2. PySpark——RDD编程入门

[TOC]

2.1 程序执行入口SparkContext对象

Spark RDD 编程的程序入口对象是SparkContext对象(不论何种编程语言)

只有构建出SparkContext, 基于它才能执行后续的API调用和计算

本质上, SparkContext对编程来说, 主要功能就是创建第一个RDD出来

代码演示:

1
2
3
4
5
6
7
8
9
# coding:utf8

# 导入Spark相关包
from pyspark import SparkConf, SparkContext
if __name__ == '__main__':
# 构建SparkConf对象
conf = SparkConf().setAppName ("helloSpark").setMaster("local[*]")
# 构建SparkContext执行环境入口对象
sc = SparkContext(conf=conf)

master的种类:

  1. local:local[N]:表示以N核CPU执行,local[*]:给予local进程 所有CPU核心的使用权
  2. standlone:spark://node1:7077
  3. yarn 模式

2.2 RDD的创建

RDD的创建主要有2种方式:

通过并行化集合创建 ( 本地对象 转 分布式RDD )

读取外部数据源 ( 读取文件 )

image-20230728224639737

2.2.1 并行化创建

概念:并行化创建,是指将本地集合转向分布式RDD,这一步就是分布式的开端:本地转分布式

API

rdd = spakcontext.parallelize(参数1,参数2)

参数1 集合对象即可,比如list

参数2 分区数

完整代码:

1
2
3
4
5
6
7
8
9
10
11
12
13
# coding:utf8
from pyspark import SparkConf,SparkContext

if __name__ == '__main__':
# 0. 构建Spark执行环境
conf = SparkConf().setAppName("create rdd").setMaster("local[*]")
sc = SparkContext(conf=conf)

# sc 对象的parallelize方法,可以将本地集合转换成RDD返回给你
data = [1,2,3,4,5,6,7,8,9]
rdd = sc.parallelize(data,numSlices=3)

print(rdd.collect())

执行结果:

1
2
3
4
5
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
[1, 2, 3, 4, 5, 6, 7, 8, 9]

Process finished with exit code 0

2.2.2 获取RDD分区数

getNumPartitions API :获取RDD分区数量,返回值是Int数字

用法:rdd.getNumPartitions()

例如,基于上述代码设置了3为分区数,调用以下代码

1
print(rdd.getNumPartitions())

则会输出结果:3

完整案例代码:01_create_parallelize.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
# coding:utf8

# 导入Spark相关包
from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
# 0. 初始化执行环境 构建SparkContext对象,本地集合--> 分布式对象(RDD)
conf = SparkConf().setAppName ("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

# 演示通过并行化集合的方式去创建RDD
rdd = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9])
# parallelize方法,没有给定分区数,默认分区数是多少? 根据CPU核心来定
print("默认分区数:", rdd.getNumPartitions())

rdd = sc.parallelize([1, 2, 3], 3)
print("分区数:", rdd.getNumPartitions())

# collect方法,是将RDD(分布式对象)中每个分区的数据,都发送到Driver中,形成一个Python List对象
# collect:分布式 转--> 本地集合

print("rdd的内容是:", rdd.collect())
print(type(rdd.collect()))

输出结果:

1
2
3
4
默认分区数: 8
分区数: 3
rdd的内容是: [1, 2, 3]
<class 'list'>

2.2.3 读取文件创建

textFileAPI

这个API可以读取本地数据,也可以读取hdfs数据

使用方法

sparkcontext.textFile(参数1,参数2)

参数1,必填,文件路径 支持本地文件 支持HDFS 也支持一些比如S3协议

参数2 可选,表示最小分区数量

注意:参数2 话语权不足,spark有自己的判断,在它允许的范围内,参数2有效果,超出spark允许的范围,参数2失效

案例代码:02_create_textFile.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
# coding : utf8
from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("02_create_textFile").setMaster("local[*]")
sc = SparkContext(conf=conf)

# 通过textFile API 读取数据

# 读取本地文件数据
file_rdd1 = sc.textFile("../data/input/words.txt")

print("默认读取分区数:", file_rdd1.getNumPartitions())
print("file_rdd1 内容:", file_rdd1.collect())
#
# # 加最小分区数的测试
file_rdd2 = sc.textFile("../data/input/words.txt",3)
file_rdd3 = sc.textFile("../data/input/words.txt",100)

print("file_rdd2 分区数:", file_rdd2.getNumPartitions())
print("file_rdd3 分区数:", file_rdd3.getNumPartitions())

# 读取hdfs文件数据测试
hdfs_rdd = sc.textFile("hdfs://Tnode1:8020/input/words.txt")
print("hdfs_rdd 分区数:", hdfs_rdd.getNumPartitions())
print("hdfs_rdd 内容:", hdfs_rdd.collect())

输出结果:

1
2
3
4
5
6
默认读取分区数: 2
file_rdd1 内容: ['hello spark', 'hello hadoop', 'hello flink']
file_rdd2 内容: 4
file_rdd3 内容: 38
hdfs_rdd 分区: 2
hdfs_rdd 内容: ['hello spark', 'hello hadoop', 'hello flink']

wholeTextFile 读取文件的API,有个适用场景:适合读取一堆小文件

这个API是小文件读取专用

用法:

1
2
3
4
5
6
7
sparkcontext.textFile(参数1,参数2)

# 参数1,必填,文件路径 支持本地文件 支持HDFS 也支持一些比如S3协议

# 参数2 可选,表示最小分区数量

# 注意:参数2 话语权不足,spark有自己的判断,在它允许的范围内,参数2有效果,超出spark允许的范围,参数2失效

这个API偏向于少量分区读取数据

因为,这个API表明了自己是小文件读取专用,那么文件的数据很小、分区很多,

导致shuffle的几率更高,所以尽量少分区读取数据

案例代码:03_create_wholeTextFile.py

1
2
3
4
5
6
7
8
9
10
11
12
# coding:utf8
from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

# 读取小文件文件夹
rdd = sc.wholeTextFiles("../data/input/tiny_files")
print(rdd.collect())
print(rdd.map(lambda x: x[1]).collect())

输出结果:

1
2
3
[('file:/tmp/pycharm_project_937/PySpark01/data/input/tiny_files/1.txt', 'hello spark\r\nhello hadoop\r\nhello flink'), ('file:/tmp/pycharm_project_937/PySpark01/data/input/tiny_files/2.txt', 'hello spark\r\nhello hadoop\r\nhello flink'), ('file:/tmp/pycharm_project_937/PySpark01/data/input/tiny_files/3.txt', 'hello spark\r\nhello hadoop\r\nhello flink'), ('file:/tmp/pycharm_project_937/PySpark01/data/input/tiny_files/4.txt', 'hello spark\r\nhello hadoop\r\nhello flink'), ('file:/tmp/pycharm_project_937/PySpark01/data/input/tiny_files/5.txt', 'hello spark\r\nhello hadoop\r\nhello flink')]
['hello spark\r\nhello hadoop\r\nhello flink', 'hello spark\r\nhello hadoop\r\nhello flink', 'hello spark\r\nhello hadoop\r\nhello flink', 'hello spark\r\nhello hadoop\r\nhello flink', 'hello spark\r\nhello hadoop\r\nhello flink']

2.3 RDD算子

算子是什么?

算子:分布式集合对象上的API称之为算子

​ 方法、函数:本地对象的API,叫做方法、函数

​ 算子:分布式对象的API,叫做算子

算子分类

​ RDD的算子 分成2类

  • ​ Transformation:转换算子
  • ​ Action:动作(行动)算子

Transformation 算子:

​ 定义:RDD的算子,返回值任然是一个RDD的,称之为转换算子

​ 特性:这类算子lazy 懒加载的,如果没有action算子,Transformation算子是不工作的

Action算子

​ 定义:返回值不是rdd的就是action算子

对于这两类算子来说,Transformation算子,相当于在构建执行计划,action是一个指令让这个执行计划开始工作。

如果没有actionTransformation算子之间的迭代关系,就是一个没有通电的流水线,

只有action到来,这个数据处理的流水线才开始工作

image-20230729153842438

image-20230729153933547

2.4 常用Transformation算子

2.4.1 map算子

演示代码:04_operators_map.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
# coding:utf8
from pyspark import SparkConf, SparkContext


def addNum(data):
return data * 10


if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd1 = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9], 4)

rdd2 = rdd1.map(lambda x: x * 10)
rdd3 = rdd1.map(addNum)

result = rdd2.collect()

print(result)
print(rdd3.collect())

输出结果:

1
2
[10, 20, 30, 40, 50, 60, 70, 80, 90]
[10, 20, 30, 40, 50, 60, 70, 80, 90]

对于传入参数的lambda表达式

传入方法作为传参的时候,可以选择

  1. 定义方法,传入其方法名
  2. 使用lambda 匿名方法的方式

一般,如果方法体可以一行写完,用lambda方便。

如果方法体复杂,就直接定义方法更方便

2.4.2 flatMap算子

功能:对rdd执行map操作,然后进行解除嵌套操作

解除嵌套

image-20230729164647747

演示代码:05_operators_flatMap.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# coding:utf8
from pyspark import SparkConf, SparkContext


def addNum(data):
return data * 10


if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd1 = sc.parallelize(["hadoop spark hadoop", "spark hadoop hadoop", "hadoop flink spark"])

# 得到所有的单词,组成rdd,flatMap的传入参数和map一致,就是给map逻辑用的,解除嵌套无需逻辑(传参)
rdd2 = rdd1.flatMap(lambda line: line.split(" "))
print(rdd2.collect())

输出结果:

1
['hadoop', 'spark', 'hadoop', 'spark', 'hadoop', 'hadoop', 'hadoop', 'flink', 'spark']

注意:flatMap只适合用于有“嵌套”的rdd,直接用于没有嵌套的rdd会报错

2.4.3 reduceByKey算子

功能:针对KV型的RDD,自动按照key分组,然后根据你提供的聚合逻辑,完成组内数据(value)的聚合操作。

用法:

1
2
3
rdd.reduceByKey(func)
# func:(V,V) ——>V
# 接收2个传入参数(类型要一致),返回一个返回值,类型和传入要求一致。

reduceByKey的聚合逻辑是:

比如,有[1,2,3,4,5],然后聚合函数是:lambda a,b: a+ b

image-20230729165607077

注意:reduceByKey中接收的函数,只负责聚合,不理会分组

分组是自动 byKey来分组的。

代码演示:06_operators_reduceByKey.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
# coding:utf8
from pyspark import SparkConf, SparkContext


def addNum(data):
return data * 10


if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([('a', 1), ('a', 1), ('b', 1), ('b', 1), ('a', 1)])
rdd2 = sc.parallelize([('a', 1), ('a', 11), ('b', 3), ('b', 1), ('a', 5)])
rdd3 = sc.parallelize([('a', 1), ('a', 11), ('b', 3), ('b', 1), ('a', 5)])

rdd = rdd.reduceByKey(lambda a, b: a + b)

rdd2 = rdd2.map(lambda x: (x[0], x[1] * 10))
# 只操作value的算子
rdd3 = rdd3.mapValues(lambda value: value * 10)

# recudeByKey 对相同key的数据执行聚合相加
print(rdd.collect())
print(rdd2.collect())
print(rdd3.collect())

输出结果:

1
2
3
[('a', 3), ('b', 2)]
[('a', 10), ('a', 110), ('b', 30), ('b', 10), ('a', 50)]
[('a', 10), ('a', 110), ('b', 30), ('b', 10), ('a', 50)]

2.4.4 WordCount回顾

代码演示:07_wordcount_example.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
# coding:utf8

from pyspark import SparkContext, SparkConf

if __name__ == '__main__':
# 构建SparkConf对象
conf = SparkConf().setAppName("test").setMaster("local[*]")
# 构建SparkContext执行环境入口对象
sc = SparkContext(conf=conf)

# 1.读取文件获取数据 构建RDD
file_rdd = sc.textFile(r"../data/input/words.txt")

# 2. 通过flatMap API取出所有的单词
word_rdd = file_rdd.flatMap(lambda x: x.split(" "))

# 3.将单词转换成元组,key是单词,value是1
word_with_one_rdd = word_rdd.map(lambda word:(word,1))

# 4. 用reduceByKey 对单词进行分组并进行value的聚合
result_rdd = word_with_one_rdd.reduceByKey(lambda a,b:a+b)

# 5. 通过collect算子,将rdd的数据收集到Driver中,打印输出
print(result_rdd.collect())

输出结果:

1
[('hadoop', 1), ('hello', 3), ('spark', 1), ('flink', 1)]

2.4.5 groupBy算子

功能:将rdd的数据进行分组

语法:

1
2
3
4
5
6
rdd.groupBy(func)
# func 函数
# func:(T)——>k
# 函数要求传入一个参数,返回一个返回值,类型无所谓
# 这个函数是 拿到你返回值后,将所有相同返回值的放入一个组中
# 分组完成后,每一个组是一个二元元组,key就是返回值,所有同组的数据放入一个迭代器对象中作为value

代码演示:08_oprators_groupBy.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# coding:utf8

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([('a', 1), ('a', 1), ('b', 1), ('b', 1), ('b', 1)])

# 通过groupBy对数据进行分组
# groupBy传入的函数的意思是:通过这个函数,确定按照谁来分组(返回谁即可)
# 分组规则和SQL是一致的,也就是相同的在一个组(Hash分组)
result = rdd.groupBy(lambda t: t[0])
print(result.collect())
print("hello")
print(result.map(lambda t: (t[0], list(t[1]))).collect())

输出结果:

1
2
3
[('a', <pyspark.resultiterable.ResultIterable object at 0x7f85fa80eca0>), ('b', <pyspark.resultiterable.ResultIterable object at 0x7f85fa80ebb0>)]
hello
[('a', [('a', 1), ('a', 1)]), ('b', [('b', 1), ('b', 1), ('b', 1)])]

2.4.6 Filter算子

功能:过滤,把想要的数据进行保留

语法:

1
2
rdd.filter(func)
# func:(T)——>bool 传入1个随意类型参数进来,返回值必须是True or False

返回值是True的数据被保留,False的数据被丢弃

代码演示:09_operators_filter.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# coding:utf8

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1, 2, 3, 4, 5, 6])

# 通过Filter算子,过滤奇数,filter 只返回true的值
result = rdd.filter(lambda x: x % 2 == 1)

print(result.collect())

输出结果:

1
[1, 3, 5]

2.4.7 distinct算子

功能:对RDD数据进行去重,返回新的RDD

语法:

1
2
rdd.distinct(参数1)
# 参数1,去重分区数量,一般不用传

演示代码:10_operators_distinct.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# coding:utf8

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1, 1, 1, 2, 2, 2, 3, 3, 3])

# distinct 进行RDD数据去重操作
print(rdd.distinct().collect())

rdd2 = sc.parallelize([('a', 1), ('a', 1), ('a', 3)])
print(rdd2.distinct().collect())

输出结果:

1
2
[1, 2, 3]
[('a', 3), ('a', 1)]

2.4.8 union算子

功能:2个rdd合并成1个rdd返回

用法:rdd.union(other_rdd)

注意:只合并,不会去重

代码演示:11_operators_union.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# coding:utf8

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd1 = sc.parallelize([1, 1, 3, 3])
rdd2 = sc.parallelize(["a","b","a"])

rdd3 = rdd1.union(rdd2)

print(rdd3.collect())
print(rdd3.distinct().collect())

"""
1. 可以看到union算子是不会去重的
2. RDD的类型不同也是可以合并的
"""

输出结果:

1
2
[1, 1, 3, 3, 'a', 'b', 'a']
[1, 3, 'b', 'a']

2.4.9 join算子

功能:对两个RDD执行JOIN操作(可实现SQL的内、外连接)

注意:join算子只能用于二元元组

语法:

1
2
3
rdd.join(other_rdd) #内连接
rdd.leftOuterJoin(other_rdd) # 左外
rdd.rightOuterJoin(other_rdd) # 右外

代码演示:12_operators_join.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# coding:utf8

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd1 = sc.parallelize([(1001, "张三"), (1002, '李四'), (1003, '王五'), (1004, '赵六')])
rdd2 = sc.parallelize([(1001, "销售部"), (1002, '科技部')])

# 通过join算子来进行rdd之间的关联
# 对于join算子来说 关联条件 按照二元元组的key来进行关联

# 内连接
print(rdd1.join(rdd2).collect())

# 左外连接
print(rdd1.leftOuterJoin(rdd2).collect())

# 右外连接
print(rdd1.rightOuterJoin(rdd2).collect())

输出结果:

1
2
3
[(1001, ('张三', '销售部')), (1002, ('李四', '科技部'))]
[(1001, ('张三', '销售部')), (1002, ('李四', '科技部')), (1003, ('王五', None)), (1004, ('赵六', None))]
[(1001, ('张三', '销售部')), (1002, ('李四', '科技部'))]

2.4.10 intersection 算子

功能:求2个rdd的交集,返回一个新rdd

用法:rdd.intersection(other_rdd)

代码演示:13_operators_intersection.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# coding:utf8

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd1 = sc.parallelize([('a',1),('a',3)])
rdd2 = sc.parallelize([('a',1),('b',3)])

# 通过intersection算子求RDD之间的交集,将交集取出,返回新RDD
rdd3 = rdd1.intersection(rdd2)

print(rdd3.collect())

输出结果:

1
[('a', 1)]

2.4.11 glom算子

功能:将RDD的数据,加上嵌套,这个嵌套按照分区来进行

比如RDD数据[1,2,3,4,5]有两个分区

那么,被glom后,数据变成:[[1,2,3],[4,5]]

使用方法:rdd.glom()

代码演示:14_operators_glom.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# coding:utf8

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10],2)
rdd2 = sc.parallelize([1,2,3,4,5,6,7,8,9,10])

print(rdd.glom().collect())
print(rdd.glom().flatMap(lambda x:x).collect()) # 用flatMap解嵌套
print(rdd2.glom().collect())

输出结果:

1
2
3
[[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]]
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
[[1], [2], [3], [4, 5], [6], [7], [8], [9, 10]]

2.4.12 groupByKey算子

功能:针对KV型RDD,自动按照key分组

用法:rdd.groupByKey() 自动按照key分组

代码演示:15_operators_groupByKey.py

1
2
3
4
5
6
7
8
9
10
11
12
13
# coding:utf8

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([('a', 1), ('a', 1), ('a', 1,), ('b', 1), ('b', 1)])

rdd2 = rdd.groupByKey()

print(rdd2.map(lambda x:(x[0],list(x[1]))).collect())

输出结果:

1
[('a', [1, 1, 1]), ('b', [1, 1])]

2.4.13 sortBy算子

功能:对RDD数据进行排序,基于你指定的排序依据

语法:

1
2
3
4
rdd.sortBy(func,ascending=False,numPartitions=1)
# func:(T)——>U:告知按照rdd中的哪个数据进行排序,比如lambda x:x[1] 表示按照rdd中的第二列元素进行排序
# ascending = True升序;False 降序
# numPartition:用多少分区来排序

注意:如果要全局有序,排序分区数请设置为1,因为生产环境下,分区数大于1,很可能只得到局部有序的结果

代码演示:16_operators_sortBy.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
# coding:utf8

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([('g', 3), ('c', 1), ('b', 2,), ('a', 9), ('h', 10), ('i', 4), ('l', 26,), ('o', 1), ('d', 7)])

# 使用sortBy对rdd进行排序
# 参数1 函数,表示的是,告诉spark按照数据的哪个列进行排序
# 参数2 bool,True表示升序,False表示降序
# 参数3 分区数设置

"""注意:如果要全局有序,排序分区数请设置为1,因为生产环境下,分区数大于1,很可能只得到局部有序的结果"""
rdd2 = rdd.sortBy(lambda x:x[1],ascending=True,numPartitions=3)
rdd3 = rdd.sortBy(lambda x:x[0],ascending=True,numPartitions=8)


print(rdd2.collect())
print(rdd3.collect())

输出结果:

1
2
[('c', 1), ('o', 1), ('b', 2), ('g', 3), ('i', 4), ('d', 7), ('a', 9), ('h', 10), ('l', 26)]
[('a', 9), ('b', 2), ('c', 1), ('d', 7), ('g', 3), ('h', 10), ('i', 4), ('l', 26), ('o', 1)]

2.4.14 sortByKey

功能:针对KV型RDD,按照key进行排序

语法:

sortByKey(ascending=True,numPartitions=None,keyfunc=<function RDD,<lambda>>)

  • ascending:升序或降序,True升序,False降序,默认是升序
  • numPartitions:按照几个分区进行排序,如果全局有序,设置为1
  • keyfunc:在排序前对key进行处理,语法是:(k)——>U,一个参数传入,返回一个值

代码演示:17_operators_sortByKey.py

1
2
3
4
5
6
7
8
9
10
11
# coding:utf8

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([('g', 3), ('A', 1), ('B', 2,), ('A', 9), ('h', 10), ('i', 4), ('l', 26,), ('o', 1), ('d', 7)])
# 调用了忽略大小写的函数
print(rdd.sortByKey(ascending=True, numPartitions=1, keyfunc=lambda key: str(key).lower()).collect())

输出结果:

1
[('A', 1), ('A', 9), ('B', 2), ('d', 7), ('g', 3), ('h', 10), ('i', 4), ('l', 26), ('o', 1)]

2.4.15 综合案例

image-20230729223615036

代码演示:18_operators_demo.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
# coding:utf8

import json

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

# 读取数据文件
file_rdd = sc.textFile("../data/input/order.text")

# 进行rdd数据的split 按照|符号进行,得到一个json数据
jsons_rdd = file_rdd.flatMap(lambda line: line.split("|"))

# 通过python内置的json库,完成json字符串到字典对象的转换
dict_rdd = jsons_rdd.map(lambda json_str: json.loads(json_str))

# 过滤数据,只保留北京的数据
beijing_rdd = dict_rdd.filter(lambda d: d['areaName'] == '北京')

# 组合北京和商品类型形成的字符串
category_rdd = beijing_rdd.map(lambda x: x['areaName'] + '_' + x['category'])

# 对结果集进行去重操作
result_rdd = category_rdd.distinct()

# 输出
print(result_rdd.collect())

输出结果:

1
['北京_平板电脑', '北京_家具', '北京_书籍', '北京_食品', '北京_服饰', '北京_手机', '北京_家电', '北京_电脑']

2.4.16 将案例提交到yarn运行

改动1:加入环境变量,让pycharm运行yarn的时候,知道hadoop的配置在哪,可以去读取yarn的信息

1
2
3
4
import os
from defs_19 import city_with_category
# 导入自己写的函数时,把文件夹设置为SourceRoot就不会报错了
os.environ['HADOOP_CONF_DIR']= "/export/server/hadoop/etc/hadoop"

改动2:在集群上运行,本地文件就不可以用了,需要用hdfs文件

1
2
# 在集群中运行,我们需要用HDFS路径,不能用本地路径
file_rdd = sc.textFile("hdfs://Tnode1:8020/input/order.text")

改动3

1
2
3
4
5
6
7
"""
如果提交到集群运行,除了主代码以外,还依赖了其它的代码文件
需要设置一个参数,来告知spark,还有依赖文件要同步上传到集群中
参数叫做:spark.submit.pyFiles
参数的值可以是单个.py文件,也可以是.zip压缩包(有多个依赖文件的时候可以用zip压缩后上传)
"""
conf.set("spark.submit.pyFiles","defs_19.py")

完整代码:19_operators_runOnYarn.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
# coding:utf8

import json

from pyspark import SparkConf, SparkContext
import os
from defs_19 import city_with_category
# 导入自己写的函数时,把文件夹设置为SourceRoot就不会报错了
os.environ['HADOOP_CONF_DIR']= "/export/server/hadoop/etc/hadoop"
if __name__ == '__main__':
# 提交到yarn集群,master设置为yarn
conf = SparkConf().setAppName("SparkDemo01").setMaster("yarn")

"""
如果提交到集群运行,除了主代码以外,还依赖了其它的代码文件
需要设置一个参数,来告知spark,还有依赖文件要同步上传到集群中
参数叫做:spark.submit.pyFiles
参数的值可以是单个.py文件,也可以是.zip压缩包(有多个依赖文件的时候可以用zip压缩后上传)
"""
conf.set("spark.submit.pyFiles","defs_19.py")

sc = SparkContext(conf=conf)

# 在集群中运行,我们需要用HDFS路径,不能用本地路径
file_rdd = sc.textFile("hdfs://Tnode1:8020/input/order.text")

# 进行rdd数据的split 按照|符号进行,得到一个json数据
jsons_rdd = file_rdd.flatMap(lambda line: line.split("|"))

# 通过python内置的json库,完成json字符串到字典对象的转换
dict_rdd = jsons_rdd.map(lambda json_str: json.loads(json_str))

# 过滤数据,只保留北京的数据
beijing_rdd = dict_rdd.filter(lambda d: d['areaName'] == '北京')

# 组合北京和商品类型形成的字符串
category_rdd = beijing_rdd.map(city_with_category)

# 对结果集进行去重操作
result_rdd = category_rdd.distinct()

# 输出
print(result_rdd.collect())

依赖代码:defs_19.py

1
2
3
4
5
# coding:utf8

def city_with_category(data):
return data['areaName'] + '_' +data['category']

输出结果:

1
['北京_书籍', '北京_食品', '北京_服饰', '北京_平板电脑', '北京_家具', '北京_手机', '北京_家电', '北京_电脑']

在服务器上通过spark-submit 提交到集群运行

1
2
3
# --py-files 可以帮你指定你依赖的其它python代码,支持.zip(一堆),也可以单个.py文件都行。
/export/server/spark/bin/spark-submit --master yarn --py-files ./defs.py ./main.py

服务器上程序运行结果:

image-20230729230827582

注意,在服务器上跑时,需要把conf中的setMaster去掉

即conf = SparkConf().setAppName(“SparkDemo01”).setMaster(“yarn”)改为:

conf = SparkConf().setAppName(“SparkDemo01”)

2.5 常用Action算子

2.5.1 countByKey算子

功能:统计key出现的次数(一般适用于KV型的RDD)

代码演示:20_operators_countByKey.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# coding:utf8

import json

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.textFile("../data/input/words.txt")
rdd2 = rdd.flatMap(lambda x:x.split(" ")).map(lambda x: (x, 1))

# 通过countByKey来对key进行计数,这是一个Action算子
result = rdd2.countByKey()

print(result)
print(list(result))
print(result["hello"])
print(type(result))

输出结果:

1
2
3
4
defaultdict(<class 'int'>, {'hello': 3, 'spark': 1, 'hadoop': 1, 'flink': 1})
['hello', 'spark', 'hadoop', 'flink']
3
<class 'collections.defaultdict'>

2.5.2 collect算子

功能:将RDD各个分区内的数据,统一收集到Driver中,形成一个List对象

用法:rdd.collect()

这个算子,是将RDD各个分区数据都拉取到Driver

注意的是,RDD是分布式对象,其数据量可以很大,

所以用这个算子之前要心知肚明地了解 结果数据集不会太大。

不然,会把Driver内存撑爆

2.5.3 reduce算子

功能:对RDD数据集按照你传入的逻辑进行聚合

语法:

1
2
3
rdd.reduce(func)
# func:(T,T)——>T
# 2参数传入1个返回值,返回值要和参数要求类型一致

代码演示:21_operators_reduce.py

1
2
3
4
5
6
7
8
9
10
11
12
13
# coding:utf8

import json

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1,2,3,4,5])

print(rdd.reduce(lambda a, b: a + b))

输出结果:

1
15

2.5.4 fold算子

功能:和reduce一样,接收传入逻辑进行聚合,聚合是带有初始值的,

这个初始值聚合会作用在:

  • 分区内聚合
  • 分区间聚合

比如:[[1,2,3],[4,5,6],[7,8,9]]

数据量分布在3个分区

分区1: 1、2、3 聚合的时候带上10作为初始值得到16

分区3: 4、5、6 聚合的时候带上10作为初始值得到25

分区4: 7、8、9 聚合的时候带上10作为初始值得到34

3个分区的结果做聚合也带上初始值10,所以结果是10+16+25+34 = 85

代码演示:22_operators_fold.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# coding:utf8

import json

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1,2,3,4,5,6,7,8,9],3)

print(rdd.glom().collect())

print(rdd.fold(10, lambda a, b: a + b))

输出结果:

1
2
[[1, 2, 3], [4, 5, 6], [7, 8, 9]]
85

2.5.5 first算子

功能:取出RDD的第一个元素

用法

1
2
sc.parallelize([3,2,1]).first()
输出:3

image-20230730174705629

2.5.6 take算子

功能:取RDD的前N个元素。组合成list返回给你

用法:

1
2
>>> sc.parallelize([3,2,1,4,5,6]).take(5)
[3, 2, 1, 4, 5]

image-20230730210309986

2.5.7 top算子

功能:对RDD数据集进行降序排序,取前N个

用法:

1
2
>>> sc.parallelize([3,2,1,4,5,6]).top(3) # 表示取降序前3个
[6, 5, 4]

image-20230730220000263

2.5.8 count算子

功能:计算RDD有多少条数据,返回值是一个数字

用法:

1
2
>>> sc.parallelize([3,2,1,4,5,6]).count()
6

image-20230730220111487

2.5.9 takeSample算子

功能:随机抽样RDD的数据

用法:

1
2
3
4
takeSample(参数1:True or False,参数2:采样数,参数3:随机数种子)
- 参数1:True表示允许取同一个数据,False表示不允许取同一个数据,和数据内容无关,是否重复表示的是同一个位置的数据(有、无放回抽样)
- 参数2:抽样要几个
- 参数3:随机数种子,这个参数传入一个数字即可,随意给

随机数种子 数字可以随便传,如果传同一个数字 那么取出的结果是一致的。

一般参数3 我们不传,Spark会自动给与随机的种子。

代码演示:23_operators_takeSample.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# coding:utf8

import json

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1, 3, 5, 3, 1, 3, 2, 6, 7, 8, 6],1)
result = rdd.takeSample(False,5,1)
# 随机抽样可以抽出相同的数据,只是位置不同而已
# 随机数种子能让随机数不再继续发生变化
print(result)

输出结果:

1
[2, 7, 6, 6, 3]

注意:

随机抽样可以抽出相同的数据,只是位置不同而已

随机数种子能让随机数不再继续发生变化

2.5.10 takeOrdered

功能:对RDD进行排序取前N个

用法:

1
2
3
4
rdd.takeOrdered(参数1,参数2)
- 参数1 要几个数据
- 参数2 对排序的数据进行更改(不会更改数据本身,只是在排序的时候换个样子)
这个方法按照元素自然顺序升序排序,如果你想玩倒叙,需要参数2 来对排序的数据进行处理

代码演示:24_operators_takeOrdered.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# coding:utf8

import json

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1, 3, 2, 4, 7, 9, 6], 1)

print(rdd.takeOrdered(3))

print(rdd.takeOrdered(3,lambda x:-x))

输出结果:

1
2
[1, 2, 3]
[9, 7, 6]

2.5.11 foreach算子

功能:对RDD的每一个元素,执行你提供的逻辑的操作(和map一个思想),但是这个方法没有返回值

用法:

1
2
rdd.foreach(func)
# func:(T) ——> None

代码演示:25_operators_foreach.py

1
2
3
4
5
6
7
8
9
10
11
12
13
# coding:utf8

import json

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1, 3, 2, 4, 7, 9, 6], 1)

rdd.foreach(lambda x: print(x * 10))

输出结果:

1
2
3
4
5
6
7
10
30
20
40
70
90
60

2.5.12 saveAsTextFile

功能:将RDD的数据写入文本文件中

支持本地写出,hdfs等文件系统

代码演示:

1
2
3
4
5
6
7
8
9
10
11
12
13
# coding:utf8

import json

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1,3,2,4,7,9,6],3)

rdd.saveAsTextFile("hdfs://Tnode1:8020/test/output/out1")

运行结果:

image-20230730223526498

image-20230730223606509

image-20230730223545347

注意:保存文件API,是分布式执行的

这个API的执行数据是不经过driver的

image-20230730223742342

如图,写出的时候,每个分区所在的Executor直接控制数据写出到目标文件系统中

所有才会一个分区产生一个结果文件

2.5.13 注意点

我们学习的action中:

  • foreach
  • saveAsTextFile

这两个算子是分区(Executor)直接执行的,跳过Driver,由分区所在的Executor直接执行

反之:其余的Action算子都会将结果发送至Driver

2.6 分区操作算子

2.6.1 mapPartitions算子

transformation算子

图解:

image-20230730224303769

如图,mapPartition一次被传递的是一整个分区的数据

作为一个迭代器(一次性list)对象传入过来。

代码演示:27_operators_mapPartitions.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
# coding:utf8

import json

from pyspark import SparkConf, SparkContext

import time

if __name__ == '__main__':
start_time = time.time()

conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

# 效果和map一样,但是性能比map好,cpu计算没有省,但是网络IO少很多
rdd = sc.parallelize([1,3,2,4,7,9,6],3)

def process(iter):
result = []
for it in iter:
result.append(it*10)
return result


print(rdd.mapPartitions(process).collect())

# print(rdd.map(lambda x:x*10).collect())

end_time = time.time()
gap_time = (end_time - start_time)
gap_time = round(gap_time, 4) # 保留四位小数
print("执行本程序共耗时:" + str(gap_time) + "s")

输出结果:

1
2
[10, 30, 20, 40, 70, 90, 60]
执行本程序共耗时:8.0515s

注意:效果和map一样,但是性能比map好,cpu计算没有省,但是网络IO少很多

2.6.2 foreachPartition算子

Action算子

功能:和普通foreach一致,一次处理的是一整个分区数据

代码演示:28_operators_foreachPartitions.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# coding:utf8

import json

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1,3,2,4,7,9,6],3)

def process(iter):
result = []
for it in iter:
result.append(it*10)
print(result)


rdd.foreachPartition(process)

输出结果:

1
2
3
[70, 90, 60]
[10, 30]
[20, 40]

foreachPartition 就是一个没有返回值的mapPartitions

2.6.3 partitionBy算子

transformation算子

功能:对RDD进行自定义分区操作

用法:

1
2
3
4
5
6
7
8
9
rdd.partitionBy(参数1,参数2)
- 参数1 重新分区后有几个分区
- 参数2 自定义分区规则,函数传入

参数2:(K)——>int
一个传入参数进来,类型无所谓,但是返回值一定是int类型,
将key传给这个函数,你自己写逻辑,决定返回一个分区编号

分区编号从0开始,不要超出分区数-1

代码演示:29_operators_partitionBy.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
# coding:utf8

import json

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([('hadoop', 1), ('spark', 1), ("hello", 1), ("flink", 1), ("hadoop", 1), ("spark", 1)])


# 使用partitionBy 自定义 分区
def process(k):
if 'hadoop' == k or 'hello' == k: return 0
if 'spark' == k: return 1
return 2


print(rdd.partitionBy(3, process).glom().collect())

输出结果:分区依次为0、1、2

1
[[('hadoop', 1), ('hello', 1), ('hadoop', 1)], [('spark', 1), ('spark', 1)], [('flink', 1)]]

分区号不要超标,你设置3个分区,分区号只能是0 1 2

设置5个分区 分区号只能是0 1 2 3 4

2.6.4 repartition算子

transformation算子

功能:对RDD的分区执行重新分区(仅数量)

用法:

1
2
rdd.repartition(N)
传入N 决定新的分区数

代码演示:30_operators_repartition_and_coalesce.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# coding:utf8

import json

from pyspark import SparkConf, SparkContext


if __name__ == '__main__':


conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1, 2, 3, 4, 5], 3)

# repartition 修改分区
print(rdd.repartition(1).getNumPartitions())

print(rdd.repartition(5).getNumPartitions())

# coalesce 修改分区
print(rdd.coalesce(1).getNumPartitions())
print(rdd.coalesce(5,shuffle=True).getNumPartitions())

输出结果:

1
2
3
4
1
5
1
5

注意:对分区的数量进行操作,一定要慎重

一般情况下,我们写spark代码除了要求全局排序设置为1个分区外,

多数时候,所有API中关于分区相关的代码我们都不太理会

因为,如果你改分区了

  1. 会影响并行计算(内存迭代的并行管道数量)后面学
  2. 分区如果增加,极大可能导致shuffle

2.6.5 coalesce算子

transformation算子

功能:对分区进行数量增减

用法:

1
2
3
4
5
rdd.coalesce(参数1,参数2)
- 参数1,分区数
- 参数2True or False
True表示允许shuffle,也就是可以加分区
False表示不允许shuffle,也就是不能加分区,False是默认

代码见2.6.4

对比repartition,一般使用coalesce较多,因为加分区要写参数2

这样避免写repartition的时候手抖了加分区了

2.6.6 mapValues算子

Transformation算子

功能:针对二元元组RDD,对其内部的二元元组的Value执行map操作

语法:

1
2
3
4
rdd.mapValues(func)
# func: (V)——> U
# 注意,传入的参数,是二元元组的 value值
# 我们这个传入的方法,只对value进行处理

代码演示:

1
2
3
4
5
6
7
8
9
10
11
# coding:utf8
from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
conf = SparkConf().setAppName("create rdd").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([('a', 1), ('a', 11), ('a', 6), ('b', 3), ('b', 5)])
# rdd.map(lambda x:(x[0],x[1]*10))
# 将二元元组的所有value都乘以10进行处理
print(rdd.mapValues(lambda x: x * 10).collect())

输出结果:

1
[('a', 10), ('a', 110), ('a', 60), ('b', 30), ('b', 50)]

2.6.7 join算子

Transformation算子

功能:对两个RDD执行join操作(可以实现SQL的内、外连接)

注意:join算子只能用于二元元组

代码见 2.4.9

2.7 面试题

groupByKey和reduceByKey的区别

在功能上的区别:

  • groupByKey仅仅只有分组功能而已
  • reduceByKey除了有ByKey的分组功能外,还有reduce聚合功能,所以是一个分组+聚合一体化的算子

如果对数据执行分组+聚合,那么使用这2个算子的性能差别是很大的

reduceByKey的性能是远大于:groupByKey+聚合逻辑的

因为:

image-20230731161204010

如图,这是groupByKey+聚合逻辑的执行流程。

因为,groupByKey只能分组,所以,执行上是先分组(shuffle)后聚合

再来看reduceByKey

image-20230731161424909

如图,reduceByKey由于自带聚合逻辑,所以可以完成:

  1. 先在分区内做预聚合
  2. 然后再走分组流程(shuffle)
  3. 分组后再做最终聚合

对于groupByKey,reduceByKey最大的提升在于,分组前进行了预聚合,那么在shuffle分组节点,被shuffle的数据可以极大地减少

这就极大地提升了性能

分组+聚合,首选reduceByKey,数据越大,对groupByKey的优势就越高

2.8 总结

  1. RDD创建方式有哪几种方法?

​ 通过并行化集合的方式(本地集合转分布式集合)

​ 或者读取数据的方式创建(TextFile、WholeTextFile)

  1. RDD分区数如何查看?

​ 通过getNumPartitions API查看,返回值Int

  1. Transformation和Action的区别?
    转换算子的返回值100%是RDD,而Action算子的返回值100%不是RDD

    转换算子是懒加载的,只有遇到Action才会执行,Action就是转换算子处理链条的开关。

  2. 哪两个Action算子的结果不经过Driver,直接输出?

foreachsaveAsTextFile 直接由Executor执行后输出,不会将结果发送到Driver上去

  1. reduceByKey和groupByKey的区别?

    reduceByKey自带聚合逻辑,groupByKey不带

    如果做数据聚合reduceByKey的效率更好,因为可以先聚合后shuffle在最终聚合,传输的IO小

  2. mapPartitions和foreachPartition的区别?

    mapPartitions带有返回值 foreachPartition不带

  3. 对于分区操作有什么要注意的地方?

    尽量不要增加分区,可能破坏内存迭代的计算管道

3. RDD的持久化

3.1 RDD的数据是过程数据

RDD之间进行相互迭代计算(Transformation的转换),当执行开启后,新的RDD生成,代表老RDD的消失。

RDD的数据是过程数据,只在处理的过程中存在,一旦处理完成,就不见了。

这个特性可以最大化地利用资源,老旧RDD没用了 就从内存中清理,给后续的计算腾出内存空间。

image-20230731205816341

如上图,rdd3被2次使用,第一次使用之后,其实RDD3就不存在了。

第二次使用的时候,只能基于RDD的血缘关系,从RDD1重新执行,构建出来RDD3,供RDD5使用。

3.2 RDD的缓存

3.2.1 缓存

对于上述的场景,肯定要执行优化,优化就是:

RDD3如果不消失,那么RDD1——>RDD2——>RDD3这个链条就不会执行2次,或者更多次

RDD的缓存技术:Spark提供了缓存API,可以让我们通过调用APi,将指定的RDD数据保留在内存或者硬盘

缓存的API

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# RDD3 被2次使用,可以加入缓存进行优化
rdd3.cache() # 缓存到内存中
rdd3.persist(StorageLevel.MEMORY_ONLY) # 仅内存缓存
rdd3.persist(StorageLevel.MEMORY_ONLY_2) # 仅内存缓存,2个副本
rdd3.persist(StorageLevel.DISK_ONLY) # 仅缓存硬盘上
rdd3.persist(StorageLevel.DISK_ONLY_2) # 仅缓存硬盘上,2个副本
rdd3.persist(StorageLevel.DISK_ONLY_3) # 仅缓存硬盘上,3个副本
rdd3.persist(StorageLevel.MEMORY_AND_DISK) # 先放内存,不够放硬盘
rdd3.persist(StorageLevel.MEMORY_AND_DISK_2) # 先放内存,不够放硬盘,2个副本
rdd3.persist(StorageLevel.OFF_HEAP) # 堆外内存(系统内存)

# 如上API,自行选择使用即可
# 一般建议使用rdd3.persist(StorageLevel.MEMORY_AND_DISK)
# 如果内存比较小的集群,建议使用rdd3.persist(StorageLevel.DISK_ONLY)或者就别用缓存了 用CheckPoint

# 主动清理缓存的API
rdd.unpersist()

3.2.2 缓存特点

  • 缓存技术可以将过程RDD数据,持久化保存到内存或者硬盘上
  • 但是,这个保存在设定上是认为不安全的。

缓存的数据在设计上是认为有丢失风险的。

所以,缓存有一个特点就是:其保留RDD之间的血缘(依赖)关系

一旦缓存丢失,可以基于血缘关系的记录,重新计算这个RDD的数据

缓存如何丢失:

  1. 在内存中的缓存是不安全的,比如断电、计算任务内存不足,把缓存清理给计算让路
  2. 硬盘中因为硬盘损坏也是可能丢失的。

代码演示:31_cache.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
# coding:utf8

from pyspark.storagelevel import StorageLevel

from pyspark import SparkConf, SparkContext

import time

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd1 = sc.textFile("../data/input/words.txt")
rdd2 = rdd1.flatMap(lambda x: x.split(" "))
rdd3 = rdd2.map(lambda x: (x, 1))

# 给rdd3加缓存
# rdd3.cache()
rdd3.persist(StorageLevel.MEMORY_AND_DISK_2) # 设置缓存级别

rdd4 = rdd3.reduceByKey(lambda a, b: a + b)
result = rdd4.collect()
print(result)

rdd5 = rdd3.groupByKey()
rdd6 = rdd5.mapValues(lambda x:sum(x))
print(rdd6.collect())

# 取消缓存
rdd3.unpersist()
time.sleep(10000000)

输出结果:

1
2
[('hadoop', 1), ('hello', 3), ('spark', 1), ('flink', 1)]
[('hadoop', 1), ('hello', 3), ('spark', 1), ('flink', 1)]

3.2.3 缓存是如何保存的

如图,RDD是将自己分区的数据,每个分区自行将其数据保存在其所在的Executor内存和硬盘上。

这是分散存储

3.3 RDD的CheckPoint

3.3.1 RDD CheckPoint

CheckPoint技术,也是将RDD的数据,保存起来。

但是它仅支持硬盘存储

并且:

  1. 它被设计认为是安全的
  2. 不保留血缘关系

3.3.2 CheckPoint是如何保存数据的

image-20230731213729297

如图:CheckPoint存储RDD数据,是集中收集各个分区数据进行存储。而缓存是分散存储

3.3.3 缓存和CheckPoint的对比

  • CheckPoint不管分区数量多少,风险是一样的,缓存分区越多,风险越高
  • CheckPoint支持写入HDFS,缓存不行,HDFS是高可靠存储,CheckPoint被认为是安全的
  • CheckPoint不支持内存,缓存可以,缓存如果写内存,性能比CheckPoint要好一些
  • CheckPoint因为设计是安全的,所以不保留血缘关系,而缓存因为设计上认为不安全,所以保留

3.3.4 代码

1
2
3
4
5
# 设置CheckPoint第一件事情,选择CP的保存路径
# 如果是Local模式,可以支持本地文件系统,如果在集群运行,千万要用HDFS
sc.setCheckpointDir("hdfs://node1:8020/output/bj52ckp")
# 用的时候,直接调用checkPoint算子即可。
rdd.checkpoint()

完整代码演示:32_checkPoint.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
# coding:utf8

import json

from pyspark.storagelevel import StorageLevel

from pyspark import SparkConf, SparkContext

import time

if __name__ == '__main__':
conf = SparkConf().setAppName("test").setMaster("local[*]")
sc = SparkContext(conf=conf)

# 1.告知spark,开启checkPoint功能
sc.setCheckpointDir("hdfs://Tnode1:8020/output/ckp")

rdd1 = sc.textFile("../data/input/words.txt")
rdd2 = rdd1.flatMap(lambda x: x.split(" "))
rdd3 = rdd2.map(lambda x: (x, 1))

# 调用checkPoint API 保存数据即可
rdd3.checkpoint()

rdd4 = rdd3.reduceByKey(lambda a, b: a + b)
result = rdd4.collect()
print(result)

rdd5 = rdd3.groupByKey()
rdd6 = rdd5.mapValues(lambda x:sum(x))
print(rdd6.collect())

# 取消缓存
rdd3.unpersist()
time.sleep(10000000)

输出结果:

1
2
[('hadoop', 1), ('hello', 3), ('spark', 1), ('flink', 1)]
[('hadoop', 1), ('hello', 3), ('spark', 1), ('flink', 1)]

3.3.5 注意

CheckPoint是一种重量级的使用,也就是RDD的重新计算成本很高的时候,我们采用CheckPoint比较合适。

或者数据量很大,用CheckPoint比较合适。

如果数据量小,或者RDD重新计算是非常快的,用CheckPoint没啥必要

Cache和CheckPoint两个API都不是Action类型

所以,想要它俩工作,必须在后面接上Action

接上Action的目的,是让RDD有数据,而不是为了CheckPoint和Cache工作。

3.3.6 总结

1.Cache和CheckPoint的区别

  • Cache是轻量化保存RDD数据,可存储在内存和硬盘,是分散存储,设计上数据是不安全的(保留RDD血缘关系)
  • CheckPoint是重量级保存RDD数据,是集中存储,只能存储在硬盘(HDFS)上,设计上是安全的(不保留RDD血缘关系)

2.Cache和CheckPoint的性能对比?

  • Cache性能更好,因为是分散存储,各个Executor并行执行,效率高,可以保存到内存中(占内存),更快
  • CheckPoint比较慢,因为是集中存储,涉及到网络IO,但是存储到HDFS上更加安全(多副本)

4. Spark案例练习

4.1 搜索引擎日志分析案例

数据格式:

image-20230731223032751

需求:

  • 用户搜索的关键词分析
  • 用户和关键词组合分析
  • 热门搜索时间段分析

案例实现代码:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
# coding:utf8


from pyspark import SparkConf, SparkContext
from pyspark.storagelevel import StorageLevel
import jieba

from operator import add


def context_jieba(data):
"""通过jieba分词工具 进行分词操作"""
seg = jieba.cut_for_search(data)
l = []
for word in seg:
l.append(word)
return l


def filter_words(data):
"""过滤不要的 谷、帮、客 湖"""
return data not in ['谷', '帮', '客', '湖']


def append_words(data):
"""修订某些关键词的内容"""
if data == '传智播': data = '传智播客'
if data == '院校': data = '院校帮'
if data == '博学': data = '博学谷'
if data == '数据': data = '数据湖'
return (data, 1)


def extract_user_and_word(data):
"""传入数据是 元组(1,我喜欢传智播客)"""
user_id = data[0]
content = data[1]
# 对content进行分词
words = context_jieba(content)

return_list = []

for word in words:
# 不要忘记过滤 \谷\帮\客\湖
if filter_words(word):
return_list.append((user_id + '_' + append_words(word)[0], 1))

return return_list


if __name__ == '__main__':
conf = SparkConf().setAppName("SparkDemo2")
sc = SparkContext(conf=conf)

# 1.读取文件
file_rdd = sc.textFile("hdfs://Tnode1/input/SogouQ.txt")

# 2. 对数据进行切分 \t
split_rdd = file_rdd.map(lambda x: x.split("\t"))

# 3. 因为要做多个需求,split_rdd 作为基础的rdd 会被多次使用
split_rdd.persist(StorageLevel.DISK_ONLY)

# TODO:需求1:用户搜索的关键‘词’分析
# 主要分析热点词
# 将所有的搜索内容取出
# print(split_rdd.takeSample(True, 3))

context_rdd = split_rdd.map(lambda x: x[2])

# 对搜索的内容进行分词分析
words_rdd = context_rdd.flatMap(context_jieba)

# print(words_rdd.collect())

# 异常的数据:
# 数据 湖 ——> 数据湖
# 院校 帮 ——> 院校帮
# 博学 谷 ——> 博学谷
# 传智播 客——> 传智播客

filtered_rdd = words_rdd.filter(filter_words)

# 将关键词转换:传智播 --> 传智播客
final_words_rdd = filtered_rdd.map(append_words)

# 对单词进行分组、聚合、排序 求出前五名
result1 = final_words_rdd.reduceByKey(lambda a, b: a + b). \
sortBy(lambda x: x[1], ascending=False, numPartitions=1). \
take(5)
print("需求1结果:", result1)

# TODO:需求2:用户和关键词组合分析
# 1,我喜欢传智播客
# 1 + 我 1+喜欢 1+传智播客
user_content_rdd = split_rdd.map(lambda x: (x[1], x[2]))

# 对用户的搜索内容进行分词,分词后和用户ID再次组合
user_word_with_one_rdd = user_content_rdd.flatMap(extract_user_and_word)

# 对内容进行分组、聚合、排序、求前5
result2 = user_word_with_one_rdd.reduceByKey(lambda a, b: a + b). \
sortBy(lambda x: x[1], ascending=False, numPartitions=1). \
take(5)
print("需求2结果:", result2)

# TODO:需求3:热门搜索时间段分析
# 取出来所有的时间
time_rdd = split_rdd.map(lambda x: x[0])
# 对时间进行处理,只保留小时精度即可
hour_with_one_rdd = time_rdd.map(lambda x: (x.split(":")[0], 1))
# 分组、聚合、排序
result3 = hour_with_one_rdd.reduceByKey(add). \
sortBy(lambda x: x[1], ascending=False, numPartitions=1). \
collect()
print("需求3结果:", result3)

输出结果:

1
2
3
需求1结果: [('scala', 2310), ('hadoop', 2268), ('博学谷', 2002), ('传智汇', 1918), ('itheima', 1680)]
需求2结果: [('6185822016522959_scala', 2016), ('41641664258866384_博学谷', 1372), ('44801909258572364_hadoop', 1260), ('7044693659960919_仓库', 1120), ('15984948747597305_传智汇', 1120)]
需求3结果: [('20', 3479), ('23', 3087), ('21', 2989), ('22', 2499), ('01', 1365)

4.2 提交到集群运行

1
2
3
4
5
6
# 普通提交
/export/server/spark/bin/spark-submit --master yarn SparkDemo2.py

# 压榨集群式提交
# 每个executor吃14g内存,8核cpu,总共3个executor
/export/server/spark/bin/spark-submit --master yarn --executor-memory 14g --executor-cores 8 --num-executors 3 ./SparkDemo2.py

输出结果:

要注意代码中:

  1. master部分删除
  2. 读取的文件路径改为hdfs才可以

4.3 作业

image-20230801222631776

代码演示:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
# coding:utf8

from pyspark import SparkContext, StorageLevel
from pyspark import SparkConf

if __name__ == '__main__':
conf = SparkConf().setAppName("sparkHomeWork01").setMaster("local[*]")
sc = SparkContext(conf=conf)

file_rdd = sc.textFile("../../data/input/apache.log")

file_rdd.persist(StorageLevel.MEMORY_AND_DISK_2)

# 需求1:TODO:计算当前网站访问的PV(被访问次数)
visit_Num = file_rdd.count()
print("当前网站的被访问次数:", visit_Num) # 14

# 需求2:TODO:当前网站访问的用户数
userNum = file_rdd.distinct().count()
print("当前网站的访问用户数:", userNum) #

# 需求3:TODO:有哪些IP访问了本网站?
Ip_rdd1 = file_rdd.map(lambda x: x.split(" "))

Ip_rdd1.cache()

Ip_rdd2 = Ip_rdd1.map(lambda x: x[0]).distinct()
# print(IP_rdd2.collect())
print("有哪些IP访问了本网站:", Ip_rdd2.collect())

# 需求4 TODO:哪个页面访问量最高
page_rdd1 = Ip_rdd1.map(lambda x:x[-1])
page_rdd2 = page_rdd1.map(lambda x:(x,1))
page_rdd3 = page_rdd2.reduceByKey(lambda a,b:a+b)
# page = page_rdd3.sortBy(lambda x:x[1],ascending=False,numPartitions=1).take(1)
page = page_rdd3.takeOrdered(1,lambda x:-x[1])
page = page[0]
print(page)
print("访问量最高的页面是:",page[0],"共被访问:",page[1],"次")

输出结果:sparkHomeWork01.py

1
2
3
4
5
当前网站的被访问次数: 14
当前网站的访问用户数: 9
有哪些IP访问了本网站: ['83.149.9.216', '10.0.0.1', '86.149.9.216']
('/presentations/logstash-monitorama-2013/css/print/paper.css', 13)
访问量最高的页面是: /presentations/logstash-monitorama-2013/css/print/paper.css 共被访问: 13 次

5. 共享变量

5.1 广播变量

5.1.1 问题引出

有如下代码:

image-20230802220002517image-20230802220014522

上述代码,本地list对象和分布式对象RDD有了关联。如下图:

image-20230802220536267

本地list对象,被发送到每个分区的处理线程上使用,也就是一个executor内,其实存放了2份一样的数据。

executor是进程,进程内资源共享,这2份数据没有必要,造成了内存浪费。

5.1.2 解决方案-广播变量

如果本地list对象标记为广播变量对象,那么

当上述场景出现的时候,Spark只会:

  • 给每个Executor来一份数据,而不像原本那样,每一个分区的处理线程都来一份,节省内存。

image-20230802221109858

如图,使用广播变量后,每个Executor只会收到一份数据集。

内部的各个线程(分区)共享这一份数据集。

使用方式:

1
2
3
4
5
6
7
8
# 1. 将本地list 标记成广播变量即可
broadcast = sc.broadcast(stu_info_list)

# 2. 使用广播变量,从broadcast对象中取出本地list对象即可
value = broadcast.value

# 也就是 先放进去broadcast内部,然后从broadcast内部在取出来用,中间传输的是broadcast这个对象了
# 只要中间传输的是broadcast对象,spark就会留意,只会给每个Executor发一份了,而不是傻傻的哪个分区都要给

代码演示:33_broadcast.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
# coding:utf8

import json

from pyspark.storagelevel import StorageLevel

from pyspark import SparkConf, SparkContext

import time

if __name__ == '__main__':
conf = SparkConf().setAppName("33_broadcast.py").setMaster("local[*]")
sc = SparkContext(conf=conf)

stu_info_list = [(1, '张大仙', 11),
(2, '王晓晓', 13),
(3, '张甜甜', 11),
(4, '王大力', 11)]

# 1.将本地Python List对象标记为广播变量
broadcast = sc.broadcast(stu_info_list)

score_info_rdd = sc.parallelize([
(1, '语文', 99),
(2, '数学', 99),
(3, '英语', 99),
(4, '编程', 99),
(1, '语文', 99),
(2, '编程', 99),
(3, '语文', 99),
(4, '英语', 99),
(1, '语文', 99),
(3, '英语', 99),
(2, '编程', 99)

])


def map_func(data):
name = ''
id = data[0]
# 匹配本地list和分布式rdd中的学生ID 匹配成功后 即可获得当前学生的姓名
# 2.在使用到本地集合对象的地方,从广播变量中取出来用即可
for stu_info in broadcast.value:
if stu_info[0] == id:
name = stu_info[1]
break
return (name, data[1], data[2])


print(score_info_rdd.map(map_func).collect())

"""
广播变量使用场景:本地集合对象和 分布式集合对象(RDD) 进行关联的时候
需要将本地集合对象封装为广播变量
可以节省:
1. 网络IO的次数
2. Executor的内存占用
"""

输出结果:

1
[('张大仙', '语文', 99), ('王晓晓', '数学', 99), ('张甜甜', '英语', 99), ('王大力', '编程', 99), ('张大仙', '语文', 99), ('王晓晓', '编程', 99), ('张甜甜', '语文', 99), ('王大力', '英语', 99), ('张大仙', '语文', 99), ('张甜甜', '英语', 99), ('王晓晓', '编程', 99)]

5.2 累加器

5.2.1 需求

想要对map算子计算中的数据,进行数据累加,得到全部数据计算完后的累加结果

5.2.2 没有累加器的代码演示

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# coding:utf8
from pyspark import SparkConf, SparkContext

# 演示spark的accumulator累加器
if __name__ == '__main__':
conf = SparkConf().setAppName("create rdd").setMaster("local[*]")
sc = SparkContext(conf=conf)

rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10],2)

count = 0

def map_func(data):
global count
count += 1
print(count)
rdd.map(map_func).collect()
print(count)

# 代码中count 最后打印结果是0

输出结果:

1
2
3
4
5
6
7
8
9
10
11
1
2
3
4
5
1
2
3
4
5
0

代码的问题在于:

  1. count来自driver对象,当在分布式的map算子中需要count对象的时候,driver会将count对象发送给每一个executor一份(复制发送)
  2. 每个executor各自收到一个,在最后执行print(count) 的时候,这个被打印的count依旧是driver那个
  3. 所以,不管executor中累加到多少,都和driver这个count无关

5.2.3 解决方法-累加器

代码演示:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
# coding:utf8

import json

from pyspark.storagelevel import StorageLevel

from pyspark import SparkConf, SparkContext

import time

if __name__ == '__main__':
conf = SparkConf().setAppName("33_broadcast.py").setMaster("local[*]")
sc = SparkContext(conf=conf)

# 10条数据 2个分区
rdd = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], 2)

# count = 0

# Spark 提供的累加器变量,参数是初始值
acmlt = sc.accumulator(0)


def map_func(data):
global acmlt
acmlt += 1
print(acmlt)


rdd.map(map_func).collect()

# rdd2 = rdd.map(map_func)
# rdd2.cache()
# rdd2.collect()

# rdd3 = rdd2.map(lambda x:x)
# rdd3.collect()

print(acmlt) # 结果是10

"""
累加器使用的注意点:
某个rdd使用完后,再被新的rdd重新调用,有可能会产生和想象中不一样的结果
避免方法:给需要重用的rdd加缓存
"""

如上代码,将全部的count对象,都替换成acmlt对象即可

这个对象就是累加器对象,构建方式:sc.accumulator(初始值)即可构建。

这个对象唯一和前面提到的count不同的是,这个对象可以从各个Executor中收集它们的执行结果,作用回自己身上。

输出结果:

1
2
3
4
5
6
7
8
9
10
11
1
2
3
4
5
1
2
3
4
5
10

5.2.4 累加器的注意事项

image-20230804113018115

如上代码,第一次rdd2被action后,累加器值是10,然后rdd2就没有了(没数据了)

当rdd3构建出来的时候,是依赖rdd2,rdd2没数据,那么rdd2就要重新生成

重新生成就导致累加器累加数据的代码再次被执行,

所以代码的结果是20

也就是说,使用累加器的时候,要注意,因为rdd是过程数据,如果rdd被多次使用

可能重新构建此rdd

如果累加器累加代码,存在重新构建的步骤中

累加器累加代码就可能被多次执行。

如何解决:加缓存或者CheckPoint即可

5.3 综合案例

5.3.1 需求

image-20230804145316497

对上面的数据执行:

  1. 正常的单词进行单词计数
  2. 特殊字符统计出现有多少个

特殊字符定义如下:

1
abnormal_char = [",",".","!","#","$","%"]

代码演示:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
# coding:utf8

import json

from pyspark.storagelevel import StorageLevel

from pyspark import SparkConf, SparkContext

import time
import re

if __name__ == '__main__':
conf = SparkConf().setAppName("35_demo.py").setMaster("local[*]")
sc = SparkContext(conf=conf)

# 1.读取数据文件
file_rdd = sc.textFile("../data/input/accumulator_broadcast_data.txt")


# 特殊字符的List定义
abnormal_char = [',', '.', '!', '#', '$', '%']

# 2. 特殊字符list 包装成广播变量
broadcast = sc.broadcast(abnormal_char)

# 3.对特殊字符出现次数做累加,累加使用累加器最好
acmlt = sc.accumulator(0)

# 4.数据处理,先处理数据的空行,在Python中有内容就是True None就是False
lines_rdd = file_rdd.filter(lambda line: line.strip())

# 5.去除前后的空格
data_rdd = lines_rdd.map(lambda line: line.strip())

# 6.对数据进行切分,按照正则表达式切分,因为空格分隔符某些单词之间是两个或多个空格
# 正则表达式 \s+ 表示 不确定多少个空格,最少一个空格
words_rdd = data_rdd.flatMap(lambda line: re.split("\s+", line))


# 7. 当前words_rdd中有正常单词,也有特殊符号
# 现在需要过滤数据,保留正常单词用于单词计数,在过滤的过程中 对特殊符号做计数

def filter_func(data):
global acmlt
# 取出广播变量中存储的特殊符号lsit
abnormal_chars = broadcast.value

if data in abnormal_chars:
# 表示这个是特殊字符
acmlt += 1
return False
else:
return True


normal_words_rdd = words_rdd.filter(filter_func)

# 8. 正常单词的单词计数逻辑
result_rdd = normal_words_rdd.map(lambda x: (x, 1)). \
reduceByKey(lambda a, b: a + b)

print("正常单词计数结果:",result_rdd.collect())
print("特殊字符数量:",acmlt)

输出结果:

1
2
正常单词计数结果: [('hadoop', 3), ('hive', 6), ('hdfs', 2), ('spark', 11), ('mapreduce', 4), ('sql', 2)]
特殊字符数量: 8

5.4 总结

  1. 广播变量解决了什么问题?

    分布式集合RDD和本地集合进行关联使用的时候,降低内存占用以及减少网络IO传输,提高性能。

  2. 累加器解决了什么问题

    分布式代码执行中,进行全局累加

6.Spark内核调度(重点理解)

6.1 DAG

6.1.1 DAG

Spark的核心是根据RDD来实现的,Spark Scheduler则为Spark核心实现的重要一环,其作用就是任务调度。Spark

的任务调度就是如何组织任务去处理RDD中每个分区的数据,根据RDD的依赖关系构建DAG,基于DAG划分Stage,

将每个Stage中的任务发到指定节点运行。基于Spark的任务调度原理,可以合理规划资源利用,做到尽可能用最少的

资源高效地完成任务计算。

以词频统计WordCount程序为例,DAG图:

image-20230812105010262

DAG:有向无环图(拓扑结构)

有向:有方向

无环:没有闭环

DAG:有方向没有形成闭环的一个执行流程图

比如:

image-20230812105437155

image-20230812105455134

此图,就是一个典型的DAG图。

有方向:RDD1——>RDD2——>…——>collect结束

无闭环:以action(collect) 结束了,没有形成闭环循环

作用:标识代码的逻辑执行流程

6.1.2 Job和Action

Action:返回值不是RDD的算子

它的作用是一个触发开关,会将action算子之前的一串rdd依赖执行起来

image-20230812110007451

如图,我们前面写的搜索引擎日志分析案例中,前两个需求就是2个action,就产生了2个DAG

结论:

1个Action会产生1个DAG,如果在代码中有3个Action就产生3个DAG

一个Action产生的一个DAG,会在程序运行中产生一个JOB

所以:1个ACTION = 1个DAG = 1个JOB

如果一个代码中,写了3个Action,那么这个代码运行起来产生3个JOB,每个JOB有自己的DAG

一个代码运行起来,在Spark中称之为:Application

层级关系:

1个Application中,可以有多个JOB,每一个JOB内含一个DAG,同时每一个JOB都是由一个Action产生的。

6.1.3 DAG和分区

DAG是Spark代码的逻辑执行图,这个DAG的最终作用是;为了构建物理上的Spark详细执行计划而生。

所以,由于Spark是分布式(多分区)的,那么DAG和分区之间也是有关联的。

1
2
3
4
5
rdd1 = sc.textFile()
rdd2 = rdd1.flatMap()
rdd3 = rdd2.map()
rdd4 = rdd3.reduceByKey()
rdd4.action()

假设,全部RDD都是3个分区在执行

image-20230812112219158

如图,就得到了带有分区关系的DAG图

6.2 DAG的宽窄依赖和阶段划分

在Spark RDD前后之间的关系为:

  • 窄依赖
  • 宽依赖

窄依赖:父RDD的一个分区,全部将数据发送给子RDD的一个分区

宽依赖:父RDD的一个分区,将数据发送给子RDD的多个分区

宽依赖还有一个别名:shuffle

6.2.1 窄依赖

image-20230812170638380

6.2.2 宽依赖

image-20230812171009615

6.2.3 阶段划分

对于Spark来说,会根据DAG,按照宽依赖,划分不同的DAG阶段

划分依据:从后向前,遇到宽依赖就划分出一个阶段,称之为stage

image-20230812170837184

如图,可以看到,在DAG中,基于宽依赖,将DAG划分成了2个stage

在stage的内部,一定都是:窄依赖

6.3 内存迭代计算

image-20230812171632168

如图,基于带有分区的DAG以及阶段划分。可以从图中得到 逻辑上最优的task分配,一个task是一个线程来具体执行

那么如上图,task1中rdd1 rdd2 rdd3的迭代计算,都是由一个task(线程完成),这一阶段的这一条线,是纯内存计算。

如上图,task1 task2 task3,就形成了三个并行的 内存计算管道。

Spark默认受到全局并行度的限制,除了个别算子有特殊分区情况,大部分的算子,都会遵循全局并行度的要求,来规划自己的分区数。

如果全局并行度是3,其实大部分算子分区都是3

注意:Spark ,我们一般推荐只设置全局并行度,不要在算子上设置并行度。

除了一些排序算子外,计算算子就让他默认开分区就可以了


6.3.1 面试题

面试题1:Spark是怎么做内存计算的?DAG的作用?Stage阶段划分的作用?

  1. Spark会产生DAG图
  2. DAG图会基于分区和宽窄依赖关系划分阶段
  3. 一个阶段的内部都是窄依赖,窄依赖内,如果形成前后1:1的分区对应关系,就可以产生许多内存迭代计算的管道
  4. 这些内存迭代计算的管道,就是一个个具体的执行Task
  5. 一个Task是一个具体的线程,任务跑在一个线程内,就是走内存计算了。

面试题2:Spark为什么比MapReduce快

  1. Spark的算子丰富,MapReduce算子匮乏(Map和Reduce),MapReduce这个编程模型,很难在一套MR中处理复杂的任务。很多复杂任务,是需要写多个MapReduce进行串联。多个MR串联通过磁盘交互数据。
  2. Spark可以执行内存迭代,算子之间形成DAG,基于依赖划分阶段后,在阶段内形成内存迭代管道。但是MapReduce的Map和Reduce之间的交互依旧是通过硬盘来交互的。

总结:

  1. 编程模型上Spark占优(算子够多)
  2. 算子交互上,和计算行可以尽量多的内存计算而非磁盘迭代

6.4 Spark并行度

Spark的并行度:在同一时间内,有多少个task在同时运行

并行度:并行能力的设置

比如设置并行度6,其实就是要6个task并行在跑

在有了6个task并行的前提下,rdd的分区就被规划成6个分区了。

6.4.1 如何设置并行度

可以在代码中配置文件中以及提交程序的客户端参数中设置

优先级从高到低:

  1. 代码中
  2. 客户端提交参数中
  3. 配置文件中
  4. 默认(1,但是不会全部以1来跑,多数时候基于读取文件的分片数量来作为默认并行度)

全局并行度配置的参数:spark.default.parallelism

6.4.2 全局并行度-推荐

配置文件中:

1
2
conf/spark-defaults.conf 中设置
spark.default.parallelism 100

在客户端提交参数中:

1
bin/spark-submit --conf "spark.default.parallelism=100"

在代码中设置:

1
2
conf = SparkConf()
conf.set("spark.default.parallelism",100)

全局并行度是推荐设置,不要针对RDD改分区,可能会影响内存迭代管道的构建,或者会产生额外的shuffle

6.4.3 针对RDD的并行度设置-不推荐

只能在代码中写,算子:

  • repartition算子
  • coalesce算子
  • partitionBy算子

6.4.4 集群中如何规划并行度

结论:设置为CPU总核心的2~10倍

比如集群可用CPU核心是100个,我们建议并行度是200~1000

确保是CPU核心的整数倍即可,最小是2倍,最大一般10倍或者更高(适量)均可

为什么要设置最少2倍?

CPU的一个核心同一时间只能干一件事。

所以,在100个核心的情况下,设置100个并行,就能让CPU100%出力。

这种设置下,如果task的压力不均衡,某个task先执行完了,就导致某个CPU核心空闲

所以,我们将Task(并行)分配的数量变多,比如100个并行,同一时间只有100个在运行,700个在等待,

但是可以确保,某个task运行完了,后续有task补上,不让cpu闲下来,最大程度利用集群的资源。

规划并行度,只看集群总CPU核数

6.5 Spark任务调度

Spark的任务,由Driver进行调度,这个工作包含:

  1. 逻辑DAG产生
  2. 分区DAG产生
  3. Task划分
  4. 将Task分配给Executor并监控其工作

image-20230812200120293

如图,Spark程序的调度流程如图:

  1. Driver被构建出来
  2. 构建SparkContext(执行环境入口对象)
  3. 基于DAG Scheduler(DAG调度器)构建逻辑Task分配
  4. 基于TaskSchedule(Task调度器)将逻辑Task分配到各个Executor上干活,并监控它们。
  5. Worker(Executor),被TaskScheduler管理监控,听从它们的指令干活,并定期汇报进度。

1,2,3,4都是Driver的工作

5是Worker的工作

6.5.1 Drivcer内的两个组件

DAG调度器

工作内容:将逻辑的DAG图进行处理,最终得到逻辑上的Task划分

Task调度器

工作内容:基于DAG Scheduler的产出,来规划这些逻辑的task,应该在哪些物理的executor上运行,以及监控管理它们的运行。

6.6 拓展-Spark概念名词大全

6.6.1 Spark运行中的概念名词大全

image-20230812201554418

层级关系梳理:

  1. 一个Spark环境可以运行多个Application
  2. 一个代码运行起来,会成为一个Application
  3. Application内部可以有多个Job
  4. 每个Job由一个Action产生,并且每个Job有自己的DAG执行图
  5. 一个Job的DAG图会基于宽窄依赖划分成不同的阶段
  6. 不同阶段内基于分区数量,形成多个并行的内存迭代管道
  7. 每一个内存迭代管道形成一个Task(DAG调度器划分将Job内划分出具体的task任务,一个Job被划分出来的task在逻辑上称之为这个job的taskset)

6.7 SparkShuffle

6.7.1MR Shuffle回顾

首先回顾MapReduce框架中Shuffle过程,整体流程图如下:

image-20230812202841363

6.7.2 简介

Spark在DAG调度阶段会将一个Job划分为多个Stage,上游Stage做map工作,下游Stage做reduce工作,其本质上

还是MapReduce计算框架。Shuffle是连接map和reduce之间的桥梁,它将map的输出对应到reduce输入中,涉及

到序列化反序列化、跨节点网络IO以及磁盘读写IO等。

image-20230812202900693

Spark的Shuffle分为Write和Read两个阶段,分属于两个不同的Stage,前者是Parent Stage的最后一步,后者是

Child Stage的第一步。


执行Shuffle的主体是Stage中的并发任务,这些任务分ShuffleMapTask和ResultTask两种,ShuffleMapTask要进行

Shuffle,ResultTask负责返回计算结果,一个Job中只有最后的Stage采用ResultTask,其他的均为ShuffleMapTask

。如果要按照map端和reduce端来分析的话,ShuffleMapTask可以即是map端任务,又是reduce端任务,因为

Spark中的Shuffle是可以串行的;ResultTask则只能充当reduce端任务的角色。

image-20230812202945614


Spark在1.1以前的版本一直是采用Hash Shuffle的实现的方式,到1.1版本时参考Hadoop MapReduce的实现开始引

入Sort Shuffle,在1.5版本时开始Tungsten钨丝计划,引入UnSafe Shuffle优化内存及CPU的使用,在1.6中将

Tungsten统一到Sort Shuffle中,实现自我感知选择最佳Shuffle方式,到的2.0版本,Hash Shuffle已被删除,所有

Shuffle方式全部统一到Sort Shuffle一个实现中。

image-20230812203021649


在Spark的中,负责shuffle过程的执行、计算和处理的组件主要就是ShuffleManager,也即shuffle管理器。ShuffleManager随着

Spark的发展有两种实现的方式,分别为HashShuffleManager和SortShuffleManager,因此spark的Shuffle有Hash Shuffle和Sort

Shuffle两种。

在Spark 1.2以前,默认的shuffle计算引擎是HashShuffleManager。该ShuffleManager而HashShuffleManager有着一个非常严重

的弊端,就是会产生大量的中间磁盘文件,进而由大量的磁盘IO操作影响了性能。

因此在Spark 1.2以后的版本中,默认的ShuffleManager改成了SortShuffleManager。SortShuffleManager相较于

HashShuffleManager来说,有了一定的改进。主要就在于,每个Task在进行shuffle操作时,虽然也会产生较多的临时磁盘文件,但

是最后会将所有的临时文件合并(merge)成一个磁盘文件,因此每个Task就只有一个磁盘文件。在下一个stage的shuffle read task拉

取自己的数据时,只要根据索引读取每个磁盘文件中的部分数据即可。

image-20230812203120271

6.7.3 Sort Shuffle bypass机制

bypass运行机制的触发条件如下:

  1. shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold=200参数的值。
  2. 不是map combine聚合的shuffle算子(比如reduceByKey有map combie)。

image-20230812203715048

bypass运行机制的触发条件如下:

1)shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold=200参数的值。

2)不是map combine聚合的shuffle算子(比如reduceByKey有map combie)。

  • 此时task会为每个reduce端的task都创建一个临时磁盘文件,并将数据按key进行hash,然后根据key的hash值,

将key写入对应的磁盘文件之中。当然,写入磁盘文件时也是先写入内存缓冲,缓冲写满之后再溢写到磁盘文件的

。最后,同样会将所有临时磁盘文件都合并成一个磁盘文件,并创建一个单独的索引文件。

  • 该过程的磁盘写机制其实跟未经优化的HashShuffleManager是一模一样的,因为都要创建数量惊人的磁盘文件,

只是在最后会做一个磁盘文件的合并而已。因此少量的最终磁盘文件,也让该机制相对未经优化的

HashShuffleManager来说,shuffle read的性能会更好。

而该机制与普通SortShuffleManager运行机制的不同在于:

第一,磁盘写机制不同;

第二,不会进行排序。也就是说,启用该机制的最大好处在于,shuffle write过程中,不需要进行数据的排序操作,

也就节省掉了这部分的性能开销


总结:

  • SortShuffle也分为普通机制和bypass机制
  • 普通机制在内存数据结构(默认为5M)完成排序,会产生2M个磁盘小文件。
  • 而当shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold参数的值。或者算子不是聚合类的

shuffle算子(比如reduceByKey)的时候会触发SortShuffle的bypass机制,SortShuffle的bypass机制不会进行排序

,极大的提高了其性能。

6.7.4 Shuflle的配置选项

Shuffle阶段划分:

shuffle write:mapper阶段,上一个stage得到最后的结果写出

shuffle read :reduce阶段,下一个stage拉取上一个stage进行合并


spark 的shuffle调优:主要是调整缓冲的大小,拉取次数重试重试次数与等待时间,内存比例分配,是否进行排序操作等等

spark.shuffle.file.buffer

参数说明:该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小(默认是32K)。将数据写到磁盘文件之前,会先写入buffer缓冲中,待缓冲写满之后,才会溢写

到磁盘。

调优建议:如果作业可用的内存资源较为充足的话,可以适当增加这个参数的大小(比如64k),从而减少shuffle write过程中溢写磁盘文件的次数,也就可以减少磁盘IO次数,进而提升性

能。在实践中发现,合理调节该参数,性能会有1%~5%的提升。

spark.reducer.maxSizeInFlight

参数说明:该参数用于设置shuffle read task的buffer缓冲大小,而这个buffer缓冲决定了每次能够拉取多少数据。(默认48M)

调优建议:如果作业可用的内存资源较为充足的话,可以适当增加这个参数的大小(比如96m),从而减少拉取数据的次数,也就可以减少网络传输的次数,进而提升性能。在实践中发现

,合理调节该参数,性能会有1%~5%的提升。

spark.shuffle.io.maxRetries and spark.shuffle.io.retryWait

spark.shuffle.io.maxRetries :shuffle read task从shuffle write task所在节点拉取属于自己的数据时,如果因为网络异常导致拉取失败,是会自动进行重试的。该参数就代表了可以重试

的最大次数。(默认是3次)

spark.shuffle.io.retryWait:该参数代表了每次重试拉取数据的等待间隔。(默认为5s)

调优建议:一般的调优都是将重试次数调高,不调整时间间隔。

spark.shuffle.memoryFraction

参数说明:该参数代表了Executor内存中,分配给shuffle read task进行聚合操作内存比例。

spark.shuffle.manager

参数说明:该参数用于设置shufflemanager的类型(默认为sort).Spark1.5x以后有三个可选项:

Hash:spark1.x版本的默认值,HashShuffleManager

Sort:spark2.x版本的默认值,普通机制,当shuffle read task 的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数,自动开启bypass 机制

spark.shuffle.sort.bypassMergeThreshold

参数说明:当ShuffleManager为SortShuffleManager时,如果shuffle read task的数量小于这个阈值(默认是200),则shuffle write过程中不会进行排序操作。

调优建议:当你使用SortShuffleManager时,如果的确不需要排序操作,那么建议将这个参数调大一些

6.8 总结

  1. DAG是什么有什么用?

DAG是有向无环图,用以描述任务执行流程,主要作用就是协助DAG调度器构建Task分配用以做任务管理

  1. 内存迭代、阶段划分?

基于DAG的宽窄依赖划分阶段,阶段内部都是窄依赖可以构建内存迭代的管道

  1. DAG调度器是?

构建Task分配以做任务管理