文章目录
- 一、RDD行动算子
- 1.1 reduce
- 1.2 collect
- 1.3 count
- 1.4 first
- 1.5 take
- 1.6 takeOrdered
- 1.7 aggregate
- 1.8 fold
- 1.9 countByKey
- 1.10 foreach
- 1.11 save相关算子
- 二、RDD序列化
- 三、RDD依赖关系
- 四、RDD持久化
- 五、RDD文件读取与保存
一、RDD行动算子
行动算子不会产生新的RDD,而是触发作业的执行;行动算子执行后,会获取到作业的执行结果
1.1 reduce
函数签名:def reduce(f: (T, T) => T): T
函数说明:聚集RDD
中的所有元素,先聚合分区内数据,再聚合分区间数据
val rdd = sc.makeRDD(List(1, 2, 3, 4))
val result: Int = rdd.reduce(_ + _)
println(result)//10
1.2 collect
函数签名:def collect(): Array[T]
函数说明:在驱动程序中,以数组Array
的形式返回数据集的所有元素
val rdd = sc.makeRDD(List(1, 2, 3, 4))
val result: Array[Int] = rdd.collect()
result.foreach(t => print(t + " ")) //1 2 3 4
1.3 count
函数签名:def count(): Long
函数说明:返回RDD
中元素的个数
val rdd = sc.makeRDD(List(1, 2, 3, 4))
val count: Long = rdd.count()
println(count) //4
1.4 first
函数签名:def first(): T
函数说明:返回RDD
中元素的个数
val rdd = sc.makeRDD(List(1, 2, 3, 4))
val first: Int = rdd.first()
println(first) //1
1.5 take
函数签名:def take(num: Int): Array[T]
函数说明:返回一个由RDD
的前n
个元素组成的数组
val rdd = sc.makeRDD(List(1, 2, 3, 4))
val takeArr: Array[Int] = rdd.take(2)
takeArr.foreach(t => print(t + " "))//1 2
1.6 takeOrdered
函数签名:def take(num: Int): Array[T]
函数说明:返回该RDD
排序后的前n
个元素组成的数组
val rdd = sc.makeRDD(List(1, 3, 4, 2))
// 默认升序
val takeArr: Array[Int] = rdd.takeOrdered(2)((left, right) => {
right - left
})
takeArr.foreach(t => print(t + " "))//4 3
1.7 aggregate
函数签名:def aggregate[U: ClassTag](zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U
函数说明:分区的数据通过初始值和分区内的数据进行聚合,然后再和初始值进行分区间的数据聚合
val rdd = sc.makeRDD(List(1, 2, 3, 4))
//第一个函数为分区内操作,第二个函数为分区间操作,第一个参数均为初始值
val result: Int = rdd.aggregate(5)(_ + _, _ - _)
println(result) // (1+2+3+4+5)-(5)=10
1.8 fold
函数签名:def fold(zeroValue: T)(op: (T, T) => T): T
函数说明:折叠操作,aggregate
的简化版操作,分区内操作和分区间操作一样
val rdd = sc.makeRDD(List(1, 2, 3, 4))
val result: Int = rdd.fold(5)(_ + _)
println(result) //(1+2+3+4+5)+(5)=20
1.9 countByKey
函数签名:def countByKey(): Map[K, Long]
函数说明:统计每种key
的个数
val rdd = sc.makeRDD(List(("a", 1), ("a", 1), ("b", 1)))
val result: collection.Map[String, Long] = rdd.countByKey()
result.foreach(t => print(t._1 + "=>" + t._2 + " "))//a=>2 b=>1
1.10 foreach
函数签名:
def foreach(f: T => Unit): Unit = withScope {
val cleanF = sc.clean(f)
sc.runJob(this, (iter: Iterator[T]) => iter.foreach(cleanF))
}
函数说明:分布式遍历RDD
中的每一个元素,调用指定函数
val rdd = sc.makeRDD(List(1, 2, 3, 4), 2)
rdd.foreach(t => print(t + " "))//1 2 3 4
1.11 save相关算子
函数签名:
def saveAsTextFile(path: String): Unit
def saveAsObjectFile(path: String): Unit
def saveAsSequenceFile(
path: String,
codec: Option[Class[_ <: CompressionCodec]] = None): Unit
函数说明:将数据保存到不同格式的文件中
// 保存成Text文件
rdd.saveAsTextFile("output")
// 序列化成对象保存到文件
rdd.saveAsObjectFile("output1")
// 保存成Sequencefile文件
rdd.map((_,1)).saveAsSequenceFile("output2")
二、RDD序列化
闭包检查
从计算的角度, 算子以外的代码都是在Driver
端执行, 算子里面的代码都是在Executor
端执行。那么在scala
的函数式编程中,就会导致算子内经常会用到算子外的数据,这样就形成了闭包的效果,如果使用的算子外的数据无法序列化,就意味着无法传值给Executor
端执行,就会发生错误,所以需要在执行任务计算前,检测闭包内的对象是否可以进行序列化,这个操作我们称之为闭包检测。Scala2.12
版本后闭包编译方式发生了改变
Kryo序列化框架
Java
的序列化能够序列化任何的类。但是比较重(字节多),序列化后,对象的提交也比较大。Spark
出于性能的考虑,Spark2.0
开始支持另外一种Kryo
序列化机制。Kryo
速度是Serializable
的10倍。当RDD
在Shuffle
数据的时候,简单数据类型、数组和字符串类型已经在Spark
内部使用Kryo
来序列化。
注意:即使使用Kryo
序列化,也要继承Serializable
接口
示例代码:
def main(args: Array[String]): Unit = {
val sparkConf = new SparkConf()
.setMaster("local")
.setAppName("SerializableTest2")
.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
.registerKryoClasses(Array(classOf[User]))
val sc = new SparkContext(sparkConf)
val rdd = sc.makeRDD(List(1, 2, 3, 4))
val user = new User
rdd.foreach(num => {
println("age = " + (user.age + num))
})
}
class User extends Serializable {
val age: Int = 20
}
三、RDD依赖关系
RDD 血缘关系
RDD
只支持粗粒度转换,即在大量记录上执行的单个操作。将创建RDD
的一系列Lineage
(血统)记录下来,以便恢复丢失的分区。RDD
的Lineage
会记录RDD
的元数据信息和转换行为,当该RDD
的部分分区数据丢失时,它可以根据这些信息来重新运算和恢复丢失的数据分区。
val linesRDD: RDD[String] = sc.textFile("input/1.txt")
println(linesRDD.toDebugString)
print("----------------")
val wordsRDD: RDD[String] = linesRDD.flatMap(_.split(" "))
println(wordsRDD.toDebugString)
print("----------------")
val mapRDD: RDD[(String, Int)] = wordsRDD.map((_, 1))
println(mapRDD.toDebugString)
print("----------------")
val resultRDD: RDD[(String, Int)] = mapRDD.reduceByKey(_ + _)
println(resultRDD.toDebugString)
resultRDD.collect()
打印:
(1) input/1.txt MapPartitionsRDD[1] at textFile at DependencyTest.scala:13 []
| input/1.txt HadoopRDD[0] at textFile at DependencyTest.scala:13 []
----------------
(1) MapPartitionsRDD[2] at flatMap at DependencyTest.scala:17 []
| input/1.txt MapPartitionsRDD[1] at textFile at DependencyTest.scala:13 []
| input/1.txt HadoopRDD[0] at textFile at DependencyTest.scala:13 []
----------------
(1) MapPartitionsRDD[3] at map at DependencyTest.scala:21 []
| MapPartitionsRDD[2] at flatMap at DependencyTest.scala:17 []
| input/1.txt MapPartitionsRDD[1] at textFile at DependencyTest.scala:13 []
| input/1.txt HadoopRDD[0] at textFile at DependencyTest.scala:13 []
----------------
(1) ShuffledRDD[4] at reduceByKey at DependencyTest.scala:25 []
+-(1) MapPartitionsRDD[3] at map at DependencyTest.scala:21 []
| MapPartitionsRDD[2] at flatMap at DependencyTest.scala:17 []
| input/1.txt MapPartitionsRDD[1] at textFile at DependencyTest.scala:13 []
| input/1.txt HadoopRDD[0] at textFile at DependencyTest.scala:13 []
RDD 依赖关系
这里所谓的依赖关系,其实就是RDD
之间的关系
val linesRDD: RDD[String] = sc.textFile("input/1.txt")
println(linesRDD.dependencies)
println("----------------")
val wordsRDD: RDD[String] = linesRDD.flatMap(_.split(" "))
println(wordsRDD.dependencies)
println("----------------")
val mapRDD: RDD[(String, Int)] = wordsRDD.map((_, 1))
println(mapRDD.dependencies)
println("----------------")
val resultRDD: RDD[(String, Int)] = mapRDD.reduceByKey(_ + _)
println(resultRDD.dependencies)
resultRDD.collect()
打印:
List(org.apache.spark.OneToOneDependency@23940f86)
----------------
List(org.apache.spark.OneToOneDependency@3b95d13c)
----------------
List(org.apache.spark.OneToOneDependency@23f72d88)
----------------
List(org.apache.spark.ShuffleDependency@6917bb4)
RDD 窄依赖
窄依赖表示每一个父RDD
的Partition
最多被子RDD
的一个Partition
使用,窄依赖我们形象的比喻为独生子女。
class OneToOneDependency[T](rdd: RDD[T]) extends NarrowDependency[T](rdd)
RDD 宽依赖
宽依赖表示同一个父RDD
的Partition
被多个子RDD
的Partition
依赖,会引起Shuffle
,总结:宽依赖我们形象的比喻为超生。
class ShuffleDependency[K: ClassTag, V: ClassTag, C: ClassTag](
@transient private val _rdd: RDD[_ <: Product2[K, V]],
val partitioner: Partitioner,
val serializer: Serializer = SparkEnv.get.serializer,
val keyOrdering: Option[Ordering[K]] = None,
val aggregator: Option[Aggregator[K, V, C]] = None,
val mapSideCombine: Boolean = false)
extends Dependency[Product2[K, V]]
RDD 阶段划分
如果执行过程中中没有落盘的操作,那么应该是一个完整的阶段;如果执行过程中有落盘的操作,那么应该将阶段一分为二。
该DAG
记录了RDD
的转换过程和任务的阶段:
RDD 任务划分
RDD
任务切分中间分为:Application
、Job
、Stage
和Task
-
Application
:初始化一个SparkContext
即生成一个Application
; -
Job
:一个Action
算子就会生成一个Job
; -
Stage
:Stage
等于宽依赖(ShuffleDependency
)的个数加1; -
Task
:一个Stage
阶段中,最后一个RDD
的分区个数就是Task
的个数。
注意:Application
->Job
->Stage
->Task
每一层都是1对n
的关系。
四、RDD持久化
将计算结果进行缓存,重复使用,提高效率
① RDD Cache缓存
RDD
通过Cache
或者Persist
方法将前面的计算结果缓存,默认情况下会把数据以序列化的形式缓存在JVM
的堆内存中。但是并不是这两个方法被调用时立即缓存,而是触发后面的action
算子时,该RDD
将会被缓存在计算节点的内存中,并供后面重用。
// cache操作会增加血缘关系,不改变原有的血缘关系
println(wordToOneRdd.toDebugString)
// 数据缓存。
wordToOneRdd.cache()
// 可以更改存储级别
//mapRdd.persist(StorageLevel.MEMORY_AND_DISK_2)
存储级别:
object StorageLevel {
val NONE = new StorageLevel(false, false, false, false)
val DISK_ONLY = new StorageLevel(true, false, false, false)
val DISK_ONLY_2 = new StorageLevel(true, false, false, false, 2)
val MEMORY_ONLY = new StorageLevel(false, true, false, true)
val MEMORY_ONLY_2 = new StorageLevel(false, true, false, true, 2)
val MEMORY_ONLY_SER = new StorageLevel(false, true, false, false)
val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, false, 2)
val MEMORY_AND_DISK = new StorageLevel(true, true, false, true)
val MEMORY_AND_DISK_2 = new StorageLevel(true, true, false, true, 2)
val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false, false)
val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, false, 2)
val OFF_HEAP = new StorageLevel(true, true, true, false, 1)
缓存有可能丢失,或者存储于内存的数据由于内存不足而被删除,RDD
的缓存容错机制保证了即使缓存丢失也能保证计算的正确执行。通过基于RDD
的一系列转换,丢失的数据会被重算,由于RDD
的各个Partition
是相对独立的,因此只需要计算丢失的部分即可,并不需要重算全部Partition
。
Spark
会自动对一些Shuffle
操作的中间数据做持久化操作(比如:reduceByKey
)。这样做的目的是为了当一个节点Shuffle
失败了避免重新计算整个输入。但是,在实际使用的时候,如果想重用数据,仍然建议调用persist
或cache
。
② RDD CheckPoint检查点
所谓的检查点其实就是通过将RDD
中间结果写入磁盘;
由于血缘依赖过长会造成容错成本过高,这样就不如在中间阶段做检查点容错,如果检查点之后有节点出现问题,可以从检查点开始重做血缘,减少了开销。
对RDD
进行checkpoint
操作并不会马上被执行,必须执行Action
操作才能触发。
sc.setCheckpointDir("./checkpoint1")
// 创建一个RDD,读取指定位置文件:hello atguigu atguigu
val lineRdd: RDD[String] = sc.textFile("input/1.txt")
// 业务逻辑
val wordRdd: RDD[String] = lineRdd.flatMap(line => line.split(" "))
val wordToOneRdd: RDD[(String, Long)] = wordRdd.map {
word => {
(word, System.currentTimeMillis())
}
}
// 增加缓存,避免再重新跑一个job做checkpoint
wordToOneRdd.cache()
// 数据检查点:针对wordToOneRdd做检查点计算
wordToOneRdd.checkpoint()
// 触发执行逻辑
wordToOneRdd.collect().foreach(println)
③ 缓存和检查点区别
-
Cache
缓存只是将数据保存起来,不切断血缘依赖。Checkpoint
检查点切断血缘依赖。 -
Cache
缓存的数据通常存储在磁盘、内存等地方,可靠性低。Checkpoint
的数据通常存储在HDFS
等容错、高可用的文件系统,可靠性高。 - 建议对
Checkpoint
的RDD
使用Cache
缓存,这样Checkpoint
的job只需从Cache
缓存中读取数据即可,否则需要再从头计算一次RDD
。
五、RDD文件读取与保存
Spark
的数据读取及数据保存可以从两个维度来作区分:文件格式以及文件系统。
- 文件格式分为:
text
文件、csv
文件、sequence
文件以及Object
文件; - 文件系统分为:本地文件系统、
HDFS
、HBase
以及数据库。
text 文件
// 读取输入文件
val inputRDD: RDD[String] = sc.textFile("input/1.txt")
// 保存数据
inputRDD.saveAsTextFile("output")
sequence 文件
sequenceFile
文件是Hadoop
用来存储二进制形式的key-value
对而设计的一种平面文件(Flat File
)。在SparkContext
中,可以调用sequenceFile[keyClass, valueClass](path)
。
// 保存数据为SequenceFile
dataRDD.saveAsSequenceFile("output")
// 读取SequenceFile文件
sc.sequenceFile[Int,Int]("output").collect().foreach(println)
object 对象文件
对象文件是将对象序列化后保存的文件,采用Java
的序列化机制。可以通过objectFile[T: ClassTag](path)
函数接收一个路径,读取对象文件,返回对应的RDD,也可以通过调用saveAsObjectFile()
实现对对象文件的输出。因为是序列化所以要指定类型。
// 保存数据
dataRDD.saveAsObjectFile("output")
// 读取数据
sc.objectFile[Int]("output").collect().foreach(println)