Spark很全的知识点总结

Spark是一个快速且通用的集群计算平台。

集群计算：把一台电脑无法解决的问题，放到多台电脑组成的集群上进行解决，这就是集群计算。

1.Spark是快速的

很多任务能够秒级完成，对于一些特定的工作，Spark比Mapreduce快10-20倍。

Spark扩充了流行的Mapreduce计算模型，使Spark更高效地支持更多类型的计算，包括交互式查询，和流处理。

速度快的另一个主要原因就是，能够在内存中计算。

2.Spark是通用的

Spark的设计，容纳了之前很多独立的，分布式系统所拥有的功能。独立的分布式系统包括：批处理，迭代式计算，交互查询和流处理等。

并且，由之前需要维护不同的集群，到现在只需要维护一个Spark集群。

3.Spark是高度开放的

Spark提供了Python，Java，scala，SQL的API和丰富的内置库。

同时，Spark和其它的大数据工具整合的很好。尤其，Spark能够运行在Hadoop集群上面，能够访问Hadoop数据。

Spark包括多个紧密集成的组件。

紧密集成的优点：

1. 如果Spark底层优化了，那么基于Spark底层的组件，也得到了相应的优化。例如，Spark底层增加了一个优化算法，那么Spark的SQL和机器学习包也会自动的优化。
2. 紧密集成，节省了各个组件组合使用时的部署，测试等时间。
3. 当向Spark增加新的组件时，其它的组件，可以立刻享用新组件的功能。
4. 无缝连接不同的处理模型。

Spark Core

包含Spark的基本功能，包含任务调度，内存管理，容错机制等。

Spark Core内部定义了RDDs(resilient distributed datasets，弹性分布式数据集)。RDDs代表横跨很多工作节点的数据集合，RDDs可以被并行的处理。

Spark Core提供了很多APIs来创建和操作这些集合(RDDs)。

Spark SQL

是Spark处理结构化数据的库。它支持通过SQL查询数据，就像HQL(Hive SQL)一样，并且支持很多数据源，像Hive表，JSON等。Spark SQL是在Spark 1.0版本中新加的。

Shark是一种较老的基于Spark的SQL项目，它是基于Hive修改的，它现在已经被Spark SQL替代了。

Spark Streaming

是实时数据流处理组件，类似Storm。

Spark Streaming提供了API来操作实时流数据。

MLlib

Spark有一个包含通用机器学习功能的包，就是MLlib(machine learning lib)。

MLlib包含了分类，聚类，回归，协同过滤算法，还包括模型评估，和数据导入。

它还提供了一些低级的机器学习原语，包括通用梯度下降优化算法。

MLlib提供的上面这些方法，都支持集群上的横向扩展。

Graphx

是处理图的库(例如，社交网络图)，并进行图的并行计算。就像Spark Streaming和Spark SQL一样，Graphx也继承了Spark RDD API，同时允许创建有向图。

Graphx提供了各种图的操作，例如subgraph和mapVertices，也包含了常用的图算法，例如PangeRank等。

Cluster Managers

Cluster Managers就是集群管理。Spark能够运行在很多cluster managers上面，包括Hadoop YARN，Apache Mesos和Spark自带的单独调度器。

如果你把Spark安装在了裸机上面，单独调度器能够提供简单的方式，让你开始Spark之旅。

如果你已经有了Hadoop Yarn或者Mesos集群，那么，Spark对这些集群管理工具的支持，使你的Spark应用程序能够在这些集群上面运行。

Spark诞生于2009年，那时候它是，加州大学伯克利分校RAD实验室的一个研究项目，后来到了AMP实验室。

Spark最初是基于Hadoop Mapreduce的，后来发现Mapreduce在迭代式计算和交互式上是低效的。因此Spark进行了改进，引入了内存存储和高容错机制。

关于Spark的研究论文在学术会议上发表，并且在它被创建的2009年不久之后，对于一些特定的工作，Spark比Mapreduce快10-20倍。

2010年3月份Spark开源。

2011年，AMP实验室开始在Spark上面开发高级组件，像Shark(Hive on Spark)，Spark Streaming。

2013年转移到了Apache下，现在已经是顶级项目了。

2014年5月份Spark1.0发布。

Spark 是Scala写的, 运行在JVM上。所以运行环境是Java6或者以上。

如果想要使用 Python API，需要安装Python 解释器2.6版本或者以上。

目前Spark(1.2.0版本) 与Python 3不兼容。

下载地址：http://spark.apache.org/downloads.html，选择Pre-built for Hadoop 2.4 and later 这个包，点击直接下载，这会下载一个spark-1.2.0-bin-hadoop2.4.tgz的压缩包

搭建Spark不需要Hadoop，如果你有hadoop集群或者hdfs，你可以下载相应的版本。

解压：tar -zxvf spark-1.2.0-bin-hadoop2.4.tgz

README.md：开始Spark之旅的简单介绍。

bin：包含用来和Spark交互的可执行文件，如Spark shell。

core, streaming, python, …：包含主要组件的源代码。

examples：包含一些有用的单机Spark job。 你可以研究和运行这些例子，来学习Spark API。

Spark的shell使你能够处理分布在集群上的数据(这些数据可以是分布在硬盘上或者内存中)。

Spark可以把数据加载到工作节点的内存中，因此，许多分布式处理(甚至是分布式的1T数据的处理)都可以在几秒内完成。

上面的特性，使迭代式计算，实时查询、分析一般能够在shells中完成。Spark提供了Python shells和 Scala shells。

打开Spark的Python Shell：

到Spark目录，Spark的Python Shell也叫做pyspark Shell

bin/pyspark

打开PySpark Shell之后的界面

打开Spark的Scala Shell：

到Spark目录

bin/pysparkbin/spark-shell打开Scala版本的shell

打开之后的界面

例子：

scala> val lines = sc.textFile("../../testfile/helloSpark") // 创建一个叫lines的RDD

lines: org.apache.spark.rdd.RDD[String] = ../../testfile/helloSpark MappedRDD[1] at textFile at <console>:12

scala> lines.count() // 对这个RDD中的行数进行计数

res0: Long = 2

scala> lines.first() // 文件中的第一行

res1: String = hello spark

修改日志级别：conf/log4j.properties log4j.rootCategory=WARN, console

Driver program

包含程序的main()方法，RDDs的定义和操作。(在上面的例子中，driver program就是Spark Shell它本身了)

它管理很多节点，我们称作executors。

count()操作解释(每个executor计算文件的一部分，最后合并)。

SparkContext

driver programs 通过一个 SparkContext 对象访问 Spark，SparkContext 对象代表和一个集群的连接。

在Shell中SparkContext 自动创建好了，就是sc，

例子： sc 变量

>>> sc

<pyspark.context.SparkContext object at 0x1025b8f90>

RDDs

在Spark中，我们通过分布式集合(distributed collections，也就是RDDs)来进行计算，这些分布式集合，并行的分布在整个集群中。

RDDs 是 Spark分发数据和计算的基础抽象类。

用SparkContext创建RDDs

上面例子中使用sc.textFile()创建了一个RDD，叫lines，它是从我们的本机文本文件中创建的，这个RDD代表了一个文本文件的每一行。我们可以在RDD上面进行各种并行化的操作，例如计算数据集中元素的个数或者打印出第一行。

向Spark传递函数：

向Spark传递函数是Spark的一个常用功能，许多Spark API是围绕它展开的。

例子：filtering

scala> val lines = sc.textFile("../../testfile/helloSpark")

lines: spark.RDD[String] = MappedRDD[...]

scala> val worldLines = lines.filter(line => line.contains("world"))

pythonLines: spark.RDD[String] = FilteredRDD[...]

scala> worldLines .collect()

上面例子中的=>语法是 Scala中定义函数的便捷方法。你也可以先定义函数再引用:

例子：

def hasWorld(line:String) : Boolean=

{line.contains("world")}

worldLines = lines.filter(hasWorld)

像filter 这样的基于函数的操作，也是在集群上并行执行的。

需要注意的地方：

如果你传递的函数是一个对象的成员，或者包含一个对象中字段的引用(例如self.field)，Spark会把整个对象都发送到工作节点上，这样会比仅仅发送你关心的信息要大很多，而且有时候会带来一些奇怪的问题。

传送信息太多解决方法：我们可以把关心的字段抽取出来，只传递关心的字段。

奇怪问题的避免：序列化包含函数的对象，函数和函数中引用的数据都需要序列化(实现Java的Serializable interface)。

如果Scala中出现NotSerializableException，一般情况下，都是因为没序列化。

RDDs

Resilient distributed datasets(弹性分布式数据集，简写RDDs)。

一个RDD就是一个不可改变的分布式集合对象，内部由许多partitions(分片)组成，每个partition都包括一部分数据，这些partitions可以在集群的不同节点上计算。

Partitions是Spark中的并行处理的单元。Spark顺序的，并行的处理partitions。

RDDs 是 Spark的分发数据和计算的基础抽象类，是Spark的核心概念。

RDD可以包含 Python, Java, 或者 Scala中的任何数据类型，包括用户自定义的类。

在Spark中，所有的计算都是通过RDDs的创建，转换，操作完成的。

RDD具有lineage graph(血统关系图)。

Driver program中创建RDDs

把一个存在的集合传给SparkContext’s parallelize()方法。这种方法，一般只适用于学习时。

例子：

val lines = sc.parallelize(List("spark", "bigdatastudy"))

val rdd = sc.parallelize(Array(1, 2, 2, 4), 4)

...

注意一下RDD的类型

第一个参数是：待并行化处理的集合

第二个参数是：分区个数

加载外部数据集

例子：使用textFile() 加载

val rddText= sc.textFile("../../testfile/helloSpark")

val rddHdfs = sc.textFile("hdfs:///some/path.txt")

Scala的变量声明

在Scala中创建变量的时候，必须使用val或者var

Val，变量值不可修改，一旦分配不能重新指向别的值

Var，分配后，可以指向类型相同的值。

Scala的变量声明

val lines= sc.textFile("../../testfile/helloSpark")

lines= sc.textFile("../../testfile/helloSpark2")

...

<console>: error: reassignment to val

var lines2= sc.textFile("../../testfile/helloSpark")

lines2= sc.textFile("../../testfile/helloSpark2")

可以重新声明变量

val lines= sc.textFile("../../testfile/helloSpark2")

Scala的匿名函数

像Python的lambda 函数

lines.filter(line => line.contains("world"))

...

我们定义一个匿名函数，接收一个参数line，并使用line这个String类型变量上的contains方法，并且返回结果。

line 的类型不需指定，能够推断出来

Scala程序员就是不喜欢多写代码

Scala允许我们用下划线"_"来代表匿名函数中的参数。

lines.filter(_.contains("world"))

def hasWorld(line:String) : Boolean={line.contains("world")}

worldLines = lines.filter(hasWorld)

Scala中定义函数用def，参数指定类型String，因为后面的contains方法就是用的String中的Contains方法。

函数返回的类型，可以不必指定，因为通过类型推断，能够推出来。

指定返回类型：

返回的类型比较复杂，Scala可能推断不出来。

程序更易读。

Transformations(转换)

从之前的RDD构建一个新的RDD，像map() 和 filter()。

Transformations的特点

Transformations返回一个崭新的RDD，

filter() 操作返回一个指针，指向一个崭新的RDD，原RDD不受影响，能够在后面重复利用。

逐元素transformations

许多的transformations是逐元素的，也就是每次转变一个元素。

两个最常用的transformations：map() and filter()

map() transformation，接收一个函数，把这个函数应用到RDD的每一个元素，并返一个函数作用后的新的RDD。

filter() transformation，接收一个函数，返回只包含满足filter()函数的元素的新RDD。

输入RDD与输出RDD可以是不同的类型，例如input RDD[String] ，output RDD[Double]

map()

例子- 对RDD中元素求平方

val input = sc.parallelize(List(1, 2, 3, 4))

val result = input.map(x => x * x)

println(result.collect().mkString(","))

flatMap()

对每个输入元素，输出多个输出元素。

flat压扁的意思，将RDD中元素压扁后返回一个新的RDD。

例子- flatMap() ,把一行字分割成多个元素

val lines = sc.parallelize(List("hello world", "hi"))

val words = lines.flatMap(line => line.split(" "))

words.first() // returns "hello"

RDDs支持数学集合的计算，例如并集，交集计算。注意：进行计算的RDDs应该是相同类型。

money->monkey

distinct()是很耗时的操作，因为它需要通过网络，shuffle所有的数据，以保证元素不重复。

一般情况下，我们不用distinct()。

union(other) 会包含重复的元素。

intersection(other)求交集。耗时操作，因为需要shuffle

subtract(other)第一个RDD中存在，而不存在与第二个RDD的元素。需要shuffle。使用场景，机器学习中，移除训练集。

cartesian(other)

非常耗时。

使用场景：用户相似性的时候

基本的RDD transformations： RDD 包含 {1, 2, 3, 3}

两个RDD 的transformations： 一个RDD包含 {1, 2, 3}，另一个RDD包含 {3, 4, 5}

在RDD上计算出来一个结果，把结果返回给driver program或者保存在外部文件系统上，像count() 函数 first()。

count()

返回元素的个数

RDD的actions

reduce()

最常用的是reduce()，接收一个函数，作用在RDD的两个类型相同的元素上，返回一个类型相同的新元素。

最常用的一个函数是加法。

使用reduce()我们可以很简单的实现，RDD中元素的累加，计数，和其它类型的聚集操作。

例子- reduce()

val sum = rdd.reduce((x, y) => x y)

fold()

与reduce()相似，

类型相同

但是，在每个分区的初始化调用的时候，多了个“zero value”

“zero value”的特点，把它应用在你的函数上，不管多少次，都不改变值(例如： 操作的0，*操作的1)。

aggregate()

与fold()相似

类型可以不同

我们提供想要返回的“zero value”类型。

第一个函数，RDD中元素累加(每个节点只累加本地的结果)。

第二个函数，合并累加器(合并每个节点的结果)。

可以使用aggreate()计算RDD的平均值，而不使用map()和fold()结合的方法。

例子- aggregate()

val result = input.aggregate((0, 0))(

(x, y) =>(x._1 y, x._2 1),

(x, y) =>(x._1 y._1, x._2 y._2))

val avg = result._1 / result._2.toDouble

collect()

遍历整个RDD,向driver program返回RDD的内容

一般测试时候使用，可以判断与预测值是否一样

需要单机内存能够容纳下(因为数据要拷贝给driver )

大数据的时候，使用saveAsTextFile() action, saveAsSequenceFile()action等。

take(n)

返回RDD的n个元素(同时尝试访问最少的partitions)。

返回结果是无序的。

一般测试时候使用

foreach()

计算RDD中的每个元素，但不返回到本地。

可以配合println() 友好的打印出数据。

.foreach(println)

风格：把函数println当作参数传递给函数foreach

例子 - 计算bad的个数

errorsRDD = inputRDD.filter(line.contains("error"))

warningsRDD = inputRDD.filter(line.contains("warning"))

badLinesRDD = errorsRDD.union(warningsRDD)

println(badLinesRDD.count() )

badLinesRDD.take(1).foreach(println)//使用take()取前1个数据

top()

排序(根据RDD中数据的比较器)

takeSample(withReplacement, num, seed)

取样例，是否需要替换值。

countByValue()

返回一个map，表示唯一元素出现的个数