spark 学习(二) RDD及共享变量
声明:本文基于spark的programming guide,并融合自己的相关理解整理而成
Spark应用程序总是包括着一个driver program(驱动程序),它运行着用户的main方法,而且运行大量的并行操作(parallel operations)在集群上.
概述
Spark最基本的抽象就是RDD(resilient distributed dataset) 弹性分布式数据集,RDD 就是切割元素的集合,他被分发在集群的各个节点上,而且可以进行并行操作.
RDD的创建有三种方式:
- HDFS,HBase 或者其它不论什么可以提供Hadoop输入格式的数据源;
- 驱动程序中已存在的Scala集合;
- 其它的RDD的转换
RDD可以持久化到内存中以反复使用加速计算速度, RDD可以自己主动从失败的节点中恢复(血统设计).
Spark中的还有一个抽象就是可以被用于并行计算的共享变量. 默认的情况下, Spark并行执行一个函数是作为一组tasks在不同的节点上同一时候计算的, 这样的情况下,他是通过分发每个变量的复制到每个task中的. 有时候,我们须要某些变量在tasks之间进行共享. 这里Spark支持两种共享变量:
- broadcast variables, 被用于持久化变量在每一个node的内存中;
- accumulators, 这个变量仅仅可以被累加,
RDD操作
操作主要包含两种,各自是transformations 和 action
transformation : 将一个已经存在的RDD中转换成一个新的RDD,全部的转换操作都是lazy运行的,即仅仅是记下了运行的动作,仅仅有当driver程序须要结果的时候才会进行计算.
action:一般用于对RDD中的元素进行实际的计算,然后返回对应的值,比如reduce操作,collect操作,count操作等等.这中action之后返回的就不在是RDD了
RDD基本操作的几个样例以及自己的理解:
val conf = new SparkConf().setAppName("BasicRDDApp").setMaster("local[4]") //spark://host:port val sc = new SparkContext(conf) /** * parallelized collections * 将scala的集合数据,并行化成为能够并行计算的分布式数据集 */ val data = 1 to 1000 toArray val distData = sc.parallelize(data,10) //后面的数字是表示将集合切分成多少个块 ,一般是一个CPU 2-4块,通常spark能够自己主动帮你切分 val sum = distData.reduce((a, b) => a+b ) //在reduce的时候才開始真正的运行,driver将任务分布到各个机器上,然后每一个机器单独运行,将计算的结果返回到driver程序 println("sum " + sum) /** * 读取外部的数据源 * 1.Hadoop支持的数据源 ,比如HDFS,Cassandra,HBase ,Amazon S3 * ##假设文件地址是本地地址的话,那么他应该在集群的每一个节点上都能够被訪问(即:每一个节点上都应该有相同的文件) * ##textFile的第二个參数控制文件被分割的大小默觉得64MB ,能够设置更大的可是不能设置更小的 */ val distFile = sc.textFile("file:///usr/local/spark/README.md") //接下来就能够进行相关的操作了 distFile.persist()//持久化 val len = distFile.map(s => 1).reduce((a, b) => a+b) println(len) val words = distFile.flatMap(l => l.split(" ")).map(w => (w,1)).reduceByKey((a,b) => a+b) //w => (v1+v2+v3+...) //map => 1->1 , flatMap => 1 -> 0..n print(words.count()) words foreach println val twords = distFile.flatMap(l => l.split(" ")).map(w => (w,1)).groupByKey() //分组 w => (v1, v2, v3 ...) twords foreach println //.map(w => (w,1)).foreach(w => w._1);
RDD的持久化
- 使用方法: 使用persist()或者cache()方法,当中cache()方法默认持久化到内存,persist能够自己选择持久化的层次,在shuffle操作中,spark会自己主动保存中间计算结果,比如reduceBykey
- 作用: RDD的持久化会将会使得每一个节点保存对应的计算部分,以便再次使用该数据集时能够直接使用,加快计算速度
- 怎样选择持久化层次: 假设RDDs 在MEMORY_ONLY下表现良好的话,就选这个层次,这样CPU效率最高
其次MEMORY_ONLY_SER ,其它情况http://spark.apache.org/docs/latest/programming-guide.html
共享变量
1. broadcast 变量, 仅仅读的共享变量 每一个节点上都有一个拷贝, 使用方法
val broadcastVar = sc.broadcast("string test")
broadcastVar.value
2.accumulator 变量,做累加器用,类似与counter或者是sum
val broadcastVar = sc.broadcast("string test")//broadcast variable is readonly val v = broadcastVar.value println(v) val accum = sc.accumulator(0, "My Accumulator")//value and name sc.parallelize(1 to 1000000).foreach(x => accum+= 1) println(accum.name + ":" + accum.value)