SparkCore

一、概述

1，定义

　　RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的数据抽象。代码中是一个抽象类，它代表一个不可变、可分区、里面的元素可并行计算的集合。

2，RDD的特点

　　RDD表示制度的分区的数据集，对RDD进行改动，只能通过RDD的转换操作，由一个RDD得到一个新的RDD，新的RDD包含了从其他RDD衍生所必须的信息。RDDs之间存在依赖，RDD的执行是按照血缘关系延时计算的。如果血缘关系长，可以通过持久化RDD来切断血缘关系。

　　a)分区

RDD逻辑上是分区的，每个分区的数据是抽象存在的，计算的时候会通过一个compute函数得到每个分区的数据。
如果RDD是通过已有的文件系统构建，则compute函数是读取指定文件系统中的数据，如果RDD是通过其他RDD转换而来，则compute函数是执行转换逻辑将其他RDD的数据进行转换。

　　b)只读

RDD是只读的，要想改变RDD中的数据，只能在现有的RDD基础上创建新的RDD。
RDD的操作算子包括两类，一类叫做transformations(转换算子)，它是用来将RDD进行转化，构建RDD的血缘关系；
　　另一类叫做actions(行动算子)，它是用来触发RDD的计算，得到RDD的相关计算结果或者将RDD保存的文件系统中。

　　c)依赖

RDDs通过操作算子进行转换，转换得到的新RDD包含了其他RDDs衍生所必须的信息，RDDs之间维护着这种血缘关系，也称之为依赖。
依赖分为两种：一种是窄依赖，RDDs之间分区是一一对应的；另一种是宽依赖，下游RDD的每个分区与上游的RDD(也称之为父RDD)的每个分区都有关，是多对多的关系。

　　d)缓存

如果在应用程序中多次使用同一个RDD，可以将该RDD缓存起来，该RDD只有在第一次计算的时候会根据血缘关系得到分区的数据，
　　在后续其他地方用到该RDD的时候，会直接从缓存处取而不用再根据血缘关系计算，这样就加速后期的重用。
如下图所示，RDD-1经过一系列的转换后得到RDD-n并保存到hdfs，RDD-1在这一过程中会有个中间结果，如果将其缓存到内存，
　　那么在随后的RDD-1转换到RDD-m这一过程中，就不会计算其之前的RDD-0了。

　　RDD通过persist方法或cache方法可以将前面的计算结果缓存，默认情况下 persist() 会把数据以序列化的形式缓存在 JVM 的堆空间中。但是并不是这两个方法被调用时立即缓存，而是触发后面的action时，该RDD将会被缓存在计算节点的内存中，并供后面重用。

　　e)CheckPoint

虽然RDD的血缘关系天然地可以实现容错，当RDD的某个分区数据失败或丢失，可以通过血缘关系重建。
但是对于长时间迭代型应用来说，随着迭代的进行，RDDs之间的血缘关系会越来越长，一旦在后续迭代过程中出错，则需要通过非常长的血缘关系去重建，势必影响性能。
为此，RDD支持checkpoint将数据保存到持久化的存储中，这样就可以切断之前的血缘关系，因为checkpoint后的RDD不需要知道它的父RDDs了，它可以从checkpoint处拿到数据。 //sc.setCheckpointDir设置检查点

二、RDD的创建

1，从集合中创建

//方式一
val rdd = sc.parallelize(Array(,,,,,,,))//1 to 8
//方式二
val rdd1 = sc.makeRDD(Array(,,,,,,,))// 1 to 8

2，从外部存储系统的数据集创建

val rdd2= sc.textFile("hdfs://hadoop102:9000/RELEASE") //从hdfs中读取

3，从其他RDD创建(RDD的转换)

三、RDD的分类以及转换

1，value类型

　　a)map()和mapPartition()

map()：每次处理一条数据。
mapPartition()：每次处理一个分区的数据，这个分区的数据处理完后，原RDD中分区的数据才能释放，可能导致OOM。
开发指导：当内存空间较大的时候建议使用mapPartition()，以提高处理效率。

　　b)flatMap

类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）

　　c)coalesce()和repartition()

coalesce重新分区，可以选择是否进行shuffle过程。由参数shuffle: Boolean = false/true决定。默认为false
repartition实际上是调用的coalesce，默认是进行shuffle的。源码如下：
    def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
      coalesce(numPartitions, shuffle = true)
    }

　　d)distinct(numPartitions):去重，会进行shuffle

　　e)glom:将每一个分区形成一个数组，形成新的RDD类型时RDD[Array[T]]

　　f)filter:过滤。返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成。

　　g)sample(withReplacement, fraction, seed):withReplacement表示抽样数据是否放回，fraction为随机比例，seed随机种子

2，双value类型交互

　　a)union:对源RDD和参数RDD求并集后返回一个新的RDD

　　b)subtract:计算差的一种函数，去除两个RDD中相同的元素，不同的RDD将保留下来

　　c)intersection:对源RDD和参数RDD求交集后返回一个新的RDD

　　d)cartesian:笛卡尔积（尽量避免使用）

　　e)zip:将两个RDD组合成Key/Value形式的RDD,这里默认两个RDD的partition数量以及元素数量都相同，否则会抛出异常。

3，key-value类型

　　a)partitionBy:对pairRDD进行分区操作，如果原有的partionRDD和现有的partionRDD是一致的话就不进行分区，否则会生成ShuffleRDD，即会产生shuffle过程。自定义分区器继承Partitioner，重写方法即可自定义分区。

　　b)groupByKey与reduceByKey

 reduceByKey：按照key进行聚合，在shuffle之前有combine（预聚合）操作，返回结果是RDD[k,v].
 groupByKey：按照key进行分组，直接进行shuffle。
 开发指导：reduceByKey比groupByKey，建议使用。但是需要注意是否会影响业务逻辑。

　　c)aggregateByKey:(zeroValue:U,[partitioner: Partitioner])(seqOp: (U, V) => U,combOp: (U, U) => U)

（）zeroValue：给每一个分区中的每一个key一个初始值；
（）seqOp：函数用于在每一个分区中用初始值逐步迭代value；
（）combOp：函数用于合并每个分区中的结果。

//案例
val rdd = sc.parallelize(List(("a",),("a",),("c",),("b",),("c",),("c",)),)
val agg = rdd.aggregateByKey()(math.max(_,_),_+_)

　　d)foldByKey:(zeroValue: V)(func: (V, V) => V): RDD[(K, V)]。作用：aggregateByKey的简化操作，seqop和combop相同。

　　e)combineByKey:(createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C)

（）createCombiner: combineByKey() 会遍历分区中的所有元素，因此每个元素的键要么还没有遇到过，要么就和之前的某个元素的键相同。如果这是一个新的元素,combineByKey()会使用一个叫作createCombiner()的函数来创建那个键对应的累加器的初始值
（）mergeValue: 如果这是一个在处理当前分区之前已经遇到的键，它会使用mergeValue()方法将该键的累加器对应的当前值与这个新的值进行合并
（）mergeCombiners: 由于每个分区都是独立处理的， 因此对于同一个键可以有多个累加器。如果有两个或者更多的分区都有对应同一个键的累加器， 就需要使用用户提供的 mergeCombiners() 方法将各个分区的结果进行合并。

//案例
val input = sc.parallelize(Array(("a", ), ("b", ), ("a", ), ("b", ), ("a", ), ("b", )),)
val combine = input.combineByKey((_,),(acc:(Int,Int),v)=>(acc._1+v,acc._2+),(acc1:(Int,Int),acc2:(Int,Int))=>(acc1._1+acc2._1,acc1._2+acc2._2)) //Array((b,(286,3)), (a,(274,3)))

　　f)sortByKey:在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD

val rdd = sc.parallelize(Array((,"aa"),(,"cc"),(,"bb"),(,"dd")))
//正序
rdd.sortByKey(true).collect()
//res9: Array[(Int, String)] = Array((1,dd), (2,bb), (3,aa), (6,cc))

　　g)mapValues:针对(K,V)形式的类型只对V进行操作

val rdd3 = sc.parallelize(Array((,"a"),(,"d"),(,"b"),(,"c")))
rdd3.mapValues(_+"|||").collect()
//res26: Array[(Int, String)] = Array((1,a|||), (1,d|||), (2,b|||), (3,c|||))

　　h)join:在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD

　　i)cogroup:在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable<V>,Iterable<W>))类型的RDD

4，Action

　　reduce、collect、count、first、take(n)、takeOrdered(n)、aggregate、fold、saveAsTextFile、saveAsSequenceFile、saveAsObjectFile、countByKey、foreach

四、RDD依赖关系

1，窄依赖

　　窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用,窄依赖我们形象的比喻为独生子女

2，宽依赖

　　宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition，会引起shuffle,总结：宽依赖我们形象的比喻为超生

3，DAG有向无环图

　　原始的RDD通过一系列的转换就就形成了DAG，根据RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在Stage中完成计算。对于宽依赖，由于有Shuffle的存在，只能在parent RDD处理完成后，才能开始接下来的计算，因此宽依赖是划分Stage的依据。

4，任务划分

application:一个application就是一个应用程序，包含了客户端所有的代码和计算资源SparkContext
job:一个action操作对应一个DAG有向无环图，即一个action操作就是一个job
stage:一个job中包含了大量的宽依赖，按照宽依赖进行stage划分，一个job产生了很多个stage
task:一个stage中有很多分区，一个分区就是一个task，即一个stage中有很多个task

sc.textFile("xx").flatMap(_.split(" ")).map((_,)).reduceByKey(_+_).saveAsTextFile("yy")
sc对应有个application
saveAsTextFile为一个Action
reduceByKey为一个shuffle，故而将当前job分为两个stage

五、RDD的分区器

　　Spark目前支持Hash分区和Range分区，用户也可以自定义分区，Hash分区为当前的默认分区，Spark中分区器直接决定了RDD中分区的个数、RDD中每条数据经过Shuffle过程属于哪个分区和Reduce的个数。

1,Hash分区

　　HashPartitioner分区的原理：对于给定的key，计算其hashCode，并除以分区的个数取余，如果余数小于0，则用余数+分区的个数（否则加0），最后返回的值就是这个key所属的分区ID。

2，Ranger分区

　　HashPartitioner分区弊端：可能导致每个分区中数据量的不均匀，极端情况下会导致某些分区拥有RDD的全部数据。

　　RangePartitioner作用：将一定范围内的数映射到某一个分区内，尽量保证每个分区中数据量的均匀，而且分区与分区之间是有序的，一个分区中的元素肯定都是比另一个分区内的元素小或者大，但是分区内的元素是不能保证顺序的。简单的说就是将一定范围内的数映射到某一个分区内。实现过程为：

　　第一步：先从整个RDD中抽取出样本数据，将样本数据排序，计算出每个分区的最大key值，形成一个Array[KEY]类型的数组变量rangeBounds；

　　第二步：判断key在rangeBounds中所处的范围，给出该key值在下一个RDD中的分区id下标；该分区器要求RDD中的KEY类型必须是可以排序的

3，自定义分区

　　要实现自定义的分区器，你需要继承 org.apache.spark.Partitioner 类并实现下面三个方法。

　　（1）numPartitions: Int:返回创建出来的分区数。

　　（2）getPartition(key: Any): Int:返回给定键的分区编号(0到numPartitions-1)。

　　（3）equals():Java 判断相等性的标准方法。这个方法的实现非常重要，Spark 需要用这个方法来检查你的分区器对象是否和其他分区器实例相同，这样 Spark 才可以判断两个 RDD 的分区方式是否相同。

六、RDD扩展

1，累加器:

　　分布式共享写变量:累加器用来对信息进行聚合，通常在向 Spark传递函数时，比如使用 map() 函数或者用 filter() 传条件时，可以使用驱动器程序中定义的变量，但是集群中运行的每个任务都会得到这些变量的一份新的副本，更新这些副本的值也不会影响驱动器中的对应变量。如果我们想实现所有分片处理时更新共享变量的功能，那么累加器可以实现我们想要的效果。

　　a)系统累加器

val longAccumulator = sc.longAccumulator
val doubleAccumulator = sc.doubleAccumulator
val accumulator = sc.collectionAccumulator[String]

　　b)自定义累加器

/**
  * 用map存储，当输入的key在累加器中就将该key的value+1，不在就将累加器中就设置为1
  * String作为输入，,mutable.HashMap[String,Long]作为输出
  */
class MapAccumulator extends AccumulatorV2[String,mutable.HashMap[String,Long]]{

  val hashMap = new mutable.HashMap[String,Long]()
  //判空
  override def isZero: Boolean = hashMap.isEmpty
  //复制
  override def copy(): AccumulatorV2[String, mutable.HashMap[String, Long]] = {
    val accumulator = new MapAccumulator
    hashMap.synchronized{
      accumulator.hashMap ++= this.hashMap
    }
    accumulator
  }
  //重置
  override def reset(): Unit = hashMap.empty
  //添加元素
  override def add(key: String): Unit = {
      hashMap.put(key,hashMap.getOrElse(key,0L)+1L)
  }
  //两个分区进行合并
  override def merge(other: AccumulatorV2[String, mutable.HashMap[String, Long]]): Unit = {
    val value = other.value
    value.foreach{
      case (k,v)=>
        hashMap.put(k,hashMap.getOrElse(k, 0L)+v)
    }
  }
  //返回值
  override def value: mutable.HashMap[String, Long] = hashMap
}

val keyRDD = sc.makeRDD(List("aaa","bbb","ccc","aaa","ccc","aaa"),)
//TODO 创建累加器
val accumulator = new MapAccumulator
//TODO 注册累加器
sc.register(accumulator)
keyRDD.foreach{
  key =>
    //TODO 操作累加器
    accumulator.add(key)
}
//TODO 获取累加器
val result = accumulator.value

2，广播变量

　　分布式共享读变量：广播变量用来高效分发较大的对象。向所有工作节点发送一个较大的只读值，以供一个或多个Spark操作使用。比如，如果你的应用需要向所有节点发送一个较大的只读查询表，甚至是机器学习算法中的一个很大的特征向量，广播变量用起来都很顺手。 在多个并行操作中使用同一个变量，但是 Spark会为每个任务分别发送。

val broadcastVar = sc.broadcast(Array(, , ))　　//声明广播变量
//broadcastVar: org.apache.spark.broadcast.Broadcast[Array[Int]] = Broadcast(35)
broadcastVar.value　　//使用共享变量
//res33: Array[Int] = Array(1, 2, 3)