Spark基本工作原理与RDD及wordcount程序实例和原理深度剖析

港控/mmm° 2022-05-25 07:11 207阅读 0赞

# RDD以及其特点 #

1、RDD是Spark提供的核心抽象，全称为Resillient Distributed Dataset，即弹性分布式数据集。  
2、RDD在抽象上来说是一种元素集合，包含了数据。它是被分区的，分为多个分区，每个分区分布在集群中的不同节点上，从而让RDD中的数据可以被并行操作。（分布式数据集）  
3、RDD通常通过Hadoop上的文件，即HDFS文件或者Hive表，来进行创建；有时也可以通过应用程序中的集合来创建。  
4、RDD最重要的特性就是，提供了容错性，可以自动从节点失败中恢复过来。即如果某个节点上的RDD partition，因为节点故障，导致数据丢了，那么RDD会自动通过自己的数据来源重新计算该partition。这一切对使用者是透明的。  
5、RDD的数据默认情况下存放在内存中的，但是在内存资源不足时，Spark会自动将RDD数据写入磁盘。（弹性）

## RDD以及其特性 ##

![这里写图片描述][70]

# 什么是Spark开发？ #

1、核心开发：离线批处理 / 延迟性的交互式数据处理  
2、SQL查询：底层都是RDD和计算操作  
3、实时计算：底层都是RDD和计算操作

## Spark核心编程原理 ##

![这里写图片描述][70 1]

# 开发wordcount程序 #

1、用Java开发wordcount程序  
1.1 配置maven环境  
1.2 如何进行本地测试  
1.3 如何使用spark-submit提交到spark集群进行执行（spark-submit常用参数说明，spark-submit其实就类似于hadoop的hadoop jar命令）

**pom.xml**

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
      <modelVersion>4.0.0</modelVersion>
    
      <groupId>cn.spark</groupId>
      <artifactId>spark-study-java</artifactId>
      <version>0.0.1-SNAPSHOT</version>
      <packaging>jar</packaging>
    
      <name>spark-study-java</name>
      <url>http://maven.apache.org</url>
    
      <properties>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
      </properties>
    
      <dependencies>
        <dependency>
          <groupId>junit</groupId>
          <artifactId>junit</artifactId>
          <version>3.8.1</version>
          <scope>test</scope>
        </dependency>
        <dependency>
          <groupId>org.apache.spark</groupId>
          <artifactId>spark-core_2.10</artifactId>
          <version>1.3.0</version>
        </dependency>
        <dependency>
          <groupId>org.apache.spark</groupId>
          <artifactId>spark-sql_2.10</artifactId>
          <version>1.3.0</version>
          </dependency>
        <dependency>
          <groupId>org.apache.spark</groupId>
          <artifactId>spark-hive_2.10</artifactId>
          <version>1.3.0</version>
        </dependency>
        <dependency>
          <groupId>org.apache.spark</groupId>
          <artifactId>spark-streaming_2.10</artifactId>
          <version>1.3.0</version>
        </dependency>
        <dependency>
          <groupId>org.apache.hadoop</groupId>
          <artifactId>hadoop-client</artifactId>
          <version>2.4.1</version>
        </dependency>
        <dependency>
          <groupId>org.apache.spark</groupId>
          <artifactId>spark-streaming-kafka_2.10</artifactId>
          <version>1.3.0</version>
        </dependency>
      </dependencies>
    
      <build>
        <sourceDirectory>src/main/java</sourceDirectory>
        <testSourceDirectory>src/main/test</testSourceDirectory>
    
        <plugins>
          <plugin>
            <artifactId>maven-assembly-plugin</artifactId>
            <configuration>
              <descriptorRefs>
                <descriptorRef>jar-with-dependencies</descriptorRef>
              </descriptorRefs>
              <archive>
                <manifest>
                  <mainClass></mainClass>
                </manifest>
              </archive>
            </configuration>
            <executions>
              <execution>
                <id>make-assembly</id>
                <phase>package</phase>
                <goals>
                  <goal>single</goal>
                </goals>
              </execution>
            </executions>
          </plugin>
    
          <plugin>
            <groupId>org.codehaus.mojo</groupId>
            <artifactId>exec-maven-plugin</artifactId>
            <version>1.2.1</version>
            <executions>
              <execution>
                <goals>
                  <goal>exec</goal>
                </goals>
              </execution>
            </executions>
            <configuration>
              <executable>java</executable>
              <includeProjectDependencies>true</includeProjectDependencies>
              <includePluginDependencies>false</includePluginDependencies>
              <classpathScope>compile</classpathScope>
              <mainClass>cn.spark.study.App</mainClass>
            </configuration>
          </plugin>
    
          <plugin>
            <groupId>org.apache.maven.plugins</groupId>
            <artifactId>maven-compiler-plugin</artifactId>
            <configuration>
              <source>1.6</source>
              <target>1.6</target>
            </configuration>
          </plugin>
    
        </plugins>
      </build>
    </project>

**代码**

package cn.spark.study.core;
    
    import java.util.Arrays;
    
    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.Function2;
    import org.apache.spark.api.java.function.PairFunction;
    import org.apache.spark.api.java.function.VoidFunction;
    
    import scala.Tuple2;
    
    /** * 使用java开发本地测试的wordcount程序 * @author Administrator * */
    public class WordCountLocal { 
    
        public static void main(String[] args) {
            // 编写Spark应用程序
            // 本地执行，是可以执行在eclipse中的main方法中，执行的
    
            // 第一步：创建SparkConf对象，设置Spark应用的配置信息
            // 使用setMaster()可以设置Spark应用程序要连接的Spark集群的master节点的url
            // 但是如果设置为local则代表，在本地运行
            SparkConf conf = new SparkConf()
                    .setAppName("WordCountLocal")
                    .setMaster("local");  
    
            // 第二步：创建JavaSparkContext对象
            // 在Spark中，SparkContext是Spark所有功能的一个入口，你无论是用java、scala，甚至是python编写
                // 都必须要有一个SparkContext，它的主要作用，包括初始化Spark应用程序所需的一些核心组件，包括
                // 调度器（DAGSchedule、TaskScheduler），还会去到Spark Master节点上进行注册，等等
            // 一句话，SparkContext，是Spark应用中，可以说是最最重要的一个对象
            // 但是呢，在Spark中，编写不同类型的Spark应用程序，使用的SparkContext是不同的，如果使用scala，
                // 使用的就是原生的SparkContext对象
                // 但是如果使用Java，那么就是JavaSparkContext对象
                // 如果是开发Spark SQL程序，那么就是SQLContext、HiveContext
                // 如果是开发Spark Streaming程序，那么就是它独有的SparkContext
                // 以此类推
            JavaSparkContext sc = new JavaSparkContext(conf);
    
            // 第三步：要针对输入源（hdfs文件、本地文件，等等），创建一个初始的RDD
            // 输入源中的数据会打散，分配到RDD的每个partition中，从而形成一个初始的分布式的数据集
            // 我们这里呢，因为是本地测试，所以呢，就是针对本地文件
            // SparkContext中，用于根据文件类型的输入源创建RDD的方法，叫做textFile()方法
            // 在Java中，创建的普通RDD，都叫做JavaRDD
            // 在这里呢，RDD中，有元素这种概念，如果是hdfs或者本地文件呢，创建的RDD，每一个元素就相当于
            // 是文件里的一行
            JavaRDD<String> lines = sc.textFile("D://1.txt");
    
            // 第四步：对初始RDD进行transformation操作，也就是一些计算操作
            // 通常操作会通过创建function，并配合RDD的map、flatMap等算子来执行
            // function，通常，如果比较简单，则创建指定Function的匿名内部类
            // 但是如果function比较复杂，则会单独创建一个类，作为实现这个function接口的类
    
            // 先将每一行拆分成单个的单词
            // FlatMapFunction，有两个泛型参数，分别代表了输入和输出类型
            // 我们这里呢，输入肯定是String，因为是一行一行的文本，输出，其实也是String，因为是每一行的文本
            // 这里先简要介绍flatMap算子的作用，其实就是，将RDD的一个元素，给拆分成一个或多个元素
            JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
    
                private static final long serialVersionUID = 1L;
    
                @Override
                public Iterable<String> call(String line) throws Exception {
                    return Arrays.asList(line.split(" "));  
                }
    
            });
    
            // 接着，需要将每一个单词，映射为(单词, 1)的这种格式
                // 因为只有这样，后面才能根据单词作为key，来进行每个单词的出现次数的累加
            // mapToPair，其实就是将每个元素，映射为一个(v1,v2)这样的Tuple2类型的元素
                // 如果大家还记得scala里面讲的tuple，那么没错，这里的tuple2就是scala类型，包含了两个值
            // mapToPair这个算子，要求的是与PairFunction配合使用，第一个泛型参数代表了输入类型
                // 第二个和第三个泛型参数，代表的输出的Tuple2的第一个值和第二个值的类型
            // JavaPairRDD的两个泛型参数，分别代表了tuple元素的第一个值和第二个值的类型
            JavaPairRDD<String, Integer> pairs = words.mapToPair(
    
                    new PairFunction<String, String, Integer>() {
    
                        private static final long serialVersionUID = 1L;
    
                        @Override
                        public Tuple2<String, Integer> call(String word) throws Exception {
                            return new Tuple2<String, Integer>(word, 1);
                        }
    
                    });
    
            // 接着，需要以单词作为key，统计每个单词出现的次数
            // 这里要使用reduceByKey这个算子，对每个key对应的value，都进行reduce操作
            // 比如JavaPairRDD中有几个元素，分别为(hello, 1) (hello, 1) (hello, 1) (world, 1)
            // reduce操作，相当于是把第一个值和第二个值进行计算，然后再将结果与第三个值进行计算
            // 比如这里的hello，那么就相当于是，首先是1 + 1 = 2，然后再将2 + 1 = 3
            // 最后返回的JavaPairRDD中的元素，也是tuple，但是第一个值就是每个key，第二个值就是key的value
            // reduce之后的结果，相当于就是每个单词出现的次数
            JavaPairRDD<String, Integer> wordCounts = pairs.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;
                        }
    
                    });
    
            // 到这里为止，我们通过几个Spark算子操作，已经统计出了单词的次数
            // 但是，之前我们使用的flatMap、mapToPair、reduceByKey这种操作，都叫做transformation操作
            // 一个Spark应用中，光是有transformation操作，是不行的，是不会执行的，必须要有一种叫做action
            // 接着，最后，可以使用一种叫做action操作的，比如说，foreach，来触发程序的执行
            wordCounts.foreach(new VoidFunction<Tuple2<String,Integer>>() {
    
                private static final long serialVersionUID = 1L;
    
                @Override
                public void call(Tuple2<String, Integer> wordCount) throws Exception {
                    System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times.");    
                }
    
            });
    
            sc.close();
        }
    
    }

![这里写图片描述][70 2]

**集群上运行、操作步骤和Scala差不多、可参考下面**

2、用Scala开发wordcount程序  
2.1 下载scala ide for eclipse  
2.2 在Java Build Path中，添加spark依赖包（如果与scala ide for eclipse原生的scala版本发生冲突，则移除原生的scala / 重新配置scala compiler）  
2.3 用export导出scala spark工程  
**pom.xml同上**  
**代码**

**wordcount.sh**

/usr/local/spark/bin/spark-submit \
    --class cn.spark.study.core.WordCount \ --num-executors 3 \ --driver-memory 100m \ --executor-memory 100m \ --executor-cores 3 \ /usr/local/spark-study/scala/WordCount.jar \

![这里写图片描述][70 3]  
![这里写图片描述][70 4]  
3、用spark-shell开发wordcount程序  
3.1 常用于简单的测试  
![这里写图片描述][70 5]  
![这里写图片描述][70 6]  
![这里写图片描述][70 7]

# wordcount程序原理深度剖析 #

![这里写图片描述][70 8]

# Spark架构原理 #

**对于上面的wordcount程序在Spark各个组件的执行流程一个简单的图、详细流程后面会有**  
![这里写图片描述][70 9]

[70]: /images/20220525/417a19f4cf814defb00b67e3cb41c934.png
[70 1]: /images/20220525/6bbb6150681c4d65aedcb0082cef0e5a.png
[70 2]: /images/20220525/e76006d4f50241d7b5e858cbf250c04a.png
[70 3]: /images/20220525/08846540ed6d48c990c6626785700719.png
[70 4]: /images/20220525/65a2ffdb2ee74475a955a87b8a46027c.png
[70 5]: /images/20220525/436aa571dfba420f884f43663d6444e2.png
[70 6]: /images/20220525/b43c572fbe9043e38ee93f91bfc9001b.png
[70 7]: /images/20220525/d50a77aa5cd148ad91f5146c84dbd435.png
[70 8]: /images/20220525/500a6603497446b4a4b7b26b77544eec.png
[70 9]: /images/20220525/0cf11910f4cd40e693c4c005ce64a711.png