大数据（8c）RDD编程指南Scala版

1、什么是RDD

https://yellow520.blog.youkuaiyun.com/article/details/117388042

2、初始化

依赖

<!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core -->
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.12</artifactId>
    <version>3.0.2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.12</artifactId>
    <version>3.0.2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-mllib_2.12</artifactId>
    <version>3.0.2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming_2.12</artifactId>
    <version>3.0.2</version>
</dependency>

导包，创建Spark对象

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD
// 创建SparkConf对象，并设定配置
val conf = new SparkConf().setAppName("应用程序名称").setMaster("local")
// 创建SparkContext对象，Spark通过该对象访问集群
val sc = new SparkContext(conf)

setMaster参数	说明	核心数
local	本地	单核
local[4]	本地	4核
local[*]	本地	核心数=本地核心数
yarn	让YARN来管理资源

3、分区（partition）

mapPartitionsWithIndex【重点】

val conf = new SparkConf().setAppName("名").setMaster("local[*]")
val sc = new SparkContext(conf)
val rdd0: RDD[Int] = sc.makeRDD(Range(0, 4), numSlices = 3)
val rdd1: RDD[(String, Int)] = rdd0.mapPartitionsWithIndex(
  (index, items) => items.map(("分区" + index, _))
)
rdd1.collect.foreach(println)

打印结果

(分区0,0)
(分区1,1)
(分区2,2)
(分区2,3)

查看分区【重点】

val rdd = sc.makeRDD(Range(0, 4), numSlices=5)

// 查看分区数；源码【partitions.length】
println("分区数：" + rdd.getNumPartitions)

打印结果

分区数：5

// 查看各分区元素
rdd.mapPartitionsWithIndex(
  (pId, iter) => {
    println("分区" + pId + "元素：" + iter.toList)
    iter
  }
).collect

打印结果

分区0元素：List()
分区2元素：List(1)
分区3元素：List(2)
分区4元素：List(3)
分区1元素：List(0)

// 重新分区：repartition、coalesce
rdd.coalesce(3).mapPartitionsWithIndex(
  (pId, iter) => {
    println("分区" + pId + "元素：" + iter.toList)
    iter
  }
).collect

打印结果

分区0元素：List()
分区2元素：List(2, 3)
分区1元素：List(0, 1)

makeRDD的默认分区规则

源码在org.apache.spark.rdd.ParallelCollectionRDD.slice里的positions

def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = {
  (0 until numSlices).iterator.map { i =>
    val start = ((i * length) / numSlices).toInt
    val end = (((i + 1) * length) / numSlices).toInt
    (start, end)
  }
}

把上面翻译成下面Python代码，逻辑就清晰可见了

def position(num_slices):
    for i in range(num_slices):
        start = i / num_slices
        end = (i + 1) / num_slices
        yield start, end

def slice_up(ls, num_slices):
    l = len(ls)
    for start, end in position(num_slices):
        partition = ls[int(start * l): int(end * l)]
        print(start, end, partition)

slice_up([1, 2, 3, 4, 5], 4)

打印结果

0.0 0.25 [1]
0.25 0.5 [2]
0.5 0.75 [3]
0.75 1.0 [4, 5]

4、RDD常用算子

https://yellow520.blog.youkuaiyun.com/article/details/117412628

5、RDD序列化

• 序列化：将对象的状态信息转换为可存储或传输的形式的过程
• 跨进程通信时，需要序列化
• 作用提交前（源码runJob），其中有行代码val cleanedFunc = clean(func)用来判断函数是否实现了序列化，这叫做闭包检查

序列化实现代码

示例如下，关键词Serializable

import org.apache.spark.{SparkContext, SparkConf}
import org.apache.spark.rdd.RDD

object Hello {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("名").setMaster("local[*]")
    val sc = new SparkContext(conf)
    val r: RDD[Hero] = sc.makeRDD(Seq(new Hero("剑圣"), new Hero("先知")))
    r.foreach(print) //打印结果：Hero(先知)Hero(剑圣)
  }
}

class Hero(var name: String) extends Serializable {
  override def toString: String = s"Hero($name)"
}

Kryo序列化框架

Spark支持另外一种序列化机制，叫Kryo，速度很快，但不是所有东西都能用

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

object Hello {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf()
      .setAppName("a1")
      .setMaster("local[*]")
      // 替换默认的序列化机制
      .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
      // 注册需要使用 Kryo 序列化的自定义类
      .registerKryoClasses(Array(classOf[MyFilter]))
    val sc = new SparkContext(conf)
  }
}

case class MyFilter(name: String) {}

6、RDD持久化

RDD可用cache方法（底层调用persist）来缓存（默认在内存）中间结果

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

object Hello {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("a1").setMaster("local")
    val sc = new SparkContext(conf)
    val r = sc.makeRDD(Seq("a", "b"), 2).map((_, System.currentTimeMillis()))
    //查看原血缘
    println(r.toDebugString)
    //数据缓存（cache操作会增加血缘关系）
    r.cache()
    //打印，留意时间
    r.foreach(print)
    println("\n-------------------------------------------------")
    //查看更新后的血缘
    println(r.toDebugString)
    //再次打印，留意时间
    r.foreach(print)
  }
}

打印结果

StorageLevel源码查看

7、RDD血缘

toDebugString查看RDD全链

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

object Hello {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("名").setMaster("local")
    val sc = new SparkContext(conf)
    val r0 = sc.makeRDD(Seq("a", "b", "b"))
    println(r0.toDebugString)
    println("--------------------------------------------------------------------")
    val r1 = r0.flatMap(_.split(" "))
    println(r1.toDebugString)
    println("--------------------------------------------------------------------")
    val r2 = r1.map((_, 1))
    println(r2.toDebugString)
    println("--------------------------------------------------------------------")
    val r3 = r2.reduceByKey(_ + _)
    println(r3.toDebugString)
  }
}
/*
打印结果
    (1) ParallelCollectionRDD[0] at makeRDD at Hello.scala:7 []
    --------------------------------------------------------------------
    (1) MapPartitionsRDD[1] at flatMap at Hello.scala:10 []
     |  ParallelCollectionRDD[0] at makeRDD at Hello.scala:7 []
    --------------------------------------------------------------------
    (1) MapPartitionsRDD[2] at map at Hello.scala:13 []
     |  MapPartitionsRDD[1] at flatMap at Hello.scala:10 []
     |  ParallelCollectionRDD[0] at makeRDD at Hello.scala:7 []
    --------------------------------------------------------------------
    (1) ShuffledRDD[3] at reduceByKey at Hello.scala:16 []
     +-(1) MapPartitionsRDD[2] at map at Hello.scala:13 []
        |  MapPartitionsRDD[1] at flatMap at Hello.scala:10 []
        |  ParallelCollectionRDD[0] at makeRDD at Hello.scala:7 []
*/

dependencies查看依赖（上一个RDD）

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

object Hello {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("名").setMaster("local")
    val sc = new SparkContext(conf)
    val r0 = sc.makeRDD(Seq("a", "b", "b"))
    println(r0.dependencies)
    println("--------------------------------------------------------------------")
    val r1 = r0.flatMap(_.split(" "))
    println(r1.dependencies)
    println("--------------------------------------------------------------------")
    val r2 = r1.map((_, 1))
    println(r2.dependencies)
    println("--------------------------------------------------------------------")
    val r3 = r2.reduceByKey(_ + _)
    println(r3.dependencies)
  }
}
/*
打印结果
    List()
    --------------------------------------------------------------------
    List(org.apache.spark.OneToOneDependency@29a4f594)
    --------------------------------------------------------------------
    List(org.apache.spark.OneToOneDependency@3051e0b2)
    --------------------------------------------------------------------
    List(org.apache.spark.ShuffleDependency@3f985a86)
*/

窄依赖

每一个父RDD的Partition最多被子RDD的一个Partition使用

宽依赖

ShuffleDependency
同一个父RDD的partition被多个子RDD的partition依赖，会引起shuffle

任务(Job)和阶段(Stage)的划分

name	译名	说明
Standalone模式 或 YARN模式	集群	一个Spark集群可以同时运行多个Spark应用
Application	应用	一个应用可以并发的运行多个Job
Job	作业	Job对应着应用中的行动算子，每次执行一个行动算子，都会提交一个Job 一个Job由多个Stage组成
Stage	阶段	一个宽依赖做一次阶段的划分 $阶段数=宽依赖数+1$ 一个Stage由多个Task组成
Task	任务	每一个阶段最后一个RDD的分区数，就是当前阶段的Task个数

代码图

import org.apache.spark.{SparkContext, SparkConf}
val conf = new SparkConf().setAppName("A1").setMaster("local[2]")
val sc = new SparkContext(conf)
val r0 = sc.makeRDD(Seq("a", "b", "b", "c", "c"))
val r1 = r0.map((_, 1))
val r2 = r1.reduceByKey(_ + _)
println(r1.collect.toList) // List((a,1), (b,1), (b,1), (c,1), (c,1))
println(r2.collect.toList) // List((b,2), (a,1), (c,2))
Thread.sleep(999999)

---

Appendix

en	🔉	cn
spark	spɑːrk	n. 火花；导火线；活力；v. 点燃；
resilient	/rɪˈzɪliənt/	有弹力的
parallel	/ˈpærəlel/	平行线；平行的
parallelize	/'pærəlelaɪz/	v. 平行放置
coalesce	/ˌkoʊəˈles/	v 合并
intersection	/ˌɪntərˈsekʃn/	交集
subtract	/səbˈtrækt/	vt. 减去；扣掉
aggregate	/ˈæɡrɪɡət/	n. 合计；adj. 聚合的；v. 聚集
glom	/ɡlɑːm/	vt. 偷；抢；n. 一瞥
serializable	/ˈsɪˌriəˌlaɪzəbl/	可序列化
persist	/pərˈsɪst/	vi. 存留；固执；vt. 坚持说
stage	steɪdʒ	n. 阶段；舞台；戏剧；驿站；v 举行