Spark菜鸟学习营Day1 从Java到RDD编程

Spark菜鸟学习营Day1

从Java到RDD编程

菜鸟训练营主要的目标是帮助大家从零开始，初步掌握Spark程序的开发。

Spark的编程模型是一步一步发展过来的，今天主要带大家走一下这段路，让我们从一段最最基础的Java代码开始。

问题:Java有哪些数据结构

大致有如下几种，其中List与Map是最重要的：

• List
• Map
• Set
• Array
• Heap
• Stack
• Queue
• Tree

练习：构造一个1-5的List,把他们打印出来

写法1

        List<Integer> input = Arrays.asList(1, 2, 3, 4, 5);
        for (int i = 0; i < input.size(); i++) {
            System.out.println(input.get(i));
        }

这个写法存在的问题：

1. 存在额外定义的变量i，需要对i进行逻辑控制(比如不能超过size)。
2. 无法在循环内部如果对List进行安全更新，会产生逻辑问题。
3. 这个写法非常的不推荐使用！！！

写法2

        Iterator<Integer> it = input.iterator();
        while (it.hasNext()) {
            System.out.println("a" + it.next());
        }

几点说明：

1. iterator相当于oracle中游标，拥有数据只读和只能一次性读的特点。
2. hasNext()和next)()是游标必备的方法，其中hasNext是判断是否有下一条，等同%Found，next是获取下一条数，等同fetch。
   
   这个写法存在的问题：
3. 存在额外的对象it，读取方法比较简单，但是也需要记忆。

写法3

        for (Integer i : input) {
            System.out.println(i);
        }

这是对写法2的优化，逻辑完全等价，是一个语法糖。

写法2和写法3共同存在的问题：

1. 执行是串行的，对大数量的情况不适合。

写法4

input.parallelStream().forEach(
                new Consumer<Integer>() {
                    @Override
                    public void accept(Integer a) {
                        System.out.println(a);
                    }
                }
        );

在这个写法中，执行是并行执行的，

从语句特点看是将一个对象出入了forEach方法中，进行一下说明：

1. 多线程程序，其实是几个互相独立运行的程序，产生了一个问题，我们需要将逻辑传递给给各自独立运行的程序
2. 由于在Java中对象是全局存储的，所以是唯一可以在独立运行程序中传递的介质。
3. 但是我们要的传递的是逻辑，比如要转变为对象才能传递，如果变成对象，要做两件事情：
   • 把逻辑，用方法来封装(示例中的apply方法)
   • 把方法，用class或者intereface来封装，更推荐intereface(示例中的Consumer)
     • 因为class既可以包含数据、又可以包含方法，而intereface中只包含方法，在我们的场景中，只需要传递方法
4. 最后，接口提供方预先将intereface和method定义好，调用者按照模板使用即可。
   
   存在的问题：
5. 语句比较长，逻辑也比较复杂

写法5

        input.parallelStream().forEach(
                a -> System.out.println(a)
        );

这个写法和写法4逻辑没有任何区别，主要是用lambda表达式简化了对象的写法，是一个语法糖。

写法4和写法5共同的问题是：

当数据量进一步扩大，一台机器就算是多线程运行也无法完成的情况下，是无法处理的。

小结

在上述的几个写法中，主要是通过对于List的一系列增强，从而解决了一系列的问题。

1. 写法2、3相比写法1，使用Iterator增强List，实现了数据的可更新。
2. 写法4、5相比前面的写法，使用Stream增强Iterator，实现了数据的并发运算。
   
   但是，还是留下了在更大数据集情况下的处理。这个是时候，我们需要引入Spark。
   
   Spark中核心是RDD，是对Stream的进一步增强，在并发的基础上，增加了同时在多台机器上的分布式计算。解决了大数据集的问题。

练习：RDD编程

题目

进行RDD操作的训练:

1. 读取交易记录
2. 按照SecurityId进行计数
3. 根据计数，从高到低排序
4. 输出结果

练习过程：

Step1:获取RDD数据，这个是调用公共方法，请注意的是，PracticePojo是预先准备好的测试数据名称。

JavaRDD<PracticePojo> inputTradeRecords = this.getInputRDD(PracticePojo.class);

Step2:将数据转为Key-Value格式

因为在Spark处理中，reduce、sort、group等操作涉及到在分布式机器间的数据交互，数据必须要有Key来作为分布操作的依据，所以我们首先要将数据格式进行转换。

        JavaPairRDD<String, Integer> mappedTradeRecords = inputTradeRecords.mapToPair(
                new PairFunction<PracticePojo, String, Integer>() {
                    @Override
                    public Tuple2<String, Integer> call(PracticePojo practicePojo) throws Exception {
                        return new Tuple2<String, Integer>(practicePojo.getSecurityId(), 1);
                    }
                });

Step3：执行计数操作。

这里会用到reduceByKey方法，这里要注意的是，reduce是一个非常常用的操作，它有两个操作步骤：

1. 对数据按照Key进行分组
2. 对每组数据执行算子计算，需要注意reduce的计算必须满足交换律和结合律
   • 这个算子是指，当整个计算过程都满足交换律和结合律后，我们可以用任意两个数据之间的计算关系来定义整个计算关系
   • 比如:sum和count，可以用加法表示，max可以用a>b?a:b这样的计算来表示，min是反过来

        JavaPairRDD<String, Integer> reducedTradeRecords = mappedTradeRecords.reduceByKey(
                new Function2<Integer, Integer, Integer>() {
                    @Override
                    public Integer call(Integer v1, Integer v2) throws Exception {
                        return v1 + v2;
                    }
                });

Step4：执行排序

这里有两步操作：

1. 首先是使用mapToPair方法进行数据变形，因为sortByKey方法仅是针对key来排序，而我们原始数据的key并不是我们要的排序字段，所以首先需要将key和value换一下
2. 用sortByKey执行排序操作，需要注意的是，参数是一个布尔值，默认为升序，false表示降序

     JavaPairRDD<Integer, String> reversedTradeRecords = reducedTradeRecords.mapToPair(
                new PairFunction<Tuple2<String, Integer>, Integer, String>() {
                    @Override
                    public Tuple2<Integer, String> call(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {
                        return new Tuple2<Integer, String>(stringIntegerTuple2._2, stringIntegerTuple2._1);
                    }
                });

        JavaPairRDD<Integer, String> sortedTradeRecords = reversedTradeRecords.sortByKey(false);

Step5：输出结果

一般我们都是输出一个JavaRDD，这里采用了预先定义的PracticeResultPojo结构，会将排序完的结果映射到这个结构上。

JavaRDD<PracticeResultPojo> resultTradeRecords = sortedTradeRecords.map(
                new Function<Tuple2<Integer, String>, PracticeResultPojo>() {
                    @Override
                    public PracticeResultPojo call(Tuple2<Integer, String> v1) throws Exception {
                        PracticeResultPojo resultPojo = new PracticeResultPojo();
                        resultPojo.setSecurityId(v1._2);
                        resultPojo.setCount(v1._1);
                        return resultPojo;
                    }
                });

小结

RDD编程，难点如下：

1. 采用对象方式来封装逻辑，和stream中处理方式一致，但是由于算子较多，每个算子要求不同，需要有一定练习来熟悉
2. 输入输出为JavaRDD,但reduce、group、sort等操作需要中间使用mapToPair将JavaRDD转成JavaPairRDD才能操作，会涉及到多次转换
3. reduce操作中，算子是更高层次的抽象，有一定的理解难度