SPARK PrefixSpan算法 spark详解

本篇博文是小二由工作经验所得，纯属个人所思所感！！！

一、Spark（快速、通用、可扩展的分布式的计算引擎）

1.spark简介：

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行计算框架，Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

伯克利数据分析堆栈

MapReduce:基于磁盘
Spark:基于内存
都是分布式计算框架，Spark基于内存，MR基于HDFS，sprk处理数据的能力一般是MR的十倍以上，Spark还有DAG有向无环图来切分任务执行的流程，这样对比可以看出Sark的高效了。

二、RDD（Resilient Distributed Dateset）,弹性分布式数据集

1.RDD的介绍

• RDD分布式数据集的五大特性：
  1.RDD是由一系列的partition组成的
  2.函数是作用在每一个partition（split）之上的
  3.RDD之间有依赖关系
  4.分区器是作用在K.V格式的RDD上
  5.partition对外提供最佳的计算位置，利用数据处理的本地化
  注意：1.sc.textFile()方法底层调用的是MR读取HDFS中文件的方法，首先split,每个split对应一个block块，这里的每个split对应一个partition。
  2.什么是K、V的RDD？
  RDD中的元素是一个个的tuple2
  3.哪里体现了RDD的分布式
  partition是分布在多个节点上的
  4.哪里体现了RDD的弹性？
  1）RDD之间有依赖关系
  2）partition的个数可多可少，当结果进行算子（这里将函数看做是一个算子）的处理后，随着数据量的较少，不需要过多的task去执行，所以减少partition的个数

RDD处理数据：RDD是逻辑概念不存放数据的，里面的partition是稍微具体的里面放的是一个个的计算逻辑。例如：flatMap().map等。

2.RDD详述

HDFS上的每个block，首先是位于不同节点之上的，而通过sc.TestFile(“path”)获取到的每个block数据块的集合就是一个RDD，而每个RDD就是由一系列partition组成的,在这里每个partition会由每个job Task去执行，这样的并行执行粒度保证了高效，而且处理RDD后的结果数据是基于内存进行存放的。
还有就是函数都是作用在每个Partition上的即是基于每个split上的。
当RDD1中的Job Task执行的job作业执行完毕时，由RDD1对象的FlatMap方法对数据进行处理，在这里当然是进行切片了，同样的这里的RDD1里的partition分别对应着RDD2中的partitioin，将切分后的数据进行一些列的处理。

注意：底层读取文件时还是一个MR任务进行读取，RDD是一个逻辑概念。

补充：Spark的运行模式：
local:
Standalone:
Yarn:
Mesos:资源调度框架

每次有RDD上的函数进行数据的处理的结果当然会越来越“小”或者越来越“简练”这里可将RDD中的partition进行设置，进行减少，当然这里是视情况了，当数据集小了可以减少partition,因为partition的数量决定了task的数量。

注意：在这里每个RDD是逻辑上的概念，大数据核心思想“计算向数据移动”是不变得，这些RDD逻辑是由对应的task进行分步执行的。当RDD2数据丢失时，可以基于RDD1的一个算子（这里是flatmap（）方法）生成RDD2，这样达到了RDD之间的依赖，这也是RDD的特性之一。

RDD源码中可以看出以上的特性：

RDD对应的Scala代码（WordCount）：

3.lineage （血统）

利用数据加快加载，在其他的In-Memory类数据库或Cache类系统中也有实现，Spark主要就是采用血统lineage来实现分布式运行坏境下的数据容错（节点失效、数据失效）问题。RDD Lineage 被称为RDD运算图或者RDD依赖关系图。它是在RDD上执行transformations函数并创建逻辑执行计划（logical execution plan）的结果，是RDD的逻辑执行计划。相比其它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，它可以通过Lineage找到丢失的父RDD的分区进行局部计算来恢复丢失的数据，这样可以节省资源提高运行效率。这种粗颗粒的数据模型，限制了Spark的运用场合，但同时相比细颗粒度的数据模型，也带来了性能的提升。

4.Spark中的Standalone集群

• worker和Driver都是JVM进程
  worker:执行tasks的功能，将结果返回到Driver,每个spark启动时都会启动一个Driver,Worker都是基于内存的，资源管理的从节点。
  这里的worker可以认为是spark的standalone集群的一个资源调度框架的从节点
  Master:资源管理的主节点，管理worker
  当集群启动的时候，每个节点上的Worker进程会将执行的结果全部发送给Driver进程所在的节点，这样所有的数据都会堆积到Driver节点上，造成OOM(内存溢出)。
• 总结：
  Ø Driver与集群节点之间有频繁的通信。
  Ø Driver负责任务(tasks)的分发和结果的回收。任务的调度。如果task的计算结果非常大就不要回收了。会造成oom。
  Ø Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM进程。
  Ø Master是Standalone资源调度框架里面资源管理的主节点。也是JVM进程。

5.RDD中的算子

在这里将算子可以理解为函数，例如wordount代码中的flatMap（）、map（）函数。每个算子都会在对应的partition上进行执行,并且将数据进行处理后的结果交还给写一个算子。每个算子的执行最终是由Actor进行触发，RDD内开始的时候是没有数据的当开始执行的时候只是逻辑上的轮行，当最后有action进行触发的时候，所有的RDD才会进行数据的处理。即这里的RDD是懒加载的。

在上面的代码中，算子作用在RDD上的，当没有action算子的触发的时候，RDD中是没有数据的，只有当action算子进行触发的时候才会真正的执行代码，进行数据的加载

-transformations延迟执行针对RDD的操作

三、Spark算子详解

Transformationi类算子，也叫转换算子，懒执行，
Action算子：也叫行动算子，用于触发Transformation的算子的执行，一个spark application中有一个action就对应有一个job
持久化算子：

1.Transformation类算子

• 1）基本的Transformation算子.
• filter
  过滤符合条件的数据，true是保留，，false是过滤掉
  -map
  将RDD中的每一个数据项，通过map中的函数映射关系将进来的数据映射为一条新的元素。
  特点：输入一条数据，输出一条数据
  -flatMap
  先进行map后进行flat,与map类似，每个输入项可以映射为0到多个与元素。
• sample
  随机抽样算子，根据传递的比例进行又放回和不放回的抽样
• reduceByKey
  将响应的key根据响应的逻辑进行处理
  -sortByKey sortBy
  作用在K,V格式的RDD上，对key进行升序或者降序的排序
• 2.伪代码分析：
  lines=sc.textFile(“path”)
  error=lines.filter(_.endwith(“error”))

mysql_error=error.filter(.contain(“mysql”)).count
http_errot=error.filter(.contain(“http”)).count

名词解释：Application:就是一段从程序入口到结束的代码即就是一个应用程序
在这里一个Application对应的是两个job。
补充：transformation算子
Ø join,leftOuterJoin,rightOuterJoin,fullOuterJoin
作用在K,V格式的RDD上。根据K进行连接，对（K,V）join(K,W)返回（K,(V,W)）
¬ join后的分区数与父RDD分区数多的那一个相同。
Ø union
合并两个数据集。两个数据集的类型要一致。
¬ 返回新的RDD的分区数是合并RDD分区数的总和。
Ø intersection
取两个数据集的交集，返回新的RDD与父RDD分区多的一致
Ø subtract
取两个数据集的差集，结果RDD的分区数与subtract前面的RDD的分区数一致。
Ø mapPartitions
与map类似，遍历的单位是每个partition上的数据。
Ø distinct(map+reduceByKey+map)
Ø cogroup
当调用类型（K,V）和（K，W）的数据上时，返回一个数据集（K，（Iterable,Iterable）），子RDD的分区与父RDD多的一致。
action
Ø foreachPartition
遍历的数据是每个partition的数据。

2.Action算子，行动算子

Ø count
返回数据集中的元素数。会在结果计算完成后回收到Driver端。负责计算每个worker中有多少条数据，只是将数据结果返回。

Ø take(n)
返回一个包含数据集前n个元素的集合。例如take(1)就是获取第一条数据,相当于下面的first算子

Ø first
first=take(1),返回数据集中的第一个元素。

Ø foreach
循环遍历数据集中的每个元素，运行相应的逻辑。

Ø collect
将计算结果回收到Driver端，进行收集收据，将数据进行返回到Driver,如果数据过多会造成Driver的OOM（内存溢出）

• 4）…Transformation算子的执行和Actioin算子的执行图解
  
  由图中看出Transformation类算子的执行对于filter的执行RDD[T]=>RDD[U]意思是map算子的处理数据的时候是一种类型，而出去的还是这种类型，没有增加其他类型的数据。是一对一的。
  对于flatap(f:T=?Seq[U])和map来说只是类型的转换，处理的是T类型的RDD，而返回的是U类型的RDD，类型改变但还是一对一的。
  对于Actioin算子，和Transfotmation有着明显的区别，就是输出处理后的结果不是一个RDD了，而是个数据了，例如集合，Long类型的数据，等待。最终储存在HDFS磁盘上

3.持久化算子

持久化算子有三种，cache、persist、checkpoint，以上算子都可以将RDD进行持久化，持久化的一个单位就是prartition，cache和persist都是懒执行了，必须有一个action行动算子的触发才会执行，出就话算子不仅可以将RDD进行持久化到磁盘还可以将RDD之间切断他们之间的依赖关系。

1）cache

是将RDD持久化到内存中。cache是懒执行的。默认是将数据持久化到内存
代码测试磁盘和内存的效率：

val conf = new SparkConf()
conf.setMaster("local")
conf.setAppName("cachetest")
val sc = new SparkContext(conf)
val lines: RDD[String] = sc.textFile("./data/words")

//使用cache将数据加载到内存
lines.cache()
//使用count行动算子
val startTimes1 =  System.currentTimeMillis()
lines.count()
val endTimes1 =  System.currentTimeMillis()
println(s"磁盘: times=${endTimes1-startTimes1}")
//再次使用count,这次将从内存中拿到的数据
val startTimes2 =  System.currentTimeMillis()
lines.count()
val endTimes2 =  System.currentTimeMillis()
println(s"内存: times=${endTimes2-startTimes2}")
结果：磁盘: times=1365  内存: times=95

2）persist，将数据持久化到磁盘，懒加载

可以手动指定持久化的级别

cache()=persist()=persist(StorageLevel.MEMORY_ONLY)

由图可以看出Spark中默认的副本有1个

上图是持久化的级别：

_UseDisk:是否使用到磁盘

_useMemory:是否使用内存

_useOffHeap:是否使用堆外内存

_deserialized:是否不进行序列化

_replication:副本数

最常用的有：

MEMORY_ONLY:

val MEMORY_ONLY = new StorageLevel(使用磁盘, 使用内存, 不使用堆外内存, 不序列化)

val MEMORY_AND_DISK = new StorageLevel(使用磁盘, 使用内存, 不使用堆外内存, 序列化)

val MEMORY_ONLY_SER = new StorageLevel(不使用磁盘, 使用内存, 不适用堆外内存, 序列化)

val MEMORY_AND_DISK_SER = new StorageLevel(不使用, 使用内存, 不适用堆外内存, 序列化)

优先使用内存，内存不够再使用磁盘

cache和persist的注意事项：

1.cache和persist都是懒执行，必须有一个action类算子触发执行。
2.cache和persist算子的返回值可以赋值给一个变量，在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。
3.cache和persist算子后不能立即紧跟action算子。
4.cache和persist算子持久化的数据当applilcation执行完成之后会被清除。
错误：rdd.cache().count() 返回的不是持久化的RDD，而是一个数值了。
checkpoint将RDD持久化到磁盘，还可以切断RDD之间的依赖关系。checkpoint目录数据当application执行完之后不会被清除。
checkpoint 的执行原理：
1.当RDD的job执行完毕后，会从finalRDD从后往前回溯。
2.当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一个标记。
3.Spark框架会自动启动一个新的job，重新计算这个RDD的数据，将数据持久化到HDFS上。
优化：对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步。

checkpoint

1.checkpoint将RDD持久化到磁盘，还可以切断RDD之间的依赖关系，checkpoint中的数据当application执行完毕之后不会清除checkpoint目录中的数据。
2.当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一个标记
3.Spark框架会启动一个新的job，重新对这个RDD进行计算，将数据放到HDFS上
优化：对RDD执行checkpoint，先对这个RDD进行了cache,这样新启动的job，只需要将内存中的数据拷贝到HDFS上。省去了重新计算这一个步骤。

四、Spark的提交方式以及执行原理

1. 基于Yarn的提交方式

yarn-client提交任务方式

Ø 提交命令
./spark-submit–master yarn --class org.apache.spark.examples.SparkPi …/lib/spark-examples-1.6.0-hadoop2.6.0.jar100
或者
./spark-submit–master yarn–client --class org.apache.spark.examples.SparkPi …/lib/spark-examples-1.6.0-hadoop2.6.0.jar100

或者
./spark-submit–master yarn–deploy-mode client --class org.apache.spark.examples.SparkPi …/lib/spark-examples-1.6.0-hadoop2.6.0.jar100

Ø 执行原理图解

Ø 执行流程

1. 客户端提交一个Application，在客户端启动一个Driver进程。
2. 应用程序启动后会向RS(ResourceManager)发送请求，启动AM(ApplicationMaster)的资源。
3. RS收到请求，随机选择一台NM(NodeManager)启动AM。这里的NM相当于Standalone中的Worker节点。
4. AM启动后，会向RS请求一批container资源，用于启动Executor.
5. RS会找到一批NM返回给AM,用于启动Executor。
6. AM会向NM发送命令启动Executor。
7. Executor启动后，会反向注册给Driver，Driver发送task到Executor,执行情况和结果返回给Driver端。
   Ø 总结
   Yarn-client模式同样是适用于测试，因为Driver运行在本地，Driver会与yarn集群中的Executor进行大量的通信，会造成客户机网卡流量的大量增加.
   ¬ ApplicationMaster的作用：
8. 为当前的Application申请资源
9. 给NameNode发送消息启动Executor。
   注意：ApplicationMaster有launchExecutor和申请资源的功能，并没有作业调度的功能。

yarn-cluster提交任务方式

Ø 提交命令
./spark-submit–master yarn–deploy-mode cluster --class org.apache.spark.examples.SparkPi …/lib/spark-examples-1.6.0-hadoop2.6.0.jar100
或者
./spark-submit–master yarn-cluster–class org.apache.spark.examples.SparkPi …/lib/spark-examples-1.6.0-hadoop2.6.0.jar100

Ø 执行原理图解

Ø 执行流程

1. 客户机提交Application应用程序，发送请求到RS(ResourceManager),请求启动AM(ApplicationMaster)。
2. RS收到请求后随机在一台NM(NodeManager)上启动AM（相当于Driver端）。
3. AM启动，AM发送请求到RS，请求一批container用于启动Executor。
4. RS返回一批NM节点给AM。
5. AM连接到NM,发送请求到NM启动Executor。
6. Executor反向注册到AM所在的节点的Driver。Driver发送task到Executor。
   Ø 总结
   Yarn-Cluster主要用于生产环境中，因为Driver运行在Yarn集群中某一台nodeManager中，每次提交任务的Driver所在的机器都是随机的，不会产生某一台机器网卡流量激增的现象，缺点是任务提交后不能看到日志。只能通过yarn查看日志。
   ¬ ApplicationMaster的作用：
7. 为当前的Application申请资源
8. 给NameNode发送消息启动Excutor。
9. 任务调度。
   ¬ 停止集群任务命令：yarn application -kill applicationID

2 .基于Spark的Standalone的提交方式

1.Standalone-client提交任务方式

执行流程

1.client模式提交任务后，会在客户端启动Driver进程。

2.Driver会向Master申请启动Application启动的资源。

3.资源申请成功，Driver端将task发送到worker端执行。

4.worker将task执行结果返回到Driver端。

总结

client模式适用于测试调试程序。Driver进程是在客户端启动的，这里的客户端就是指提交应用程序的当前节点。在Driver端可以看到task执行的情况。生产环境下不能使用client模式，是因为：假设要提交100个application到集群运行，Driver每次都会在client端启动，那么就会导致客户端100次网卡流量暴增的问题。

2.Standalone-cluster提交任务方式

提交命令

./spark-submit  --master spark://node1:7077  --deploy-mode cluster
--class org.apache.spark.examples.SparkPi  ../lib/spark-examples-1.6.0-hadoop2.6.0.jar  100

执行原理图解

执行流程

1.cluster模式提交应用程序后，会向Master请求启动Driver.

2.Master接受请求，随机在集群一台节点启动Driver进程。

3.Driver启动后为当前的应用程序申请资源。

4.Driver端发送task到worker节点上执行。

5.worker将执行情况和执行结果返回给Driver端。

总结

Driver进程是在集群某一台Worker上启动的，在客户端是无法查看task的执行情况的。假设要提交100个application到集群运行,每次Driver会随机在集群中某一台Worker上启动，那么这100次网卡流量暴增的问题就散布在集群上。

总结Standalone两种方式提交任务，Driver与集群的通信包括：

1. Driver负责应用程序资源的申请
2. 任务的分发。
3. 结果的回收。
4. 监控task执行情况。