Spark2x 学习笔记（1）RDD编程

1 概览

1. 每个spark程序都有一个驱动程序运行在用户的main函数中，以及在集群中执行不同的并行操作。
2. 第一个抽象概念：RDD是元素的集合。这个集合可以被分到集群中的不同机器中并行处理。
3. RDD可以由hadoop支持的文件系统中的文件创建，或者是驱动程序中的scala集合。
4. RDD可以被保存在内存中被并行操作有效服用。
5. 第二个抽象概念：shared variables。
6. 共享变量可以在task之间或者task与driver之间共享。
7. 主要有两种类型，broadcast variables，缓存在所有节点的内存中。accumulators，用于累加场景，例如计算器和求和。

2 连接spark

1. spark2.4.0可以在python2.7+或者python3.4+版本中运行，可以使用CPython插件，也可使用PyPy 2.3+
2. python2.6在spark2.2.0不在支持
3. 可以使用bin/spark-submit或者bin/pyspark在集群中提交spark应用程序。
4. 如果想使用HDFS文件，需要构建pyspark和HDFS之间的连接。
5. 需要在应用程序中引入spark类

from pyspark import SparkContext, SparkConf

6. 在提交应用时，可以指定Python的版本

$ PYSPARK_PYTHON=python3.4 bin/pyspark
$ PYSPARK_PYTHON=/opt/pypy-2.5/bin/pypy bin/spark-submit examples/src/main/python/pi.py

3 初始化spark

1. spark编程第一件事是创建SparkContext对象，用于告诉spark如何访问集群。
2. 创建SparkContext对象前，需要创建SparkConf对象，该对象包含应用信息。

conf = SparkConf().setAppName(appName).setMaster(master)
sc = SparkContext(conf=conf)

3. appName：在集群UI中显示的应用名称
4. master：Spark/Mesos/YARN集群的URL或者local字符串
5. 一般不会硬编码master参数，而是使用spark-submit方式提交应用。

4 使用Shell

1. pyspark shell中，已经创建了一个特殊的SparkContext，变量名称为sc，无法再创建自己的SparkContext。
2. –master：指定context的连接模式

$ ./bin/pyspark --master local[4]

3. –py-files：增加python .zip .egg .py文件

$ ./bin/pyspark --master local[4] --py-files code.py

4. 使用ipython

$ PYSPARK_DRIVER_PYTHON=ipython ./bin/pyspark

5. 使用Jupyter notbook

$ PYSPARK_DRIVER_PYTHON=jupyter PYSPARK_DRIVER_PYTHON_OPTS=notebook ./bin/pyspark

5 RDDs

5.1 Parallelized Collections

1. 创建方式

data = [1, 2, 3, 4, 5]
distData = sc.parallelize(data)

2. distData是一个分布式数据集，可以被并行处理

distData.reduce(lambda a, b: a + b)

3. 集群中的，每个节点都会去处理RDDs的一个分片，一般每CPU处理2-4个分片，Spark会自动划分，也可以手动配置每CPU处理的分片数量

sc.parallelize(data, 10)

5.2 外部Datasets

1. Spark可以从任何Hadoop支持的外部存储源创建RDD
2. 可以使用SparkContext’s textFile方法读取外部文件，该方法的参数为文件的URL

>>> distFile = sc.textFile("data.txt")

3. distData是一个RDD，可以执行并行计算操作

distFile.map(lambda s: len(s)).reduce(lambda a, b: a + b)

4. spark读取文件注意点：

• 如果使用本地文件，需要将本地文件放到所worker能访问的地方。例如将文件拷贝到所有worker节点，或者使用共享存储。
• 所有Spark基于文件输入的方法，包括textFile，支持运行在目录、压缩文件、通配符。

textFile("/my/directory"), textFile("/my/directory/*.txt"), ("/my/directory/*.gz")

• textFile方法也可以设置第二个参数来制定文件的分区，默认会为每个HDFS block创建1个分片，可以通过手工配置创建更多的分片，但是不能比HDFS block数量少。

5. 其他从file读取文件方法

• SparkContext.wholeTextFiles： 用于从目录中获取很多小文件，然后返回（filename,content）对。
• RDD.saveAsPickleFile/SparkContext.pickleFile：使用python的pickle序列化将RDD以该格式存储。

5.2.1写文件：pyspark负责做python和Java类型转换

Writable Type	Python Type
Text	unicode str
IntWritable	int
FloatWritable	float
DoubleWritable	float
BooleanWritable	bool
BytesWritable	bytearray
NullWritable	None
MapWritable	dict

array类型需自定义类型转换器，读取时，默认的转换器会将用户自定义的ArrayWritable转换为Java的Object[ ],序列化为python元组。

5.2.2 存储或加载SequenceFiles

>>> rdd = sc.parallelize(range(1, 4)).map(lambda x: (x, "a" * x))
>>> rdd.saveAsSequenceFile("path/to/file")
>>> sorted(sc.sequenceFile("path/to/file").collect())
[(1, u'a'), (2, u'aa'), (3, u'aaa')]

5.2.3 存储或加载其他Hadoop I/O 格式

$ ./bin/pyspark --jars /path/to/elasticsearch-hadoop.jar
>>> conf = {"es.resource" : "index/type"}  # assume Elasticsearch is running on localhost defaults
>>> rdd = sc.newAPIHadoopRDD("org.elasticsearch.hadoop.mr.EsInputFormat",
                             "org.apache.hadoop.io.NullWritable",
                             "org.elasticsearch.hadoop.mr.LinkedMapWritable",
                             conf=conf)
>>> rdd.first()  # the result is a MapWritable that is converted to a Python dict
(u'Elasticsearch ID',
 {u'field1': True,
  u'field2': u'Some Text',
  u'field3': 12345})

如果使用自定义序列化数据，例如从HBase加载数据，需要先在Java或者Scala侧将数据转换为 Pyrolite’的pickler可以处理的东西。

6 RDD操作

1. RDD支持两类操作。transformations：从一个已经存在的dataset创建一个新的dataSet。actions：在dataset上进行运算后，返回一个值给驱动程序
2. transformations操作不会立刻计算结果，只有当action操作需要返回给驱动程序一个计算结果的时候才会执行计算。
3. 默认当执行action操作时，所有的transformations RDD会被重复计算。可以使用persist或者cache将RDD放在内存中。

6.1 基础使用

统计文件中字符数量

lines = sc.textFile("data.txt")
lineLengths = lines.map(lambda s: len(s))
totalLength = lineLengths.reduce(lambda a, b: a + b)
lineLengths.persist()

6.2 向Spark传递函数

1. lambda 表达式
2. 定义本地函数，将函数作为参数传入spark
3. 在其他模块中定义函数

函数式编程

"""MyScript.py"""
if __name__ == "__main__":
    def myFunc(s):
        words = s.split(" ")
        return len(words)

    sc = SparkContext(...)
    sc.textFile("file.txt").map(myFunc)

面向对象编程

class MyClass(object):
    def func(self, s):
        return s
    def doStuff(self, rdd):
        return rdd.map(self.func)

如果将变量定义在了对象之外，如下所示，会将整个对象发送给集群

class MyClass(object):
    def __init__(self):
        self.field = "Hello"
    def doStuff(self, rdd):
        return rdd.map(lambda s: self.field + s)

应该将传入spark的数值定义为本地变量，则只会讲变量的值发送给集群

def doStuff(self, rdd):
    field = self.field
    return rdd.map(lambda s: field + s)

6.3 理解闭包

理解变量和方法被传入到集群的里程碑和生命周期

counter = 0
rdd = sc.parallelize(data)

# Wrong: Don't do this!!
def increment_counter(x):
    global counter
    counter += x
rdd.foreach(increment_counter)

print("Counter value: ", counter)

1. 在集群模式下，counter在driver节点的内存中被序列化，然后发送到各工作节点上，执行spark程序时，工作节点的counter值会变化，但是不会传回到driver，最后driver中的值还是0
2. 在单节点模式下，如果程序在同一个JVM中，counter会累加。
3. 两种模式下表现不一致，如果有类似全局累加器的场景，需要用到Accumulator
4. 想要查看RDD中的元素，应该使用rdd.collect().foreach(println)。：从集群中获取全量数据，take()从集群中获取制定数量数据rdd.take(100).foreach(println).

6.4 使用键值对

统计内同相同行的数量

lines = sc.textFile("data.txt")
pairs = lines.map(lambda s: (s, 1))
counts = pairs.reduceByKey(lambda a, b: a + b)

按字符顺序排序

lines = sc.textFile("data.txt")
pairs = lines.map(lambda s: (s, 1))
counts = pairs.sortByKey()

6.5 Transformations算子

Transformations	含义
map(func)	将源RDD的每个元素通过func进行计算，返回一个新的RDD
filter(func)	将源RDD中的每个元素传入func，将func计算返回true的元素作为新的RDD
flatMap(func)	和Map类似，但是每个输入元素map处理后，会有0个或者多个输出，func函数的返回值是一个序列
mapPartitions(func)	类似于map，但是以RDD的分片（block）为单位进行处理的，例如，处理元素为T的RDD时，func的输入输出形式为 Iterator<T> => Iterator<U>
mapPartitionsWithIndex(func)	和mapPartitions类似，但是可以将一个整型值作为源RDD分片的索引，例如处理元素为T的RDD时，func的输入输出形式为 (Int, Iterator<T>) => Iterator<U>
sample(withReplacement, fraction, seed)	使用给定的随机数发生器种子，以可选的替换值对数据的一小部分进行采样。
union(otherDataset)	返回一个新的数据集，该数据集包含源RDD和参数中RDD元素的并集。
intersection(otherDataset)	返回包含源RDD和参数中元素的交集的新RDD。
distinct([numPartitions]))	返回一个包含源数据集的不同元素的新数据集。
groupByKey([numPartitions])	在(K , V)RDD上调用时,返回(K , Iterable< V >)对的数据集。注意：如果要在每个键上执行聚合（如求和或平均值），则使用reduceByKey或AggregateByKey将获得更好的性能。注意：默认情况下，输出的并行度取决于父RDD的分区数量。可以通过一个可选的numPartitions参数来设置不同数量的任务。
reduceByKey(func, [numPartitions])	在（K，V）RDD对上调用时，返回（K，V）对的数据集，使用给定的减少函数func聚合每个密钥的值，该函数必须是类型（V，V）= > V，通过可选的第二个参数可配置减少任务的个数。
aggregateByKey(zeroValue)(seqOp, combOp, [numPartitions])	举例
sortByKey([ascending], [numPartitions])	在一个Key可排序的的(K,V)RDD上调用时，根据传入的ascending参数（true为升序，false为降序），按K对源RDD中的参数进行排序，然后新的RDD
join(otherDataset, [numPartitions])	在(K,V)和(K,W)RDD上调用时，对每个key做聚合，返回(K,(V,W))的RDD，还可以执行eftOuterJoin, rightOuterJoin, and fullOuterJoin三种join
cogroup(otherDataset, [numPartitions])	在(K,V)和(K,W)RDD上调用时，返回一个元素为(K, (Iterable<V>, Iterable<W>)) 的元组的RDD
cartesian(otherDataset)	在类型为T和U的RDD上调用时，返回元素类型为（T,U）元组的RDD
pipe(command, [envVars])	通过系统的stdin和和stdout源RDD和结果RDD输入和从目的RDD输出（以字符串的形式）可以传入bash或者perl命令
coalesce(numPartitions)	将RDD的分区减少到制定数目，通常在使用filter将一个大的数据集精简之后使用
repartition(numPartitions)	按指定的数量分区重新分区，可以增加也可以减少，通常所有数据都需要重新shuffle，占用较多带宽
repartitionAndSortWithinPartitions(partitioner)	重新分区后，再在各分区内对各元素按键排序，由于在shuffle的时候就已经排序了，比repartition效率更高

6.6 Actions算子

Action	意义
reduce(func)	使用func将源RDD中的元素聚合
collect()	将RDD的所有元素都返回给驱动程序，通常用在filter或者别的返回比较小的子数据集的场景
count()	返回RDD元素的个数
first()	返回RDD的第一个元素
take(n)	返回RDD的前n个元素
takeSample(withReplacement, num, [seed])	按随机采样的方式返回n个元素，可以设置替换值和随机数种子
saveAsTextFile(path)	将RDD保存为文件，存在本地或者其他Hadoop支持的文件系统中
saveAsSequenceFile(path) (Java and Scala)	将数据集的元素作为Hadoop SequenceFile写入本地文件系统，HDFS或任何其他Hadoop支持的文件系统中的给定路径中。 这可以在实现Hadoop的Writable接口的键值对的RDD上使用。 在Scala中，它也可以在可隐式转换为Writable的类型上使用（Spark包括基本类型的转换，如Int，Double，String等）。
saveAsObjectFile(path) (Java and Scala)	使用Java 序列化进行格式化，可以使用SparkContext.objectFile()来加载
countByKey()	在类型为（K,V）的RDD上调用，返回一个元素类型为（K,int）的hashmap，计算每个K的个数
foreach(func)	在数据集的每个元素上运行函数func。 不适用于如更新累加器或与外部存储系统交互的场景。

RDD API中也支持部分异步场景，例如foreachAsync，不会造成进程堵塞

6.7 shuffle 操作

1. 某些操作包括shuffle过程，shuffle过程是一种数据重分布机制，可以将RDD中的数据在不同分区中重新分组。
2. shuffle通常会将数据在执行器和节点之间进行拷贝，比较复杂且开销很大

6.7.1 背景

1. 以reduceByKey为例说明shuffle：
   reduceByKey将源RDD(K,V)中的所有元素按Key进行分组，然后在组内执行func函数，将所有value合并，最后输出一个(K,V)RDD。由于源RDD中具有相同K的数据不一定在同一个分区上，需要进行shuffle操作，将分散的数据进行排序、重分布后在计算输出。
2. shuffle的定义：spark在集群内执行一个all-to-all的操作，先读取到所有K的下各自的全部V，然后按K对每个K下的所有V的做计算操作。
3. 由于RDD下的所有数据都拿到手了，因此会对RDD的数据做一次排序。
4. 重分区： repartition、coalesce；byKey：groupByKey 、reduceByKey；join: cogroup 、join通常都会引起shuffle

6.7.2 性能

1. shuffle会大量调用磁盘I/O，数据序列化，网络I/O。
2. spark会生成一系列任务，map任务组织数据，reduce任务聚合数据。
3. 来自单个map任务的结果数据会被包租在内存里面，在数据稳定后，他们会按目标分区进行排序，存储在单个文件里。reduce任务会读取已经排好序的块文件。
4. shuffle会在磁盘上生成大量中间文件。通常由垃圾收集器在一定周期内自动清除。可以通过spark.local.dir指定零时文件的存储位置。
5. shuffle性能调优参数

6.8 RDD persistence

1. RDD persistence可以将RDD的数据在内存中持久化，从而做到数据复用，提升性能
2. 使用persist()或者cache()函数标记RDD
3. 在第一次action操作后，RDD会被缓存在内存中，这种缓存具有容错性，一旦掉电，内存中数据丢失，spark会自动按之前的transformations重新计算一遍。
4. persist有不同的存储等级，persist在内存中、persist在磁盘中、创建序列化对象、创建两副本。

Storage Level	含义
MEMORY_ONLY	将RDD以反序列化Java对象存储在JVM中。如果RDD不适合放在内存中，一些分区将不会被缓存，每次需要用的时候会被重新计算，为默认级别
MEMORY_AND_DISK	将RDD以反序列化Java对象存储在JVM中，如果RDD不适合放在内存中，将这些RDD的分区放在磁盘中，当需要被用到的时候会被读取
MEMORY_ONLY_SER (Java and Scala)	将RDD以序列化Java对象的方式存储在内存中，每个分区一个byte数组。比非序列化的存储方式空间利用率更高，但是会消耗更多CPU
MEMORY_AND_DISK_SER (Java and Scala)	和MEMORY_ONLY_SER类似,但是会将不适合放在内存中的分区存储在硬盘
DISK_ONLY	将RDD分区只存储在硬盘上
MEMORY_ONLY_2, MEMORY_AND_DISK_2, etc	和上面的级别一致，但是会缓存在集群中的两个节点
OFF_HEAP (experimental)	类似MEMORY_ONLY_SER，但是是将数据存储在堆外内存

python会始终使用pickle库对RDD的分区进行序列化，所以不存选择是否序列化，只有如下级别MEMORY_ONLY, MEMORY_ONLY_2, MEMORY_AND_DISK, MEMORY_AND_DISK_2, DISK_ONLY, and DISK_ONLY_2
spark也会自动persist某些中间数据，用于避免节点shuffle失败后的重复计算，但是如果数据确实可能复用，仍然建议手工申明presist。

6.8.1 如何选择存储等级

1. 如果数据适合存储在内存中，使用默认等级。
2. 如果不是，使MEMORY_ONLY_SER，并使用效率最高的序列化库
3. 除非类似filter一个很到数据量的数据集，尽量不要使用存储在磁盘中的模式
4. 所有级别都有容错功能，但是副本模式可以让你不用重新计算，在这种场景下使用服务级别

6.8.2 删除数据

spark基于最近至少使用过的原则自动删除缓存数据，如果想要手动清除，使用RDD.unpersist()方法。

7 共享变量

1. 执行spark操作时，spark会将驱动程序中涉及的变量拷贝到集群中的所有节点，但是当计算结束后，这些变量的值不会回传到驱动程序。
2. spark基于两种常见场景提供共享变量：broadcast variables和accumulators

7.1 Broadcast Variables

1. 广播变量会被缓存在所有节点的内存中，而不是在执行task的时候在去拷贝数据。
2. spark会有一套高效的广播算法
3. spark操作是由一系列的stage组成，stage被shuffle操作分开。数据在stage中的task中被使用。
4. 广播变量会以序列化的格式缓存在各节点的内存中，然后在执行task前反序列化。
5. 因此，广播变量的适用场景为：跨stage执行task的时候，需要用的相同的数据（广播变量），或者