一、RDD

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。
2. 算子（函数）是作用在每一个partition上的。
3. RDD之间有一系列的依赖关系。
4. 分区器是作用在K,V格式的RDD上。
5. RDD提供一系列最佳的计算位置。

RDD理解图

RDD图.png

• textFile方法底层封装的是读取MapReduce读取文件的方式，读取文件之前先split，默认split大小是一个block大小（128M），每个split对应生产RDD的每个partition。
• RDD实际上不存储数据，这里方便理解，暂时理解为存储数据。
• 什么是K,V格式的RDD?
  如果RDD里面存储的数据都是二元组（Tuple）对象，那么这个RDD我们就叫做K,V格式的RDD。
• 哪里体现RDD的弹性（容错）？
  partition数量，大小没有限制，体现了RDD的弹性。
  RDD之间依赖关系，可以基于上一个RDD重新计算出RDD。
• 哪里体现RDD的分布式？
  RDD是由Partition组成，partition是分布在不同节点上的。
• RDD提供计算最佳位置，体现了数据本地化。体现了大数据中“计算移动数据不移动”的理念。

窄依赖和宽依赖

RDD之间有一系列的依赖关系，依赖关系又分为窄依赖和宽依赖。

• 窄依赖
  父RDD和子RDD partition之间的关系是一对一的。或者父RDD一个partition只对应一个子RDD的partition情况下的父RDD和子RDD partition关系是多对一的。不会有shuffle的产生。
• 宽依赖
  父RDD与子RDD partition之间的关系是一对多。会有shuffle的产生。

RDD的宽窄依赖.jpg

二、Spark任务执行原理

Spark任务执行原理.png

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与集群节点之间有频繁的通信。
• 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。
• 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。

三、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。
5. 关闭Spark上下文对象SparkContext。

四、Spark算子

1.Transformations转换算子

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。

• 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。

• 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。

• 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。

• intersection
  取两个数据集的交集，返回新的RDD与父RDD分区多的一致

• 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。

• mapPartitions
  与map类似，遍历的单位是每个partition上的数据。

• distinct(map+reduceByKey+map)

• 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<V>,Iterable<W>）），子RDD的分区与父RDD多的一致。

• mapPartitionWithIndex
  类似于mapPartitions,除此之外还会携带分区的索引值。

• repartition
  增加或减少分区。会产生shuffle。（多个分区分到一个分区不会产生shuffle）

• coalesce
  coalesce常用来减少分区，第二个参数是减少分区的过程中是否产生shuffle。
  true为产生shuffle，false不产生shuffle。默认是false。
  如果coalesce设置的分区数比原来的RDD的分区数还多的话，第二个参数设置为false不会起作用，如果设置成true，效果和repartition一样。即repartition(numPartitions) = coalesce(numPartitions,true)

• groupByKey
  作用在K，V格式的RDD上。根据Key进行分组。作用在（K，V），返回（K，Iterable <V>）。

• zip
  将两个RDD中的元素（KV格式/非KV格式）变成一个KV格式的RDD,两个RDD的每个分区元素个数必须相同。

• zipWithIndex
  该函数将RDD中的元素和这个元素在RDD中的索引号（从0开始）组合成（K,V）对。

2.Action行动算子

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。

• foreachPartition
  遍历的数据是每个partition的数据。

• countByKey
  作用到K,V格式的RDD上，根据Key计数相同Key的数据集元素。

• countByValue
  根据数据集每个元素相同的内容来计数。返回相同内容的元素对应的条数。

• reduce
  根据聚合逻辑聚合数据集中的每个元素。

3.控制算子

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：chche () = persist()=persist(StorageLevel.Memory_Only)

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

  persist持久化级.png

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
  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：
　当RDD的job执行完毕后，会从finalRDD从后往前回溯。
　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。
　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代码示例：

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();