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应用程序总是包含着一个driver program(驱动程序),它执行着用户的main方法,并且执行大量的并行操作(parallel operations)在集群上.

概述

Spark最主要的抽象就是RDD(resilient distributed dataset) 弹性分布式数据集,RDD 就是分割元素的集合,他被分发在集群的各个节点上,并且能够进行并行操作.

RDD的创建有三种方式:

HDFS,HBase 或者其他任何能够提供Hadoop输入格式的数据源;
驱动程序中已存在的Scala集合;
其他的RDD的转换

RDD能够持久化到内存中以重复使用加速计算速度, RDD能够自动从失败的节点中恢复(血统设计).

Spark中的另一个抽象就是能够被用于并行计算的共享变量. 默认的情况下, Spark并行运行一个函数是作为一组tasks在不同的节点上同时计算的, 这种情况下,他是通过分发每一个变量的拷贝到每个task中的. 有时候,我们需要某些变量在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个node的内存中;
accumulators, 这个变量只能够被累加,

RDD操作

操作主要包括两种,分别是transformations 和 action

transformation : 将一个已经存在的RDD中转换成一个新的RDD,所有的转换操作都是lazy执行的,即只是记下了执行的动作,只有当driver程序需要结果的时候才会进行计算.

http://spark.apache.org/docs/latest/programming-guide.html

action:一般用于对RDD中的元素进行实际的计算,然后返回相应的值,例如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基本操作的几个例子以及自己的理解:

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 ,通常是一个CPU 2-4块,通常spark可以自动帮你切分

val sum =  distData.reduce((a, b) => a+b )
//在reduce的时候才开始真正的执行,driver将任务分布到各个机器上,然后每个机器单独执行,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 ,例如HDFS,Cassandra,HBase ,Amazon S3
* ##如果文件地址是本地地址的话,那么他应该在集群的每个节点上都能够被访问(即:每个节点上都应该有同样的文件)
* ##textFile的第二个参数控制文件被切割的大小默认为64MB ,可以设置更大的但是不能设置更小的
*/

val distFile = sc.textFile("file:///usr/local/spark/README.md")

//接下来就可以进行相关的操作了
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

用法: 使用persist()或者cache()方法,其中cache()方法默认持久化到内存,persist可以自己选择持久化的层次,在shuffle操作中,spark会自动保存中间计算结果,例如reduceBykey
作用: RDD的持久化会将会使得每个节点保存相应的计算部分,以便再次使用该数据集时可以直接使用,加快计算速度
如何选择持久化层次: 如果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 ,其他情况http://spark.apache.org/docs/latest/programming-guide.html

共享变量

1. broadcast 变量, 只读的共享变量 每个节点上都有一个拷贝, 用法

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)