【spark 深入学习 05】RDD编程之旅基础篇-01
----------------
本节内容
1.RDD的工作流程
2.WordCount解说
· shell版本WordCount
· java版本WordCount
----------------
一、RDD工作流程
1. RDD是spark特有的数据模型,谈到RDD就会提到什么弹性分布式数据集,什么有向无环图,本文暂时不去展开这些高深概念,在阅读本文时候,大家可以就把RDD当作一个数组,这样的理解对我们学习RDD的API是非常有帮助的。本文所有示例代码都是使用scala语言编写的。RDD的执行过程如下:
· 从外部数据创建出输入RDD,或者从驱动程序分发驱动程序中的对象集合
· 对RDD进行转化,一个RDD转化为一个新的RDD,如filter()操作
· 如果需要重用,告知RDD执行persist()操作
· 执行action触发计算并行计算,spark先优化再执行计算,如count()和first()
RDD的创建有2种方式
(1)从驱动程序分发驱动程序中的对象集合
从内存里构造RDD,使用的方法:makeRDD和parallelize方法
-----------------------
val rdd01 = sc.makeRDD(List(1,2,3,4,5,6));
val r01 = rdd01.map { x => x * x }
println(r01.collect().mkString(","))
/* Array */
val rdd02 = sc.makeRDD(Array(1,2,3,4,5,6))
val r02 = rdd02.filter { x => x < 5}
println(r02.collect().mkString(","))
val rdd03 = sc.parallelize(List(1,2,3,4,5,6), 1)
val r03 = rdd03.map { x => x + 1 }
println(r03.collect().mkString(","))
/* Array */
val rdd04 = sc.parallelize(Array(1,2,3,4,5,6) ,1)
val r04 = rdd04.filter { x => x > 3 }
println(r04.collect().mkString(","))
-----------------------
2.makeRDD和parallelize的区别
makeRDD有两种实现方式,第一种方式parallelize声明都一样,接收的参数和parallelize完全一样,def makeRDD[T:ClassTag],这种实现方式的makeRDD依赖了parallelize;makeRDD第二种实现方式defmakeRDD[T:ClassTag](T,Seq(String)))
第一种:mkRDD实现方式
val blog1=sc.parallelize(List(1,2,3));
val blog2=sc.makeRDD(List(1,2,3));
第二种:mkRDD实现方式
valseq=List((1,List("a","b","c")),(2,List("aa","bb","cc")));
val blog3=sc.makeRDD(seq);
blog3.preferredLocations(blog3.partitions(0));
blog3.preferredLocations(blog3.partitions(1));
WordCount
WordCount是分布式编程的入门示例,本节也从WordCount举例说明RDD DEMO
1.Spark shell版本
---------------------------------------------------
//加载hdfs上的文件
val txtFile ="/tmp/test/core-site.xml" ;
val txtData = sc.textFile(txtFile);
//将上一步生成的RDD对象保存到缓存中,在此之后Spark就不需要在每次数据查询时都重新计算
txtData.cache() ;
// flatMap先映射后扁平化,
val wcData = txtData.flatMap(l =>l.split(" ")).map(word => (word, 1)).reduceByKey(_ + _);
//可以提取出所有rdd里的数据项,逐行输出
wcData.collect().foreach(println);
备注:
A. 关于spark-shell的启动参数指定
bin/spark-shell --executor-memory 1G --total-executor-cores10 --executor-cores 1 --master yarn-client --driver-class-path /usr/local/tdr_hadoop/spark/spark-1.6.0-bin-hadoop2.6/lib/mysql-connector-java-5.1.40-bin.jar
--executor-memory: 指定每个executor(执行器)占用的内存
--total-executor-cores: 所有executor总共使用的cpu核数
--executor-cores:每个executor使用的cpu核数
--driver-class-path:指定要加载的jar包
--master:
local[8]:表示在本地运行,数据会下载到接口机本地来执行,单机版
spark://master01:7077:表示在集群上运行应用程序,指定任务提交的集群路径在哪里。这就需要提前启动一个真实的Standalone集群。可以指定多个master的地址,用逗号隔开。
yarn-client:在客户模式上,driver与提交程序的客户端在一个进程
yarn-cluster:在集群模式上,driver是从集群中的一个worker进程中启动的,这个进程只要完成了提交作业任务就会退出,不会等待提交的应用程序的完成。Spark-shell时,必须使用yarn-client模式,因为你要在client上写SQL。
B.spark-shell 是一个spark application,运行时需要向资源管理器申请资源,如standalone spark、YARN、Mesos。本例向standalone spark申请资源,所以在运行spark-shell时需要指向申请资源的standalonespark集群信息,其参数为MASTER。
如果未在spark-env.sh中申明MASTER,则使用命令MASTER=spark://cdh1:7077bin/spark-shell启动;如果已经在spark-env.sh中申明MASTER,则可以直接用bin/spark-shell启动。
由于spark-shell缺省的情况下,会申请所有的CPU资源
B. Spark每次Executor执行任务情况
2. java 版本
搭建Spark开发环境
(1)前提:配置好jdk和scala到windows
(2)安装Intellij去官网下载Intellij:https://www.jetbrains.com/idea/,在windows环境下双击安装即可
(3)安装scala插件
步骤如下图所示,安装好scala插件后,点击restart重启intellij
(4)、使用Intellij写WordCount代码
a.新建scala工程
File -> new -> project -> scala project –>scala,项目名称:spark02
在src目录下,建立cn.com包,在该包下建立object 类,命名为word,完成word.scala代码如下所示:
---------------------------------------------------------------------package cn.com
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
/**
* Created by Administrator on 2016/11/2.
*/
object word {
def main(args: Array[String]) {
if(args.length < 1) {
System.err.println("Usage: <file>")
System.exit(1)
}
val conf = new SparkConf()
val sc = new SparkContext(conf)
//SparkContext 是把代码提交到集群或者本地的通道,我们编写Spark代码,无论是要本地运行还是集群运行都必须有SparkContext的实例
val line = sc.textFile(args(0))
//把读取的内容保存给line变量,其实line是一个MappedRDD,Spark的所有操作都是基于RDD的
line.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).collect.foreach(println)
sc.stop
}
}
---------------------------------------------------------------------
b.导入spark包
File
->Project structure
->project settting
->libraries->+
导入spark-assembly-1.6.0-hadoop2.6.0.jar包(该包从spark安装包的lib下获得)
c.选择Artifacts
File
->Project structure
->project settting
->Artifacts->+,选择要导入的项目,以及main类
并且指定jar包输出的位置
d.输出jar包
Build -> Build ArtiFacts ->build,打好jar包到:D:\spark02\out\artifacts\spark02_jar\spark02.jar
e.上传jar包到spark客户端,并执行
执行命令:
spark-submit --master yarn --executor-memory 1000M /usr/local/tdr_hadoop/spark/spark02.jarhdfs://tdrHadoop/tmp/test/core-site.xml
在yarn的前台显示正在执行
执行结果输出: