Spark实战

                                                                               1.Spark简单介绍

什么是Spark?

  Spark是UC BerkeleyAmp实验室开源的类Hadoop MapReduce的通用并行计算框架

                                                          Spark    VS   MapReduce

MapReduce            

                                 ①.缺少对迭代计算以及DAG运算的支持

                                 ②.Shuffle过程多次排序和落地，MR之间的数据须要落Hdfs文件系统

Spark                        

                                 ①.提供了一套支持DAG图的分布式并行计算的编程框架，降低多次计算之间中间结果写到hdfs的开销

                                 ②.提供Cache机制来支持须要重复迭代计算或者多次数据共享，降低数据读取的IO开销

                                 ③.使用多线程池模型来降低task启动开稍。shuffle过程中避免不必要的sort操作以及降低磁盘IO操作

                                 ④.广泛的数据集操作类型(map,groupby,count,filter)

                                 ⑤.Spark通过提供丰富的Scala, Java。PythonAPI及交互式Shell来提高可用性

                                 ⑥.RDD之间维护了血统关系，一旦RDDfail掉了。能通过父RDD自己主动重建，保证了容错性。 採用容错的、高可伸缩性的akka作为通讯框架

 

                                                 2.Spark生态系统

                                 

                                                                      3.Scala集合简单介绍

vallist2 = List(1,2,3,4,5)

list2.map{x=>x +8}     //{9,10,11,12,13}

list2.filter{x=>x > 3}      //{4,5}

list2.reduce(_ + _)

很多其他scala学习网址：http://twitter.github.io/scala_school/zh_cn/collections.html

                                                                      4.spark的关键组件

•Master

•Worker

•SparkContext(client)

                                                                      5.核心概念：弹性分布式数据集

  Spark环绕的概念是弹性分布式数据集（RDD），这是一个有容错机制并能够被并行操作的元素集合。

RDD的特点：

失败自己主动重建。对于丢失部分数据分区仅仅需依据它的lineage(见文章最后介绍)就可又一次计算出来，而不须要做特定的Checkpoint

能够控制存储级别（内存、磁盘等）来进行重用。

默认是存储于内存，但当内存不足时。RDD会spill到disk

必须是可序列化的。

眼下RDD有两种创建方式：并行集合（ParallelizedCollections）：接收一个已经存在的Scala集合，然后进行各种并行计算。

Hadoop数据集（HadoopDatasets）：在一个文件的每条记录上运行函数。仅仅要文件系统是HDFS，或者hadoop支持的随意存储系统就可以。这两种类型的RDD都能够通过同样的方式进行操作。

1.并行集合（Parallelized Collections）

•并行集合是通过调用SparkContext的parallelize方法。在一个已经存在的Scala集合上创建的（一个Seq对象）。

集合的对象将会被拷贝，创建出一个能够被并行操作的分布式数据集。

比如。以下的输出。演示了怎样从一个数组创建一个并行集合：

•scala> val data = Array(1, 2, 3, 4, 5)

•scala> val distData =sc.parallelize(data)

•一旦分布式数据集（distData）被创建好，它们将能够被并行操作。比如，我们能够调用distData.reduce(_+_ )来将数组的元素相加

2.Hadoop数据集（Hadoop Datasets）

•Spark能够从存储在HDFS，或者Hadoop支持的其他文件系统（包括本地文件,HBase等等）上的文件创建分布式数据集。

•Text file的RDDs能够通过SparkContext’stextFile的方式创建，

•scala> val distFile =sc.textFile("data.txt")

并行集合的一个重要參数是slices，表示数据集切分的份数。Spark将会在集群上为每一份数据起一个任务。典型地。你能够在集群的每个CPU上分布2-4个slices.一般来说，Spark会尝试依据集群的状况，来自己主动设定slices的数目。

然而，你也能够通过传递给parallelize的第二个參数来进行手动设置。（比如：sc.parallelize(data,10)).

textFile方法也能够通过输入一个可选的第二參数，来控制文件的分片数目。

默认情况下，Spark为每一块文件创建一个分片（HDFS默认的块大小为64MB)，可是你也能够通过传入一个更大的值，来指定一个更高的片值。注意，你不能指定一个比块数更小的片值（和Map数不能小于Block数一样，可是能够比它多）

                                                                        6.RDD的操作

RDD支持两种操作：转换（transformation）从现有的数据集创建一个新的数据集；而动作（actions）在数据集上运行计算后。返回一个值给驱动程序。比如，map就是一种转换。它将数据集每个元素都传递给函数，并返回一个新的分布数据集表示结果。

还有一方面。reduce是一种动作。通过一些函数将全部的元素叠加起来。并将终于结果返回给Driver程序。

                                                                                                                       转换（transformation）

转换	含义
map(func)	返回一个新分布式数据集，由每个输入元素经过func函数转换后组成
filter(func)	返回一个新数据集，由经过func函数计算后返回值为true的输入元素组成
flatMap(func)	相似于map，可是每个输入元素能够被映射为0或多个输出元素（因此func应该返回一个序列，而不是单一元素）
distinct([numTasks]))	返回一个包括源数据集中全部不重复元素的新数据集
groupByKey([numTasks])	在一个（K,V）对的数据集上调用。返回一个（K。Seq[V])对的数据集注意：默认情况下。仅仅有8个并行任务来做操作。可是你能够传入一个可选的numTasks參数来改变它
reduceByKey(func[numTasks])	在一个（K。V)对的数据集上调用时。返回一个（K。V）对的数据集。使用指定的reduce函数，将同样key的值聚合到一起。 相似groupByKey，reduce任务个数是能够通过第二个可选參数来配置的
sortByKey([ascending[numTasks])	在一个（K，V)对的数据集上调用，K必须实现Ordered接口，返回一个依照Key进行排序的（K，V）对数据集。升序或降序由ascending布尔參数决定
join(otherDataset[numTasks])	在类型为（K,V)和（K,W)类型的数据集上调用时，返回一个同样key相应的全部元素对在一起的(K, (V, W))数据集

动作（actions）

动作	含义
reduce(func)	通过函数func（接受两个參数，返回一个參数）聚集数据集中的全部元素。这个功能必须可交换且可关联的，从而能够正确的被并行运行。
collect()	在驱动程序中，以数组的形式。返回数据集的全部元素。这一般会在使用filter或者其他操作并返回一个足够小的数据子集后再使用会比較实用。
count()	返回数据集的元素的个数。
first()	返回数据集的第一个元素（相似于take（1））
take(n)	返回一个由数据集的前n个元素组成的数组。 注意，这个操作眼下并不是并行运行，而是由驱动程序计算全部的元素
saveAsTextFile(path)	将数据集的元素，以textfile的形式，保存到本地文件系统，HDFS或者不论什么其他hadoop支持的文件系统。对于每个元素，Spark将会调用toString方法，将它转换为文件里的文本行
countByKey()	对(K,V)类型的RDD有效，返回一个(K，Int)对的Map，表示每个key相应的元素个数
foreach(func)	在数据集的每个元素上。运行函数func进行更新。这通经常使用于边缘效果，比如更新一个累加器，或者和外部存储系统进行交互，比如HBase

                                                                                                                                                                                                                                             

                                                                        7. RDD依赖

•转换操作，最基本的操作，是Spark生成DAG图的对象，转换操作并不马上运行。在触发行动操作后再提交给driver处理，生成DAG图--> Stage --> Task  --> Worker运行。按转化操作在DAG图中作用。能够分成两种：

•窄依赖

»输入输出一对一的操作。且结果RDD的分区结构不变，主要是map、flatMap；

»输入输出一对一，但结果RDD的分区结构发生了变化，如union等。

»从输入中选择部分元素的操作，如filter、distinct、subtract、sample。

•宽依赖。宽依赖会涉及shuffle类，在DAG图解析时以此为边界产生Stage。如图所看到的。

»对单个RDD基于key进行重组和reduce，如groupByKey、reduceByKey；

»对两个RDD基于key进行join和重组，如join等。

Stage的划分

在RDD的论文中有具体的介绍，简单的说是以shuffle和result这两种类型来划分。在Spark中有两类task。一类是shuffleMapTask，一类是resultTask，第一类task的输出是shuffle所需数据，第二类task的输出是result，stage的划分也以此为依据，shuffle之前的全部变换是一个stage。shuffle之后的操作是还有一个stage。比方rdd.parallize(1 to 10).foreach(println) 这个操作没有shuffle，直接就输出了，那么仅仅有它的task是resultTask，stage也仅仅有一个；假设是rdd.map(x=> (x, 1)).reduceByKey(_ + _).foreach(println),这个job由于有reduce。所以有一个shuffle过程。那么reduceByKey之前的是一个stage，运行shuffleMapTask，输出shuffle所需的数据，reduceByKey到最后是一个stage。直接就输出结果了。

假设job中有多次shuffle，那么每个shuffle之前都是一个stage。

                                                                        8.Wordcount样例

输入文件样例:由空格分隔的

aaabbbccc

ccc bbbddd

计算过程：读入文件，把每行数据，按空格分成单个的单词。对每个单词记数

    val  ssc = newSparkContext().setAppName("WordCount")

    val lines =ssc.textFile(args(1))//输入

     val words =

     lines.flatMap(x=>x.split(" "))

     words.cache()//缓存

     valwordCounts =

     words.map(x=>(x, 1) )

     val red =wordCounts.reduceByKey( (a,b)=>{a + b})

    red.saveAsTextFile(“/root/Desktop/out”) //行动

蓝色的部分。生成相关的上下文，负责和Master，exutor通信，请求资源,搜集task运行的进度等

绿色的部分，仅仅是在定义相关的运算规则（也就是画一张有向无环图）。没有运行实际的计算

当红色的部分（action rdd）被调用的时候，才会真正的向spark集群去提交，Dag。。。依据之前代码（也就是绿色的部分）生成rdd链。在依据分区算法生成partition，每个partition相应一个Task，把这些task，交给Excutor去运行

                                                                      9. 提交job

./bin/spark-submit \

 --class org.apache.spark.examples.SparkPi \

 --master spark://hangzhou-jishuan-DDS0258.dratio.puppet:7077 \

 --executor-memory 2G \

 --total-executor-cores 3 \

 /opt/spark-1.0.2-bin-hadoop1/lib/spark-examples-1.0.2-hadoop1.0.4.jar \

 10

更具体的參数说明參见：http://blog.csdn.net/book_mmicky/article/details/25714545

                                                                      10.  编程接口

Scala

Spark使用Scala开发，默认使用Scala作为编程语言。

编写Spark程序比编写HadoopMapReduce程序要简单的多，SparK提供了Spark-Shell，能够在Spark-Shell測试程序。写SparK程序的一般步骤就是创建或使用(SparkContext)实例，使用SparkContext创建RDD。然后就是对RDD进行操作。參见：http://spark.apache.org/docs/latest/quick-start.html#tab_scala_3
如：

•    val sc = new SparkContext(master, appName,[sparkHome], [jars])

•    val textFile =sc.textFile("hdfs://.....")

•    textFile.map(....).filter(.....).....

•

Java

•    JavaSparkContext sc = newJavaSparkContext(...); 

•    JavaRDD lines =ctx.textFile("hdfs://...");

•    JavaRDD words = lines.flatMap(

•      new FlatMapFunction<String,String>() {

•         public Iterable call(String s) {

•            return Arrays.asList(s.split("")); } } );

•

Python

•    from pyspark import SparkContext

•    sc = SparkContext("local","Job Name", pyFiles=['MyFile.py', 'lib.zip', 'app.egg'])

•    words =sc.textFile("/usr/share/dict/words")

•    words.filter(lambda w:w.startswith("spar")).take(5)

                                                                        11. Spark运行架构

 Sparkon YARN 运行过程（cluster模式）

1.用户通过bin/spark-submit或bin/spark-class 向YARN提交Application

2.RM为Application分配第一个container，并在指定节点的container上启动SparkContext。

3.SparkContext向RM申请资源以运行Executor

4.RM分配Container给SparkContext，SparkContext和相关的NM通讯，在获得的Container上启动 StandaloneExecutorBackend，StandaloneExecutorBackend启动后，開始向SparkContext注冊并申请  Task

5.SparkContext分配Task给StandaloneExecutorBackend运行

6.StandaloneExecutorBackend运行Task并向SparkContext汇报运行状况

7.Task运行完成。SparkContext归还资源给NM，并注销退出。

                                                                        12.Spark SQL

Spark SQL是一个即席查询系统，其前身是shark，只是代码差点儿都重写了，但利用了shark的最好部分内容。

SparkSQL能够通过SQL表达式、HiveQL或者Scala DSL在Spark上运行查询。眼下Spark SQL还是一个alpha版本号。

                                                                         13.SparkStreaming

     SparkStreaming是一个对实时数据流进行高通量、容错处理的流式处理系统，能够对多种数据源（如Kdfka、Flume、Twitter、Zero和TCP套接字）进行相似map、reduce、join、window等复杂操作，并将结果保存到外部文件系统、数据库或应用到实时仪表盘。

SparkStreaming流式处理系统特点有：

•   将流式计算分解成一系列短小的(按秒)批处理作业

•   将失败或者运行较慢的任务在其他节点上并行运行

•   较强的容错能力(checkpoint等)

•   使用和RDD一样的语义

                                                        

./bin/run-exampleorg.apache.spark.examples.streaming.NetworkWordCount localhost 9999

nc-lk 9999

                                                                         14. 练习题

有一批ip。找出出现次数最多的前50个?

10.129.41.91

61.172.251.20

10.150.9.240

...

答案：

data.map(word=>(word,1)).reduceByKey(_+_).map(word=>(word._2,word._1)).sortByKey(false).map(word=>(word._2,word._1)).take(50)

                                                                       15.延伸

Lineage（血统）

Spark处理分布式运算环境下的数据容错性（节点实效/数据丢失）问题时採用血统关系(Lineage)方案。RDD数据集通过所谓的血统关系(Lineage)记住了它是怎样从其他RDD中演变过来的。相比其他系统的细颗粒度的内存数据更新级别的备份或者LOG机制，RDD的Lineage记录的是粗颗粒度的特定数据转换（Transformation）操作（filter, map, join etc.)行为。当这个RDD的部分分区数据丢失时，它能够通过Lineage获取足够的信息来又一次运算和恢复丢失的数据分区。

这样的粗颗粒的数据模型。限制了Spark的运用场合。但同一时候相比细颗粒度的数据模型，也带来了性能的提升。

RDD在Lineage依赖方面分为两种NarrowDependencies与WideDependencies用来解决数据容错的高效性。NarrowDependencies是指父RDD的每个分区最多被一个子RDD的分区所用，表现为一个父RDD的分区相应于一个子RDD的分区或多个父RDD的分区相应于一个子RDD的分区，也就是说一个父RDD的一个分区不可能相应一个子RDD的多个分区。WideDependencies是指子RDD的分区依赖于父RDD的多个分区或全部分区，也就是说存在一个父RDD的一个分区相应一个子RDD的多个分区。

对与WideDependencies。这样的计算的输入和输出在不同的节点上，lineage方法对与输入节点完善，而输出节点宕机时，通过又一次计算，这样的情况下，这样的方法容错是有效的，否则无效，由于无法重试。须要向上其祖先追溯看能否够重试（这就是lineage。血统的意思），NarrowDependencies对于数据的重算开销要远小于WideDependencies的数据重算开销。

容错

在RDD计算。通过checkpint进行容错，做checkpoint有两种方式，一个是checkpointdata，一个是loggingthe updates。用户能够控制採用哪种方式来实现容错，默认是loggingthe updates方式。通过记录跟踪全部生成RDD的转换（transformations）也就是记录每个RDD的lineage（血统）来又一次计算生成丢失的分区数据。