[Spark快速大数据分析]阅读笔记

第2章 Spark分布式执行涉及的组件

每个Spark应用都由一个驱动程序来发起集群上的各种并行操作,驱动程序通过一个SparkContext对象访问Spark;驱动程序管理多个执行器节点,可以用SparkContext来创建RDD。

第3章 RDD(Resilient Distributed Dataset:弹性分布式数据集)

RDD特点

  • Spark中,对数据的所有操作不外乎:创建RDD、转化已有RDD、调用RDD操作进行求值。
  • Spark会自动将RDD中的数据分发到集群上,并将操作并行化执行。
  • Spark中的RDD是一个不可变的分布式对象集合
  • RDD一旦创建就无法修改

RDD两种创建方法

  • 读取一个外部数据集。如sc.textFile("readme.md")
  • 在驱动程序里分发驱动程序的对象集合(如list、set)。即把程序中一个已有集合传递给SparkContext的parallelize()方法。这种方法用的并不多,因为需要把整个数据集先放在一台机器的内存中。

RDD支持两种类型的操作——之一:转化操作(transform)

  • 返回一个新的RDD的操作。
  • 许多转化操作是针对各个元素的,但并不是所有的转化操作都是这样的。
  • 常用转化操作filter():接收一个函数,并将RDD中满足该函数的元素组成新的RDD。
  • 常用转化操作map():接收一个函数,把函数作用于RDD每个元素,所有函数返回结果组成了新的RDD。
  • 还有一些伪集合操作:RDD中最常缺失的集合属性就是元素的唯一性。可以用RDD.distinct()来生成一个只包含不同元素的新RDD。但distinct的开销很大,因为所有数据需要经过网络进行混洗(shuffle).

RDD支持两种类型的操作——之二:行动操作 (action)

  • 向驱动器程序返回结果或把结果写入外部系统的操作,会触发实际的计算。默认情况下,Spark的RDD会在每次对它们进行行动操作时重新计算。如果想在多个行动操作时重用同一个RDD,可以使用RDD.persist()把这个RDD缓存起来(持久化)。
  • RDD有一个collect(),可以用来获取整个RDD中的数据,但这要求RDD的数据是较小规模的。
  • 常用行动函数reduce():接收一个函数作为参数,这个函数要操作两个相同类型的RDD数据并返回一个同样类型的新元素。一个简单的例子就是函数“+”。
  • 比如count()

RDD支持两种类型的操作——相关

  • 转化操作和行动操作的区别:计算RDD的方式不同:Spark只会惰性计算RDD:即所有转化操作只有第一次在一个行动操作中用到时,才会真正计算涉及到的转化和行动操作。
  • 惰性求值:“我们不应把RDD看作存放着特定数据的数据集,而最好把每个RDD当作我们通过转化操作构建出来的、记录如何计算数据的指令列表

第4章 之 Pair RDD及相关操作

Pair RDD

Pair RDD也还是RDD,在Scala存储为Tuple2对象。

创建Pair RDD

方法一:很多存储键值对的数据格式会在读取时直接返回pair RDD。
方法二:若需要把普通RDD转为pair RDD,可调用map(),传递的函数需要返回键值对。

Pair RDD的转化操作

聚合:
reduceByKey(func) 合并具有相同键的值
foldByKey(func)
combineByKey(...) 合并具有相同键的值 ,参数比较重要,待继续理解?

分组:
groupByKey()
cogroup ,针对两个Pair RDD的操作

连接:
join
rightOuterJoin 右外连接,保留右侧全部,具体形式见书。
leftouterJoin

根据值筛选:
mapValues(func) 功能类似于map{case (x,y):(x, func(y))}

数据排序:
sortByKey()

Pair RDD行动操作

和转化操作一样,所有基础RDD支持的行动操作也都在Pair RDD上可用。此外Pair RDD 提供了一些额外的行动操作。

第4章 之 数据分区

  • Spark程序可以通过控制RDD分区方式来减少开销,当然这只针对于当数据集有多次连接等基于键的操作时,分区才会有帮助。
    • 具体的,默认情况下,连接操作会将两个数据集中的所有键的哈希值都求出来,将该哈希值相同的记录通过网络传到同一台机器,然后在那台机器上对所有键相同的记录进行连接操作。这样每次连接都要使两边数据混洗,产生的网络通信造成许多额外开销。特别的,若含静态数据(不更改),则每次连接都将进行一次混洗,这是不必要的。
    • 这种情况下,可以预先将一边的静态数据进行hash分区,将避免这一边的混洗。
  • Spark中所有键值对RDD都可以进行分区

分区操作(重点)

  • 事实上,许多Spark操作会自动为结果RDD设定已知的分区方式信息,比如sortByKey()和groupByKey()会分别生成范围分区的RDD和哈希分区的RDD;join等操作会利用到已有的分区信息;另外,map这样的操作会导致新的RDD失去父RDD的分区信息,因为该操作理论上会改变RDD的键。
  • partitionBy()转化操作:其中可以传入testRdd.partitonBy(new HashPartitioner(100))表示使用哈希分区,构造100个分区;RangePartitioner则表示范围分区。此外,要考虑是否在partitionBy()后面接一个persist(),如果后续操作使用这个结果RDD,则应该加,否则当有行动操作时,会一次次执行partitionBy(),导致又在这个层次一遍遍地进行哈希分区操作。
  • 也可以使用自定义的分区器,需要继承org.apache.spark.Partitioner类并实现三个方法。

获取RDD的分区方式

使用RDD的partitioner属性可以获取RDD的分区方式,返回的是scala.Option对象(Scala一个存放可能存在的对象的容器类),Option对象的isDefined方法可以检查其中是否有值,get可以获取其中的值。

从分区获益的操作

Spark中引入将数据根据键进行混洗的过程的那些操作,都会从数据分区中获益。
从分区获益的操作有cogroup()、groupWith()、三种连接、groupByKey()、reduceByKey()、combineByKey()、lookup()

影响分区方式的操作

  • Spark内部知道各操作会如何影响分区,并将会对数据分区的操作的结果RDD自动设置为对应的分区器。
  • 另外,对于二元操作,输出数据的分区方式取决于父RDD的分区方式。若两个父RDD都没设置分区方式,则结构默认采用哈希分区,分区数量和操作并行度一样,若有一个父RDD设置了则随父,若两个父RDD都设置了则随第一个。
  • 为结果RDD设好分区方式的操作列表见P57。
  • 为了最大化分区相关的潜在作用,应该在无需改变元素的键时尽量使用mapValues()flatMapValues()。(使用mapValues()而不是map()来保留父RDD的分区方式,在后续可能会减少开销)。

posted on 2019-09-01 22:18  coding_gaga  阅读(349)  评论(0编辑  收藏  举报

导航