spark collect算子作用

• 
  

前言

1.什么是Spark

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。
Spark是Scala编写，方便快速编程。
处理场景：批处理（spark core）、流处理(spark steaming)、即席查询(spark SQL)，后期会往深度学习发展。

2.总体技术栈讲解

底层向上：资源调度框架（YARN）->分布式文件系统（HDFS，基于磁盘存储数据，单位是Block，3个副本备份策略：先本机架，再出机架）->基于内存的文件系统（Tochyon）->Hadoop MR(数据节点之间传输，map到reduce端的过程就是shuffle) ->hive（元数据存储在MYSQL，Derby不支持多用户存储连接；数据仓库）->storm（流式处理框架）->spark steaming ->spark -> BlinkDB（分布式，精确度查询）

3.Spark演变历史

• 发展尤为迅速：2012年开始
• 官网：http://spark.apache.org/

4.Spark与MapReduce的区别

都是分布式计算框架，Spark基于内存（从内存到磁盘），MR基于HDFS（从磁盘到磁盘的过程）。Spark处理数据的能力一般是MR的十倍以上，Spark中除了基于内存计算外，还有DAG有向无环图来切分任务的执行先后顺序。替换不了Hadoop，没有HDFS存储。

5.Spark运行模式

• Local
  多用于本地测试，如在eclipse，idea中写程序测试等。
• Standalone
  Standalone是Spark自带的一个资源调度框架，它支持完全分布式。
• Yarn
  Hadoop生态圈里面的一个资源调度框架，Spark也是可以基于Yarn来计算的。
• Mesos：资源调度框架。
  要基于Yarn来进行资源调度，必须实现AppalicationMaster接口，Spark实现了这个接口，所以可以基于Yarn。

6.SparkCore

（1）RDD

• 概念: RDD(Resilient Distributed Dateset)，弹性分布式数据集。
• RDD的五大特性：
  1.RDD是由一系列的partition组成的（partition的个数跟block块个数一致）。
  2.算子（函数）是作用在每一个partition（split）上的。
  3.RDD之间有一系列的依赖关系（RDD2丢失了，RDD2依赖RDD1可找回）。
  4.分区器（决定数据去往哪个分区）是作用在K,V格式的RDD上。
  5.RDD中partition提供一系列最佳的计算位置，体现数据处理的本地化。体现了大数据中“计算移动数据不移动”的理念。
• RDD理解图:
• 注意：
  1.sc.textFile方法底层封装的是读取MR读取HDFS文件的方式，读取文件之前先split，默认split大小是一个block大小相同，这个split对应RDD的一个partition。
  2.RDD实际上不存储数据，只是存储逻辑，这里方便理解，暂时理解为存储数据。
  3.什么是K,V格式的RDD?
  如果RDD里面存储的数据都是二元组对象（Tuple2），那么这个RDD我们就叫做K,V格式的RDD。
  4.哪里体现RDD的弹性（容错）？
  1）partition数量，大小没有限制，可多可少，体现了RDD的弹性。
  2）RDD之间依赖关系，可以基于上一个RDD重新计算出RDD。
  5.哪里体现RDD的分布式？
  RDD是由Partition组成，partition是分布在不同（多个）节点上的。

（2）Spark任务执行原理

以上图中有四个机器节点，Driver和Worker是启动在节点上的进程，运行在JVM中的进程。

• Driver进程向Worker节点发送tasks，RAM是内存，也就是spark基于内存计算数据，并返回结果给Driver。
• 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（内存溢出的风险）。
• Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM进程。
• Master是Standalone资源调度框架里面资源管理的主节点。也是JVM进程。

（3）Spark代码流程

1.创建SparkConf对象

• 可以设置Application name。
• 可以设置运行模式及资源需求。

2.创建SparkContext对象
3.基于Spark的上下文创建一个RDD，对RDD进行处理。
4.应用程序中要有Action类算子来触发Transformation类算子执行。(只有执行这一步，才会返回结果)
5.关闭Spark上下文对象SparkContext。

（4）Transformations转换算子

• 概念：
  Transformations类算子是一类算子（函数）叫做转换算子，如map,flatMap,reduceByKey等。Transformations算子是延迟执行，也叫懒加载执行。
  Transformation类算子：
• filter
  过滤符合条件的记录数，true保留，false过滤掉。
• map
  将一个RDD中的每个数据项，通过map中的函数映射变为一个新的元素。
  特点：输入一条，输出一条数据。
• flatMap
  先map后flat。与map类似，每个输入项可以映射为0到多个输出项。
• sample
  随机抽样算子，根据传进去的小数按比例进行又放回或者无放回的抽样。
  JavaRDD lines.sample(true, 0.1, 100) //有放回，十条数据左右,100条种子
• reduceByKey
  将相同的Key根据相应的逻辑进行处理。
• sortByKey/sortBy
  作用在K,V格式的RDD上，对key进行升序或者降序排序。

val conf = new SparkConf().setMaster("test").setAppName("local")
val sc = new SparkContext(conf)
val lines = sc.textFile("./words")
val reduceResult = lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
reduceResult.map(_.swap).sortByKey(false).map(_.swap).foreach(println)

（5）Action行动算子

• 概念：
  Action类算子也是一类算子（函数）叫做行动算子，如foreach,collect，count等。Transformations类算子是延迟执行，Action类算子是触发执行。一个application应用程序中有几个Action类算子执行，就有几个job运行。
  Action类算子：
• 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。
• take(n)
  返回一个包含数据集前n个元素的集合。
• first
  first=take(1),返回数据集中的第一个元素。
• foreach
  循环遍历数据集中的每个元素，运行相应的逻辑。
• collect
  将计算结果回收到Driver端。

实现一千万条数据量的文件，过滤掉出现次数多的记录，并且其余记录按照出现次数降序排序。

import java.util.Arrays;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;

import scala.Tuple2;
/**
 * 动态统计出现次数最多的单词个数，过滤掉。
 */
public class Demo1 {
	public static void main(String[] args) {
		SparkConf conf = new SparkConf();
		conf.setMaster("local").setAppName("demo1");
		JavaSparkContext jsc = new JavaSparkContext(conf);
		JavaRDD<String> lines = jsc.textFile("./records.txt");
		JavaRDD<String> flatMap = lines.flatMap(new FlatMapFunction<String, String>() {
		  
			private static final long serialVersionUID = 1L;

			@Override
			public Iterable<String> call(String t) throws Exception {
				return Arrays.asList(t.split(" "));
			}
		});
		JavaPairRDD<String, Integer> mapToPair = flatMap.mapToPair(new PairFunction<String,String, Integer>() {
		  
			private static final long serialVersionUID = 1L;

			@Override
			public Tuple2<String, Integer> call(String t) throws Exception {
				return new Tuple2<String, Integer>(t, 1);
			}
		});
		
		JavaPairRDD<String, Integer> sample = mapToPair.sample(true, 0.5);
		
		final List<Tuple2<String, Integer>> take = sample.reduceByKey(new Function2<Integer,Integer,Integer>(){
		  
			private static final long serialVersionUID = 1L;

			@Override
			public Integer call(Integer v1, Integer v2) throws Exception {
				return v1+v2;
			}
			
		}).mapToPair(new PairFunction<Tuple2<String,Integer>, Integer, String>() {
		  
			private static final long serialVersionUID = 1L;

			@Override
			public Tuple2<Integer, String> call(Tuple2<String, Integer> t)
					throws Exception {
				return new Tuple2<Integer, String>(t._2, t._1);
			}
		}).sortByKey(false).mapToPair(new PairFunction<Tuple2<Integer,String>, String, Integer>() {

			/**
			 * 
			 */
			private static final long serialVersionUID = 1L;

			@Override
			public Tuple2<String, Integer> call(Tuple2<Integer, String> t)
					throws Exception {
				return new Tuple2<String, Integer>(t._2, t._1);
			}
		}).take(1);
		
		System.out.println("take--------"+take);
		
		JavaPairRDD<String, Integer> result = mapToPair.filter(new Function<Tuple2<String,Integer>, Boolean>() {
		  
			private static final long serialVersionUID = 1L;

			@Override
			public Boolean call(Tuple2<String, Integer> v1) throws Exception {
				return !v1._1.equals(take.get(0)._1);
			}
		}).reduceByKey(new Function2<Integer,Integer,Integer>(){
		  
			private static final long serialVersionUID = 1L;

			@Override
			public Integer call(Integer v1, Integer v2) throws Exception {
				return v1+v2;
			}
			
		}).mapToPair(new PairFunction<Tuple2<String,Integer>, Integer, String>() {

			private static final long serialVersionUID = 1L;

			@Override
			public Tuple2<Integer, String> call(Tuple2<String, Integer> t)
					throws Exception {
				return new Tuple2<Integer, String>(t._2, t._1);
			}
		}).sortByKey(false).mapToPair(new PairFunction<Tuple2<Integer,String>, String, Integer>() {

			private static final long serialVersionUID = 1L;

			@Override
			public Tuple2<String, Integer> call(Tuple2<Integer, String> t)
					throws Exception {
				return new Tuple2<String, Integer>(t._2, t._1);
			}
		});
		
		result.foreach(new VoidFunction<Tuple2<String,Integer>>() {
		  
			private static final long serialVersionUID = 1L;

			@Override
			public void call(Tuple2<String, Integer> t) throws Exception {
				System.out.println(t);
			}
		});
		
		jsc.stop();
		
	}
}

（6）控制算子

• 概念：
  控制算子有三种，cache,persist,checkpoint，以上算子都可以将RDD持久化，持久化的单位是partition。cache和persist都是懒执行的。必须有一个action类算子触发执行。checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关系。
• cache
  默认将RDD的数据持久化到内存中。cache是懒执行。
  注意：cache () = persist()=persist(StorageLevel.Memory_Only)
• 测试cache文件：
  文件：见“NASA_access_log_Aug95”文件。
  测试代码：

SparkConf conf = new SparkConf();
 conf.setMaster("local").setAppName("CacheTest");
 JavaSparkContext jsc = new JavaSparkContext(conf);
 JavaRDD<String> lines = jsc.textFile("./NASA_access_log_Aug95");

 lines = lines.cache();
 long startTime = System.currentTimeMillis();
 long count = lines.count();
 long endTime = System.currentTimeMillis();
 System.out.println("共"+count+ "条数据，"+"初始化时间+cache时间+计算时间="+(endTime-startTime));
		
 long countStartTime = System.currentTimeMillis();
 long countrResult = lines.count();
 long countEndTime = System.currentTimeMillis();
 System.out.println("共"+countrResult+ "条数据，"+"计算时间="+ (countEndTime-countStartTime));
		
 jsc.stop();
//第二次时间减少

• persist：
  可以指定持久化的级别。最常用的是MEMORY_ONLY（只放在内存中）和MEMORY_AND_DISK。”_2”表示有副本数。
  持久化级别如下：



• 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。
  错误：rdd.cache().count() 返回的不是持久化的RDD，而是一个数值了。

checkpoint
checkpoint将RDD持久化到磁盘，还可以切断RDD之间的依赖关系。

• 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。
• 使用：
  checkpoint需要设置checkpoint目录，sc.setCheckpointDir(…);rdd.checkpoint();

SparkConf conf = new SparkConf();
 conf.setMaster("local").setAppName("checkpoint");
 JavaSparkContext sc = new JavaSparkContext(conf);
 sc.setCheckpointDir("./checkpoint");
 JavaRDD<Integer> parallelize = sc.parallelize(Arrays.asList(1,2,3));
 parallelize.checkpoint();
 parallelize.count();
 sc.stop();

3.集群搭建以及测试
1.搭建

• Standalone
  1).下载安装包：Spark Download，解压 ：
  
  2).改名
  
  3).进入安装包的conf目录下，修改slaves.template文件，添加从节点。保存。
  
  4).修改spark-env.sh
  SPARK_MASTER_IP:master的ip
  SPARK_MASTER_PORT:提交任务的端口，默认是7077
  SPARK_WORKER_CORES：每个worker从节点能够支配的core的个数
  SPARK_WORKER_MEMORY:每个worker从节点能够支配的内存数
  
  5).同步到其他节点上
  
  6).启动集群
  进入sbin目录下，执行当前目录下的./start-all.sh
  
  7).搭建客户端
  将spark安装包原封不动的拷贝到一个新的节点上，然后，在新的节点上提交任务即可。

注意：

• 8080是Spark WEBUI界面的端口，7077是Spark任务提交的端口。
• 修改master的WEBUI端口：
  1.修改start-master.sh即可。
  
  2.也可以在Master节点上导入临时环境变量，只是作用于之后的程序，重启就无效了。
  
  删除临时环境变量：
• yarn
  1). 1，2，3，4，5，7步同standalone。
  2).在客户端中配置：
  
  案例：
• Standalone提交命令：

./spark-submit 
--master spark://node1:7077 
--class org.apache.spark.examples.SparkPi ../lib/spark-examples-1.6.0-hadoop2.6.0.jar 10000

• YARN提交命令：

./spark-submit 
--master yarn
--class org.apache.spark.examples.SparkPi ../lib/spark-examples-1.6.0-hadoop2.6.0.jar 10000