RDD的轉換

2.1.2.1Value型

Map(func):返回一個新的RDD，該RDD由每一個輸入元素經過func函數轉換後組成
mapPartitions(func)：類似於map，但獨立地在RDD的每一個分片上運行，因此在類型爲T的RDD上運行時，func的函數類型必須是Iterator[T] => Iterator[U]。假設有N個元素，有M個分區，那麼map的函數的將被調用N次,而mapPartitions被調用M次,一個函數一次處理所有分區。
mapPartitionsWithIndex(func)：類似於mapPartitions，但func帶有一個整數參數表示分片的索引值，因此在類型爲T的RDD上運行時，func的函數類型必須是(Int, Interator[T]) => Iterator[U]；

val rdd = sc.parallelize(Array(1,2,3,4))
val indexRdd = rdd.mapPartitionsWithIndex((index,items)=>(items.map((index,_))))
 indexRdd.collect
//結果
res2: Array[(Int, Int)] = Array((0,1), (0,2), (1,3), (1,4))

flatMap(func)：類似於map，但是每一個輸入元素可以被映射爲0或多個輸出元素（所以func應該返回一個序列，而不是單一元素）
map()和mapPartition()的區別：
1）map()：每次處理一條數據
2）mapPartition()：每次處理一個分區的數據，這個分區的數據處理完後，原RDD中分區的數據才能釋放，可能導致OOM。
3)開發指導：當內存空間較大的時候建議使用mapPartition()，以提高處理效率。
glom:將每一個分區形成一個數組，形成新的RDD類型時RDD[Array[T]]

val rdd = sc.parallelize(1 to 16,4)
 rdd.glom().collect()
 //結果
 Array[Array[Int]] = Array(Array(1, 2, 3, 4), Array(5, 6, 7, 8), Array(9, 10, 11, 12), Array(13, 14, 15, 16))

groupBy(func)：分組，按照傳入函數的返回值進行分組。將相同的key對應的值放入一個迭代器。

val rdd = sc.parallelize(1 to 4)
val group = rdd.groupBy(_%2)
group.collect
//結果
Array[(Int, Iterable[Int])] = Array((0,CompactBuffer(2, 4)), (1,CompactBuffer(1, 3)))

filter(func)：過濾。返回一個新的RDD，該RDD由經過func函數計算後返回值爲true的輸入元素組成。

var sourceFilter = sc.parallelize(Array("xiaoming","xiaojiang","xiaohe","dazhi"))
 sourceFilter.collect()
 val filter = sourceFilter.filter(_.contains("xiao"))
  filter.collect()
  //結果
  Array[String] = Array(xiaoming, xiaojiang, xiaohe)

sample(withReplacement, fraction, seed)：以指定的隨機種子隨機抽樣出數量爲fraction的數據，withReplacement表示是抽出的數據是否放回，true爲有放回的抽樣，false爲無放回的抽樣，seed用於指定隨機數生成器種子。

val rdd = sc.parallelize(1 to 10)
//放回抽樣
 var sample1 = rdd.sample(true,0.4,2)
 sample1.collect()
 //結果
 Array[Int] = Array(1, 2, 2, 7, 7, 8, 9)
 //不放回
 var sample2 = rdd.sample(false,0.2,3)
 sample2.collect()
 //結果
 Array[Int] = Array(1, 9)

distinct([numTasks]))：對源RDD進行去重後返回一個新的RDD。默認情況下，只有8個並行任務來操作，但是可以傳入一個可選的numTasks參數改變它。
coalesce(numPartitions)：縮減分區數，用於大數據集過濾後，提高小數據集的執行效率

val rdd = sc.parallelize(1 to 16,4)
 val coalesceRDD = rdd.coalesce(3)

repartition(numPartitions):根據分區數，重新通過網絡隨機洗牌所有數據

 val rdd = sc.parallelize(1 to 16,4)
 rdd.partitions.size//分區數4
 val rerdd = rdd.repartition(2)
  rdd.partitions.size//分區數2

coalesce和repartition的區別

coalesce重新分區，可以選擇是否進行shuffle過程。由參數shuffle: Boolean = false/true決定。
repartition實際上是調用的coalesce，默認是進行shuffle的。源碼如下：

def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
  coalesce(numPartitions, shuffle = true)
}

sortBy(func,[ascending], [numTasks])：使用func先對數據進行處理，按照處理後的數據比較結果排序，默認爲正序。

val rdd = sc.parallelize(List(2,1,3,4))
rdd.sortBy(x => x).collect()//Array[Int] = Array(1, 2, 3, 4)
rdd.sortBy(x => x%3).collect()//res12: Array[Int] = Array(3, 4, 1, 2)

pipe(command, [envVars])：管道，針對每個分區，都執行一個shell腳本，返回輸出的RDD

2.1.2.2雙Value型交互

union(otherDataset)：對源RDD和參數RDD求並集後返回一個新的RDD

val rdd1 = sc.parallelize(1 to 5)
val rdd2 = sc.parallelize(5 to 10)
val rdd3 = rdd1.union(rdd2)
rdd3.collect()//Array[Int] = Array(1, 2, 3, 4, 5, 5, 6, 7, 8, 9, 10)

subtract (otherDataset)：計算差的一種函數，去除兩個RDD中相同的元素，不同的RDD將保留下來

val rdd = sc.parallelize(3 to 8)
val rdd1 = sc.parallelize(1 to 5)
 rdd.subtract(rdd1).collect()// Array[Int] = Array(8, 6, 7)

intersection(otherDataset)：對源RDD和參數RDD求交集後返回一個新的RDD

 val rdd1 = sc.parallelize(1 to 7)
 val rdd2 = sc.parallelize(5 to 10)
 val rdd3 = rdd1.intersection(rdd2)
  rdd3.collect()//Array[Int] = Array(5, 6, 7)

cartesian(otherDataset)：作用：笛卡爾積（儘量避免使用）

 val rdd1 = sc.parallelize(1 to 3)
  val rdd2 = sc.parallelize(2 to 5)
   rdd1.cartesian(rdd2).collect()//Array[(Int, Int)] = Array((1,2), (1,3), (1,4), (1,5), (2,2), (2,3), (2,4), (2,5), (3,2), (3,3), (3,4), (3,5))

zip(otherDataset)：將兩個RDD組合成Key/Value形式的RDD,這裏默認兩個RDD的partition數量以及元素數量都相同，否則會拋出異常。

val rdd1 = sc.parallelize(Array(1,2,3),3)
val rdd2 = sc.parallelize(Array("a","b","c"),3)
 rdd1.zip(rdd2).collect//Array[(Int, String)] = Array((1,a), (2,b), (3,c))

2.1.2.3Key-Value型

partitionBy：對pairRDD進行分區操作，如果原有的partionRDD和現有的partionRDD是一致的話就不進行分區，否則會生成ShuffleRDD，即會產生shuffle過程。

val rdd = sc.parallelize(Array((1,"aaa"),(2,"bbb"),(3,"ccc"),(4,"ddd")),4)
rdd.partitions.size//4
var rdd2 = rdd.partitionBy(new org.apache.spark.HashPartitioner(2))
rdd2.partitions.size//2

groupByKey:groupByKey也是對每個key進行操作，但只生成一個sequence。

val words = Array("one", "two", "two", "three", "three", "three")
val wordPairsRDD = sc.parallelize(words).map(word => (word, 1))
val group = wordPairsRDD.groupByKey()
group.collect()//Array[(String, Iterable[Int])] = Array((two,CompactBuffer(1, 1)), (one,CompactBuffer(1)), (three,CompactBuffer(1, 1, 1)))
group.map(t => (t._1, t._2.sum))
res2.collect()//Array[(String, Int)] = Array((two,2), (one,1), (three,3))

reduceByKey(func, [numTasks]) : 在一個(K,V)的RDD上調用，返回一個(K,V)的RDD，使用指定的reduce函數，將相同key的值聚合到一起，reduce任務的個數可以通過第二個可選的參數來設置。

val rdd = sc.parallelize(List(("female",1),("male",5),("female",5),("male",2)))
val reduce = rdd.reduceByKey((x,y) => x+y)
 reduce.collect()// Array[(String, Int)] = Array((female,6), (male,7))

reduceByKey和groupByKey的區別:

reduceByKey：按照key進行聚合，在shuffle之前有combine（預聚合）操作，返回結果是RDD[k,v].
groupByKey：按照key進行分組，直接進行shuffle。
開發指導：reduceByKey比groupByKey，建議使用。但是需要注意是否會影響業務邏輯。

aggregateByKey(zeroValue:U,[partitioner: Partitioner]) (seqOp: (U, V) => U,combOp: (U, U) => U):在kv對的RDD中，，按key將value進行分組合並，合併時，將每個value和初始值作爲seq函數的參數，進行計算，返回的結果作爲一個新的kv對，然後再將結果按照key進行合併，最後將每個分組的value傳遞給combine函數進行計算（先將前兩個value進行計算，將返回結果和下一個value傳給combine函數，以此類推），將key與計算結果作爲一個新的kv對輸出。

 val rdd = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)
  val agg = rdd.aggregateByKey(0)(math.max(_,_),_+_)
  agg.collect()//Array[(String, Int)] = Array((b,3), (a,3), (c,12))

foldByKey(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]:
aggregateByKey的簡化操作，seqop和combop相同

val rdd = sc.parallelize(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)
 val agg = rdd.foldByKey(0)(_+_)
 agg.collect()//Array[(Int, Int)] = Array((3,14), (1,9), (2,3))

combineByKey[C] (createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C) :
對相同K，把V合併成一個集合。

val input = sc.parallelize(Array(("a", 88), ("b", 95), ("a", 91), ("b", 93), ("a", 95), ("b", 98)),2)
val combine = input.combineByKey((_,1),(acc:(Int,Int),v)=>(acc._1+v,acc._2+1),(acc1:(Int,Int),acc2:(Int,Int))=>(acc1._1+acc2._1,acc1._2+acc2._2))
combine.collect//Array[(String, (Int, Int))] = Array((b,(286,3)), (a,(274,3)))

sortByKey([ascending], [numTasks]):作用：在一個(K,V)的RDD上調用，K必須實現Ordered接口，返回一個按照key進行排序的(K,V)的RDD

val rdd = sc.parallelize(Array((3,"aa"),(6,"cc"),(2,"bb"),(1,"dd")))
 rdd.sortByKey(true).collect()//Array[(Int, String)] = Array((1,dd), (2,bb), (3,aa), (6,cc))
 rdd.sortByKey(false).collect()// Array[(Int, String)] = Array((6,cc), (3,aa), (2,bb), (1,dd))

mapValues:針對於(K,V)形式的類型只對V進行操作

val rdd3 = sc.parallelize(Array((1,"a"),(1,"d"),(2,"b"),(3,"c")))
rdd3.mapValues(_+"|||").collect()//Array[(Int, String)] = Array((1,a|||), (1,d|||), (2,b|||), (3,c|||))

join(otherDataset, [numTasks]) :作用：在類型爲(K,V)和(K,W)的RDD上調用，返回一個相同key對應的所有元素對在一起的(K,(V,W))的RDD
cogroup(otherDataset, [numTasks]):在類型爲(K,V)和(K,W)的RDD上調用，返回一個(K,(Iterable,Iterable))類型的RDD

2.1.3Action

reduce(func):通過func函數聚集RDD中的所有元素，先聚合分區內數據，再聚合分區間數據。
count():返回RDD中元素的個數
first():返回RDD中的第一個元素
take(n):返回一個由RDD的前n個元素組成的數組
takeOrdered(n):返回該RDD排序後的前n個元素組成的數組\
aggregate(zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U):
aggregate函數將每個分區裏面的元素通過seqOp和初始值進行聚合，然後用combine函數將每個分區的結果和初始值(zeroValue)進行combine操作。這個函數最終返回的類型不需要和RDD中元素類型一致。
fold(num)(func):摺疊操作，aggregate的簡化操作，seqop和combop一樣
saveAsTextFile(path):將數據集的元素以textfile的形式保存到HDFS文件系統或者其他支持的文件系統，對於每個元素，Spark將會調用toString方法，將它裝換爲文件中的文本
saveAsSequenceFile(path): 將數據集中的元素以Hadoop sequencefile的格式保存到指定的目錄下，可以使HDFS或者其他Hadoop支持的文件系統。
saveAsObjectFile(path) :用於將RDD中的元素序列化成對象，存儲到文件中
countByKey():針對(K,V)類型的RDD，返回一個(K,Int)的map，表示每一個key對應的元素個數
foreach(func):在數據集的每一個元素上，運行函數func進行更新

2.1.4RDD依賴關係

Lineage:RDD只支持粗粒度轉換，即在大量記錄上執行的單個操作。將創建RDD的一系列Lineage（血統）記錄下來，以便恢復丟失的分區。RDD的Lineage會記錄RDD的元數據信息和轉換行爲，當該RDD的部分分區數據丟失時，它可以根據這些信息來重新運算和恢復丟失的數據分區。
寬依賴：寬依賴指的是多個子RDD的Partition會依賴同一個父RDD的Partition，會引起shuffle,總結：寬依賴我們形象的比喻爲超生
窄依賴：窄依賴指的是每一個父RDD的Partition最多被子RDD的一個Partition使用,窄依賴我們形象的比喻爲獨生子女
DAG:
DAG(Directed Acyclic Graph)叫做有向無環圖，原始的RDD通過一系列的轉換就就形成了DAG，根據RDD之間的依賴關係的不同將DAG劃分成不同的Stage，對於窄依賴，partition的轉換處理在Stage中完成計算。對於寬依賴，由於有Shuffle的存在，只能在parent RDD處理完成後，才能開始接下來的計算，因此寬依賴是劃分Stage的依據。

2.1.5RDD緩存

RDD通過persist方法或cache方法可以將前面的計算結果緩存，默認情況下 persist() 會把數據以序列化的形式緩存在 JVM 的堆空間中。
但是並不是這兩個方法被調用時立即緩存，而是觸發後面的action時，該RDD將會被緩存在計算節點的內存中，並供後面重用。

通過查看源碼發現cache最終也是調用了persist方法，默認的存儲級別都是僅在內存存儲一份，Spark的存儲級別還有好多種，存儲級別在object StorageLevel中定義的。

2.1.6RDD CheckPoint

Spark中對於數據的保存除了持久化操作之外，還提供了一種檢查點的機制，檢查點（本質是通過將RDD寫入Disk做檢查點）是爲了通過lineage做容錯的輔助，lineage過長會造成容錯成本過高，這樣就不如在中間階段做檢查點容錯，如果之後有節點出現問題而丟失分區，從做檢查點的RDD開始重做Lineage，就會減少開銷。檢查點通過將數據寫入到HDFS文件系統實現了RDD的檢查點功能。
爲當前RDD設置檢查點。該函數將會創建一個二進制的文件，並存儲到checkpoint目錄中，該目錄是用SparkContext.setCheckpointDir()設置的。在checkpoint的過程中，該RDD的所有依賴於父RDD中的信息將全部被移除。對RDD進行checkpoint操作並不會馬上被執行，必須執行Action操作才能觸發。

08-Spark core基礎

文章目錄

1.Spark簡介

2.Spark內部原理（代碼塊環境爲虛擬機　spark客戶端）

2.1RDD

2.1.1RDD的創建

2.1.2RDD的轉換

2.1.2.1Value型

2.1.2.2雙Value型交互

2.1.2.3Key-Value型

2.1.3Action

2.1.4RDD依賴關係

2.1.5RDD緩存

2.1.6RDD CheckPoint

08-Spark core基礎

03-zookeeper基礎

02-shell基礎

06-Hbase基礎

07-Hive基礎

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結

08-Spark core基礎

文章目錄

1.Spark簡介

2.Spark內部原理（代碼塊環境爲虛擬機 spark客戶端）

2.1RDD

2.1.1RDD的創建

2.1.2RDD的轉換

2.1.2.1Value型

2.1.2.2雙Value型交互

2.1.2.3Key-Value型

2.1.3Action

2.1.4RDD依賴關係

2.1.5RDD緩存

2.1.6RDD CheckPoint

2.Spark內部原理（代碼塊環境爲虛擬機　spark客戶端）