Spark1.0.0 编程模型

Spark Application能够在集群中并行执行，其关键是抽象出RDD的概念（详见RDD
细解），也使得Spark Application的开发变得简单明了。下图浓缩了Spark的编程模型。

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvYm9va19tbWlja3k=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">

1：Spark应用程序的结构

      Spark应用程序可分两部分：driver部分和executor部分初始化SparkContext和主体程序

A：driver部分

      driver部分主要是对SparkContext进行配置、初始化以及关闭。初始化SparkContext是为了构建Spark应用程序的执行环境，在初始化SparkContext，要先导入一些Spark的类和隐式转换；在executor部分执行完成后，须要将SparkContext关闭。driver部分的基本代码框架例如以下：

package week2

import org.apache.spark.{SparkContext, SparkConf}
import org.apache.spark.SparkContext._

object WordCount1 {
  def main(args: Array[String]) {
    if (args.length == 0) {
      System.err.println("Usage: bin/spark-submit [options] --class week2.WordCount1 WordCount.jar <file1> ")
      System.exit(1)
    }

    val conf = new SparkConf().setAppName("WordCount1")
    val sc = new SparkContext(conf)

    。。。

//executor部分

    sc.stop()
  }
}

要注意的是，Spark1.0.0因为採用了spark-submit统一的应用程序提交工具，代码上有所改变：

• 不须要在代码里将应用程序本身通过addJars上传给资源管理器
• 添加了history server，须要在代码末尾关闭SparkContext，才干将完整的执行信息公布到history server。

B：executor部分

      Spark应用程序的executor部分是对数据的处理，数据分三种：

• 原生数据，包括输入的数据和输出的数据
  • 对于输入原生数据，Spark眼下提供了两种：
    • scala集合数据集，如Array(1,2,3,4,5)，Spark使用parallelize方法转换成RDD。

    • hadoop数据集，Spark支持存储在hadoop上的文件和hadoop支持的其它文件系统，如本地文件、HBase、SequenceFile和Hadoop的输入格式。比如Spark使用txtFile方法能够将本地文件或HDFS文件转换成RDD。

  • 对于输出数据，Spark除了支持以上两种数据。还支持scala标量
    • 生成Scala标量数据，如count（返回RDD中元素的个数）、reduce、fold/aggregate；返回几个标量，如take（返回前几个元素）。
    • 生成Scala集合数据集，如collect（把RDD中的全部元素倒入 Scala集合类型）、lookup（查找相应key的全部值）。

    • 生成hadoop数据集，如saveAsTextFile、saveAsSequenceFile
• RDD。Spark进行并行运算的基本单位。其细节參见RDD 细解。

  RDD提供了四种算子：

  • 输入算子。将原生数据转换成RDD，如parallelize、txtFile等
  • 转换算子，最基本的算子，是Spark生成DAG图的对象。转换算子并不马上运行，在触发行动算子后再提交给driver处理。生成DAG图 -->  Stage --> Task  --> Worker运行。按转化算子在DAG图中作用。能够分成两种：
    • 窄依赖算子
      • 输入输出一对一的算子，且结果RDD的分区结构不变。主要是map、flatMap。
      • 输入输出一对一，但结果RDD的分区结构发生了变化。如union、coalesce；
      • 从输入中选择部分元素的算子，如filter、distinct、subtract、sample。
    • 宽依赖算子，宽依赖会涉及shuffle类，在DAG图解析时以此为边界产生Stage。如图所看到的。
      • 对单个RDD基于key进行重组和reduce，如groupByKey、reduceByKey。
      • 对两个RDD基于key进行join和重组。如join、cogroup。

  • 缓存算子。对于要多次使用的RDD，能够缓冲加快执行速度，对关键数据能够採用多备份缓存。
  • 行动算子，将运算结果RDD转换成原生数据，如count、reduce、collect、saveAsTextFile等。

• 共享变量。在Spark执行时，一个函数传递给RDD内的patition操作时。该函数所用到的变量在每一个运算节点上都复制并维护了一份，而且各个节点之间不会相互影响。

  可是在Spark Application中。可能须要共享一些变量，提供Task或驱动程序使用。Spark提供了两种共享变量：

  • 广播变量，能够缓存到各个节点的共享变量，通常为仅仅读，用法：

scala> val broadcastVar = sc.broadcast(Array(1, 2, 3))
scala> broadcastVar.value

• 累计器。仅仅支持加法操作的变量，能够实现计数器和变量求和。用户能够调用SparkContext.accumulator(v)创建一个初始值为v的累加器。而执行在集群上的Task能够使用“+=”操作。但这些任务却不能读取；仅仅有驱动程序才干获取累加器的值。

  用法：

cala> val accum = sc.accumulator(0)
scala> sc.parallelize(Array(1, 2, 3, 4)).foreach(x => accum += x)

2：例程示范

      以下拿一个简单的样例WorCount来演示样例：

3：Spark应用程序的多语言编程

      Spark提供了Scala、Python、Java开发API。

用户能够依据自己的喜好选择对应的编程语言和工具。

建议使用Scala和IntelliJ IDEA开发。

关于多语言开发能够參考：Spark1.0.0 多语言编程

关于Spark应用程序的部署能够參考：Spark1.0.0 应用程序部署工具spark-submit

关于Spark应用程序的执行架构能够參考：Spark1.0.0 执行架构基本概念