大数据学习之Spark基础

Spark基础

简述

1、spark作业执行的特点：

（1）只有遇到行动算子的时候，整个spark作业才会被触发执行

（2）遇到几次，执行几次

2、RDD: 弹性分布式数据集

弹性：数据量可大可小

RDD类似于容器，但是本身存储的不是数据，是计算逻辑

当遇到行动算子的时候，整个spark作业才会被触发执行，从第一个RDD开始执行，数据才开始产生流动

数据在RDD之间只是流动关系，不会存储

流动的数据量可以很大，也可以很小，所以称为弹性

分布式：

spark本质上它是需要从HDFS中读取数据的，HDFS是分布式，数据block块将来可能会在不同的datanode上

RDD中流动的数据，可能会来自不同的datanode中的block块数据

数据集：

计算流动过程中，可以短暂地将RDD看成一个容器，容器中有数据，默认情况下在内存中不会进行存储

后面会有办法将一个RDD的数据存储到磁盘中

RDD的5大特性：（面试必问！）

1、RDD是由一系列分区构成

1）读文件时的minPartitions参数只能决定最小分区数，实际读取文件后的RDD分区数，由数据内容本身以及集群的分布来共同决定的

2）若设置minPartitions的数量比block块数量还少的话，实际上以block块数量来决定分区数

3）产生shuffle的算子调用时，可以传入numPartitions（例如：groupby()），可以真正改变RDD的分区数，设置多少，最终RDD就有多少分区

4）文件会以block块的形式存储在HDFS上，若文件未达到128M默认值的话也会被一个block块存储。

一开始RDD中的分区数由读取数据的block块数量决定的。

后一个RDD中的分区数据，除KV函数以外，对应的是前一个RDD中的分区数据所进行逻辑处理后的结果。默认情况下，若后续分区不做处理的话，后续所有的RDD的分区数取决于第一个RDD。

最终RDD中有几个分区，将来在HDFS中就会看到几个结果文件（HDFS -> RDD -> HDFS）

2、算子是作用在每一个分区上的（每一个分区都会处理）

3、RDD与RDD之间存在一些依赖关系

1）窄依赖 前一个RDD中的某一个分区数据只会到后一个RDD中的某唯一分区中 一对一（也可能前多个分区到后一个分区中）的关系

2）宽依赖 前一个RDD中的某一个分区数据会进入到后一个RDD中的不同分区中 一对多的关系 也可以通过查看是否产生shuffle来判断

3）整个spark作业会被宽依赖的个数划分若干个stage, Num(stage) = Num(宽依赖) + 1

4）当遇到产生shuffle的算子的时候，涉及到从前一个RDD写数据到磁盘中，从磁盘中读取数据到后一个RDD的现象，

注意：第一次触发执行的时候，磁盘是没有数据的，所以会从第一个RDD产生开始执行

当重复触发相同的执行的时候，对于同一个DAG有向无环图而言，会直接从shuffle之后的RDD开始执行（省略从前一个RDD写数据到磁盘中的过程），可以直接从磁盘读取数据。

5）**在一个阶段中，RDD有几个分区，**就会有几个并行task任务

4、kv算子只能作用在kv的RDD上

5、spark会提供最优的任务计算方式，只移动计算，不移动数据。

Spark的设计原则之一是数据本地化（Data Locality），即尽量让计算任务在数据所在的节点上执行，从而减少数据的网络传输开销。

Spark实例：wordcount

object WordCount2 {def main(args: Array[String]): Unit = {//创建spark配置文件对象val conf: SparkConf = new SparkConf()//设置运行模式//如果是本地local模式运行的话，需要设置setMaster//将来如果是集群进行，将这句话注释即可conf.setMaster("local")//设置spark作业的名字conf.setAppName("wordcount")//创建spark core上下文环境对象val sc: SparkContext = new SparkContext(conf)//===================================================================================//读取文件,每次读取一行//RDD是spark core中的核心数据结构，将来运行的时候，数据会在RDD之间流动，默认基于内存计算val linesRDD: RDD[String] = sc.textFile("spark/data/wcs/*")//    println(s"linesRDD的分区数：${linesRDD.getNumPartitions}")//一行数据根据分隔符分割val wordRDD: RDD[String] = linesRDD.flatMap(_.split("\\|"))//    println(s"wordRDD的分区数：${wordRDD.getNumPartitions}")//将每一个单词组成(word,1)val kvRDD: RDD[(String, Int)] = wordRDD.map((_, 1))println(s"kvRDD的分区数：${kvRDD.getNumPartitions}")//根据键进行分组，并设置分区数为 5val kvRDD2: RDD[(String, Iterable[(String, Int)])] = kvRDD.groupBy(_._1,numPartitions = 5)println(s"kvRDD2的分区数：${kvRDD2.getNumPartitions}")val resRDD: RDD[(String, Int)] = kvRDD2.map((e: (String, Iterable[(String, Int)])) => (e._1, e._2.size))println(s"resRDD的分区数：${resRDD.getNumPartitions}")//打印resRDD2.foreach(println)//指定的是所要写入数据的文件夹的路径//spark如果是local本地运行的话，会将本地文件系统看作一个hdfs文件系统resRDD.saveAsTextFile("spark/data/outdata1")}
}

Spark中RDD调用的函数，称之为算子

算子分为两类：

1、转换算子（RDD -> RDD，处理逻辑）

2、行动算子（触发作业的执行）

1、转换算子

1）Map

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Demo1Map {def main(args: Array[String]): Unit = {val conf = new SparkConf()conf.setMaster("local")conf.setAppName("map算子演示")val sc: SparkContext = new SparkContext(conf)val lineRDD: RDD[String] = sc.textFile("spark/data/students.txt")//map操作算子：将rdd中的数据依次取出，传递给后面函数逻辑，将计算后的数据返回到新的rdd中//将rdd中的数据依次取出，处理完的数据返回下一个rdd直接继续执行后续的逻辑val rdd2: RDD[(String,String,String,String,String)] = lineRDD.map((line: String) => {println("==============处理后的数据========================")val array1: Array[String] = line.split(",")(array1(0),array1(1),array1(2),array1(3),array1(4))})//foreach是一个行动算子，遇到行动算子，触发作业执行/*** 转换操作（转换算子中定义了操作逻辑）仅仅是定义了数据应该如何被转换，而不会立即执行。* 只有当需要计算一个结果时（即调用行动算子时），才会执行。* 打印结果：* ==============处理后的数据========================* (1500100001,施笑槐,22,女,文科六班)* ==============处理后的数据========================* (1500100002,吕金鹏,24,男,文科六班)*每次调用行动算子（foreach）打印一条数据，都会是整个RDD重新执行一次（所有RDD的执行关系是一个有向无环图）*/rdd2.foreach(println)}}

2）filter

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDDobject Demo2Filter {def main(args: Array[String]): Unit = {val conf = new SparkConf()conf.setMaster("local")conf.setAppName("map算子演示")val sc: SparkContext = new SparkContext(conf)//===============================================================val lineRDD: RDD[String] = sc.textFile("spark/data/students.txt")//需求：过滤出所有的男生//filter转换算子：将rdd中的数据依次取出，传递给后面的函数，跟map一样，也是依次传递一条// 若不匹配，则无数据在RDD间流动，在下面执行.foreach(println)时也无数据进行打印，// 但是判断中的println()属于scala,并不受影响val genderRDD: RDD[String] = lineRDD.filter((line: String) => {var b: Boolean = falseif ("女".equals(line.split(",")(3))) {println("============这是女生==================")} else {println("============这是男生==================")b = "男".equals(line.split(",")(3))}b})genderRDD.foreach(println)}
}

3）flatMap

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDDobject Demo3FlatMap {def main(args: Array[String]): Unit = {val conf = new SparkConf()conf.setMaster("local")conf.setAppName("map算子演示")val sc: SparkContext = new SparkContext(conf)//===============================================================val lineRDD: RDD[String] = sc.textFile("spark/data/wcs/words.txt")/*** flatMap: 将rdd中的每一条数据传递给后面的函数，最终将返回的数组或者是序列进行扁平化，返回给新的集合* 由于flatMap会“扁平化”结果，因此words RDD将包含所有分割后的单词，而不是单词数组(返回一个元素为单个单词的集合)。* 打印结果：* ===============一条数据====================* hello* world* ===============一条数据====================* java* hadoop* linux*/val rdd1: RDD[String] = lineRDD.flatMap((line:String)=>{println("===============一条数据====================")line.split("\\|")})rdd1.foreach(println)}
}

4）sample

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDDobject Demo4Sample {def main(args: Array[String]): Unit = {val conf = new SparkConf()conf.setMaster("local")conf.setAppName("map算子演示")val sc: SparkContext = new SparkContext(conf)//===============================================================val lineRDD: RDD[String] = sc.textFile("spark/data/students.txt")/*** sample抽样，1000条数据，抽0.1比例，结果的数量在100左右* 这个函数主要在机器学习的时候会用到* withReplacement ：* 为True时，抽样结果中可能会包含重复的元素。* 为False时，抽样结果中不会包含重复的元素。* fraction：这是一个浮点数（Double），指定了抽样的比例，取值范围在[0, 1]之间。*/val rdd1: RDD[String] = lineRDD.sample(withReplacement = false, fraction = 0.1)rdd1.foreach(println)}
}

5）groupBy

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Demo5GroupBy {def main(args: Array[String]): Unit = {val conf: SparkConf = new SparkConf().setMaster("local").setAppName("groupBy")val sc: SparkContext = new SparkContext(conf)//===================================================val linesRDD: RDD[String] = sc.textFile("spark/data/students.txt")//求每个班级的平均年龄val arrayRDD: RDD[Array[String]] = linesRDD.map((line: String) => line.split(","))//像这种RDD中的元素是(key,value)类型的，我们将这种RDD称之为键值对RDD(kv格式RDD)val clazzWithAgeRDD: RDD[(String, Int)] = arrayRDD.map {case Array(_, _, age: String, _, clazz: String) =>(clazz, age.toInt)}/*** groupBy算子的使用** 1、groupBy的算子，后面的分组条件是我们自己指定的* 2、spark中groupBy之后的，所有值会被封装到一个Iterable迭代器中存储（与scala中不同）* 输出：* (理科二班,22.556962025316455)* (文科三班,22.680851063829788)* (理科四班,22.63736263736264)* (理科一班,22.333333333333332)* (文科五班,22.30952380952381)*/// val map: Map[String, List[Score]] = scoreList.groupBy((s: Score) => s.id)val groupRDD: RDD[(String, Iterable[(String, Int)])] = clazzWithAgeRDD.groupBy(_._1)
//    groupRDD.foreach(println)val resKvRDD: RDD[(String, Double)] = groupRDD.map((kv: (String, Iterable[(String, Int)])) => {val clazz: String = kv._1val avgAge: Double = kv._2.map(_._2).sum.toDouble / kv._2.size(clazz, avgAge)})resKvRDD.foreach(println)//    while (true){
//
//    }}
}

6）groupByKey

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDDobject Demo6GroupByKey {def main(args: Array[String]): Unit = {val conf: SparkConf = new SparkConf().setMaster("local").setAppName("groupByKey")val sc: SparkContext = new SparkContext(conf)//===================================================val linesRDD: RDD[String] = sc.textFile("spark/data/students.txt")//求每个班级的平均年龄val arrayRDD: RDD[Array[String]] = linesRDD.map((line: String) => line.split(","))//像这种RDD中的元素是(key,value)类型的，我们将这种RDD称之为键值对RDD(kv格式RDD)val clazzWithAgeRDD: RDD[(String, Int)] = arrayRDD.map {case Array(_, _, age: String, _, clazz: String) =>(clazz, age.toInt)}/*** GroupByKey属于kv格式的算子，只能作用在kv格式的RDD上* 也就说，只有kv格式的RDD才能调用kv格式的算子* 输出：* (理科二班,22.556962025316455)* (文科三班,22.680851063829788)* (理科四班,22.63736263736264)* (理科一班,22.333333333333332)* (文科五班,22.30952380952381)*/val groupByKeyRDD: RDD[(String, Iterable[Int])] = clazzWithAgeRDD.groupByKey()val resKvRDD2: RDD[(String, Double)] = groupByKeyRDD.map((kv: (String, Iterable[Int])) => (kv._1, kv._2.sum.toDouble / kv._2.size))resKvRDD2.foreach(println)/*** 面试题：spark core中 groupBy算子与groupByKey算子的区别？* 1、代码格式上：* groupBy的分组条件可以自己指定，并且绝大部分的RDD都可以调用该算子，返回的是键和元素本身组成的迭代器构成的kv格式RDD* groupByKey算子，只能由kv格式的RDD进行调用，分组的条件会自动根据键进行分组，不需要在自己指定，返回的是键和值组成的迭代器构成的kv格式RDD** 2、执行shuffle数据量来看*  groupBy产生的shuffle数据量在一定程度上要大于groupByKey产生的shuffle数据量*  所以groupByKey算子的执行效率要比groupBy算子的执行效率要高*/while (true) {}}
}

7）reduceByKey

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDDobject Demo7ReduceByKey {def main(args: Array[String]): Unit = {val conf: SparkConf = new SparkConf().setMaster("local").setAppName("reduceByKey")val sc: SparkContext = new SparkContext(conf)//===================================================val linesRDD: RDD[String] = sc.textFile("spark/data/score.txt")//求每个班级的平均年龄val arrayRDD: RDD[Array[String]] = linesRDD.map((line: String) => line.split(","))//分别使用groupByKey和reduceBykey计算每个学生的总分val idWithScoreRDD: RDD[(String, Int)] = arrayRDD.map {case Array(id: String, _, score: String) =>(id, score.toInt)}/*** groupByKey实现*/
//        val kvRDD1: RDD[(String, Iterable[Int])] = idWithScoreRDD.groupByKey()
//        val resRDD1: RDD[(String, Int)] = kvRDD1.map((kv: (String, Iterable[Int])) => (kv._1, kv._2.sum))
//        resRDD1.foreach(println)/*** reduceByKey实现* 输出：* (1500100113,519)* (1500100724,440)* (1500100369,376)* (1500100378,402)* (1500100306,505)* (1500100578,397)*/val resRDD2: RDD[(String, Int)] = idWithScoreRDD.reduceByKey((v1: Int, v2: Int) => v1 + v2)resRDD2.foreach(println)/*** 面试题：* groupByKey与reduceBykey的区别？* 相同点：* 它们都是kv格式的算子，只有kv格式的RDD才能调用* 不同点：* 1）groupByKey只是单纯地根据键进行分组，分组后的逻辑可以在后续的处理中调用其他的算子实现* 2）reduceByKey 相当于MR中的预聚合，所以shuffle产生的数据量要比groupByKey中shuffle产生的数据量少，效率高，速度要快一些* 3）groupByKey的灵活度要比reduceByKey灵活度要高，reduceBykey无法做一些复杂的操作，比如方差。但是groupByKey可以在分组之后的RDD进行方差操作*/while (true){}}
}

8）union

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}object Demo8Union {def main(args: Array[String]): Unit = {val conf: SparkConf = new SparkConf().setMaster("local").setAppName("reduceByKey")val sc: SparkContext = new SparkContext(conf)//===================================================//parallelize：将scala的集合变成spark中的RDDval rdd1: RDD[(String, String)] = sc.parallelize(List(("1001", "张三"),("1002", "张三2"),("1003", "张三3"),("1004", "张三4"),("1005", "张三5")))println(s"rdd1的分区数:${rdd1.getNumPartitions}")val rdd2: RDD[(String, String)] = sc.parallelize(List(("1006", "李四6"),("1007", "李四7"),("1003", "张三3"),("1008", "李四8"),("1009", "李四9")))println(s"rdd2的分区数:${rdd2.getNumPartitions}")val rdd3: RDD[(String, Int)] = sc.parallelize(List(("1006", 111),("1007", 22),("1003", 33),("1008", 444),("1009", 55)))//两个RDD要想进行union合并，必须保证元素的格式和数据类型是一致的//分区数也会进行合并，最终的分区数由两个RDD总共的分区数决定//    rdd1.union(rdd3)val resRDD1: RDD[(String, String)] = rdd1.union(rdd2)resRDD1.foreach(println)println(s"resRDD1的分区数:${resRDD1.getNumPartitions}")/*** 输出：* rdd1的分区数:1* rdd2的分区数:1* (1001,张三)* (1002,张三2)* (1003,张三3)* (1004,张三4)* (1005,张三5)* (1006,李四6)* (1007,李四7)* (1003,张三3)* (1008,李四8)* (1009,李四9)* resRDD1的分区数:2*/}
}

9）join

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD/*** join算子也要作用在kv格式的RDD上*/
object Demo9Join {def main(args: Array[String]): Unit = {val conf: SparkConf = new SparkConf().setMaster("local").setAppName("reduceByKey")val sc: SparkContext = new SparkContext(conf)//===================================================//parallelize：将scala的集合变成spark中的RDDval rdd1: RDD[(String, String)] = sc.parallelize(List(("1001", "张三"),("1002", "李四"),("1003", "王五"),("1004", "小明"),("1005", "小红")))val rdd2: RDD[(String, String)] = sc.parallelize(List(("1001", "看美女"),("1002", "看综艺"),("1003", "看八卦"),("1004", "打游戏"),("1009", "学习")))/*** join 内连接* right join 右连接* left join 左连接* full join 全连接*/// join 内连接 两个rdd共同拥有的键才会进行关联/*** (1001,张三,看美女)* (1002,李四,看综艺)* (1004,小明,打游戏)* (1003,王五,看八卦)*/val resRDD1: RDD[(String, (String, String))] = rdd1.join(rdd2)val resRDD2: RDD[(String, String, String)] = resRDD1.map {case (id: String, (name: String, like: String)) =>(id, name, like)}resRDD2.foreach(println)//right join 右连接 保证右边rdd键的完整性/*** (1001,张三,看美女)* (1002,李四,看综艺)* (1004,小明,打游戏)* (1009,查无此人,学习)* (1003,王五,看八卦)*/val resRDD2: RDD[(String, (Option[String], String))] = rdd1.rightOuterJoin(rdd2)val resRDD3: RDD[(String, String, String)] = resRDD2.map {case (id: String, (Some(name), like: String)) =>(id, name, like)case (id: String, (None, like: String)) =>(id, "查无此人", like)}resRDD3.foreach(println)//left join: 左连接/*** (1005,小红,此人无爱好)* (1001,张三,看美女)* (1002,李四,看综艺)* (1004,小明,打游戏)* (1003,王五,看八卦)*/val resRDD1: RDD[(String, (String, Option[String]))] = rdd1.leftOuterJoin(rdd2)val resRDD2: RDD[(String, String, String)] = resRDD1.map {case (id: String, (name: String, Some(like: String))) =>(id, name, like)case (id: String, (name: String, None)) =>(id, name, "此人无爱好")}resRDD2.foreach(println)//全连接，保证所有的键、值的完整/*** (1005,小红,此人无爱好)* (1001,张三,看美女)* (1002,李四,看综艺)* (1004,小明,打游戏)* (1009,查无此人,学习)* (1003,王五,看八卦)*/val resRDD2: RDD[(String, (Option[String], Option[String]))] = rdd1.fullOuterJoin(rdd2)val resRDD3: RDD[(String, String, String)] = resRDD2.map {case (id: String, (Some(name), Some(like))) =>(id, name, like)case (id: String, (Some(name), None)) =>(id, name, "此人无爱好")case (id: String, (None, Some(like))) =>(id, "查无此人", like)}resRDD3.foreach(println)}
}