2015Spark简介 Spark是什么lSpark是一个快速且通用的集群计算平台。l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。Spark的特点lSpark是快速的1.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。2.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。3.速度快的另一个主要原因就是，能够在内存中计算。Spark的特点lSpark是通用的1.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。2.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。Spark的特点lSpark是高度开放的1.Spark提供了Python，Java，Scala，SQL的API和丰富的内置库。2.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的组件Spark包括多个紧密集成的组件。Spark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的组件lSpark Core：1.包含Spark的基本功能，包含任务调度，内存管理，容错机制等。2.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。3.Spark Core提供了很多APIs来创建和操作这些集合(RDDs)。Spark的组件lSpark SQL：1.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。2.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的组件lSpark Streaming:1.是实时数据流处理组件，类似Storm。2.Spark Streaming提供了API来操作实时流数据。Spark的组件lMLlib:1.Spark有一个包含通用机器学习功能的包，就是MLlib(machine learning lib)。2.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。3.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。4.MLlib提供的上面这些方法，都支持集群上的横向扩展。Spark的组件lGraphx:1.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。2.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。Spark的组件lCluster Managers:1.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。2.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。3.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的历史lSpark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。lSpark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。l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。l2010年3月份Spark开源。l2011年，AMP实验室开始在Spark上面开发高级组件，像Shark(Hive on Spark)，Spark Streaming。l2013年转移到了Apache下，现在已经是顶级项目了。l2014年5月份Spark1.0发布。Spark运行环境1.Spark 是Scala写的, 运行在JVM上。所以运行环境是Java6或者以上。2.如果想要使用 Python API，需要安装Python 解释器2.6版本或者以上。3.目前Spark(1.2.0版本) 与Python 3不兼容。Spark下载1.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2.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。3.解压：tar -zxvf spark-1.2.0-bin-hadoop2.4.tgzSpark目录lREADME.md开始Spark之旅的简单介绍。lbin包含用来和Spark交互的可执行文件，如Spark shell。lcore, streaming, python, 包含主要组件的源代码。lexamples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Shells1.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)。2.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。3.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。Spark的Shells打开Spark的Python Shell：1.到Spark目录，Spark的Python Shell也叫做PySpark Shell2.bin/pyspark打开PySpark Shell之后的界面Spark的Shells打开Spark的Scala Shell：1.到Spark目录2.bin/pysparkbin/spark-shell打开Scala版本的shell打开之后的界面Spark的Shells例子：scala val lines = sc.textFile(././testfile/helloSpark) / 创建一个叫lines的RDDlines: org.apache.spark.rdd.RDDString = ././testfile/helloSpark MappedRDD1 at textFile at :12scala lines.count() / 对这个RDD中的行数进行计数res0: Long = 2scala 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, consoleSpark的核心概念lDriver program：1.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)2.它管理很多节点，我们称作executors。3.count()操作解释(每个executor计算文件的一部分，最后合并)。Spark的核心概念lSparkContext:1.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。2.在Shell中SparkContext 自动创建好了，就是sc，3.例子： sc 变量 sc Spark的核心概念lRDDs：1.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。2.RDDs 是 Spark分发数据和计算的基础抽象类。3.用SparkContext创建RDDs4.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。Spark的核心概念l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.RDDString = MappedRDD.scala val worldLines = lines.filter(line = line.contains(world)pythonLines: spark.RDDString = FilteredRDD.scala worldLines .collect()Spark的核心概念l向Spark传递函数：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。Spark的核心概念l向Spark传递函数：l需要注意的地方：l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。1.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。2.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)。l如果Scala中出现NotSerializableException，一般情况下，都是因为没序列化。RDDs介绍lRDDs介绍lRDDs的创建方法lScala的基础知识RDDs介绍lRDDs1.Resilient distributed datasets(弹性分布式数据集，简写RDDs)。2.一个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3.Partitions是Spark中的并行处理的单元。Spark顺序的，并行的处理partitions。4.RDDs 是 Spark的分发数据和计算的基础抽象类，是Spark的核心概念。5.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。6.在Spark中，所有的计算都是通过RDDs的创建，转换，操作完成的。7.RDD具有lineage graph(血统关系图)。RDDs的创建方法lDriver program中创建RDDs：把一个存在的集合传给SparkContexts 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RDDs的创建方法l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的基础知识lScala的变量声明l在Scala中创建变量的时候，必须使用val或者varlVal，变量值不可修改，一旦分配不能重新指向别的值lVar，分配后，可以指向类型相同的值。Scala的基础知识lScala的变量声明val lines= sc.textFile(././testfile/helloSpark)lines= sc.textFile(././testfile/helloSpark2).: error: reassignment to valvar 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的基础知识lScala的匿名函数l像Python的lambda 函数llines.filter(line = line.contains(world)l.l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。lline 的类型不需指定，能够推断出来Scala的基础知识lScala程序员就是不喜欢多写代码。lScala允许我们用下划线_来代表匿名函数中的参数。llines.filter(_.contains(world)l.Scala的基础知识l类型推断ldef hasWorld(line:String) : Boolean=line.contains(world)lworldLines = lines.filter(hasWorld)lScala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。l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。Scala的基础知识l类型推断l指定返回类型：l返回的类型比较复杂，Scala可能推断不出来。l程序更易读。TransformationslTransformations介绍l逐元素transformationsl集合运算Transformations介绍lTransformations(转换)：从之前的RDD构建一个新的RDD，像map() 和 filter()。Transformations介绍lTransformations的特点：lTransformations返回一个崭新的RDD，lfilter() 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transformationsl许多的transformations是逐元素的，也就是每次转变一个元素。l两个最常用的transformations：map() and filter()lmap() 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。lfilter() transformation，接收一个函数，返回只包含满足filter()函数的元素的新RDD。l输入RDD与输出RDD可以是不同的类型，例如input RDDString ，output RDDDouble逐元素transformationslmap() l例子- 对RDD中元素求平方lval input = sc.parallelize(List(1, 2, 3, 4)lval result = input.map(x = x * x)lprintln(result.collect().mkString(,)逐元素transformationslflatMap()l对每个输入元素，输出多个输出元素。lflat压扁的意思，将RDD中元素压扁后返回一个新的RDD。l例子- flatMap() ,把一行字分割成多个元素lval lines = sc.parallelize(List(hello world, hi)lval words = lines.flatMap(line = line.split( )lwords.first() / returns hello逐元素transformationslflatMap()集合运算lRDDs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。lmoney-monkey集合运算ldistinct()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。l一般情况下，我们不用distinct()。lunion(other) 会包含重复的元素。lintersection(other)求交集。耗时操作，因为需要shufflelsubtract(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。集合运算lcartesian(other)l非常耗时。l使用场景：用户相似性的时候RDD的transformationsl基本的RDD transformations： RDD 包含 1, 2, 3, 3函数名函数名功能功能例子例子结果结果map()对每个元素应用函数rdd.map(x = x + 1)2, 3, 4, 4flatMap()压扁，常用来抽取单词rdd.flatMap(x = x.to(3)1, 2, 3, 2,3, 3, 3filter()过滤rdd.filter(x = x != 1)2, 3, 3distinct()去重rdd.distinct()1, 2, 3sample(withReplacement,fraction, seed)对一个RDD取样，是否进行替换rdd.sample(false, 0.5)不确定RDD的transformationsl两个RDD 的transformations： 一个RDD包含 1, 2, 3，另一个RDD包含 3, 4, 5函数名函数名功能功能例子例子结果结果union()并集rdd.union(other) 1, 2, 3, 3,4, 5intersection()交集rdd.intersection(other)3subtract()取存在第一个RDD，而不存在第二个RDD的元素(使用场景，机器学习中，移除训练集)rdd.subtract(other)1, 2cartesian()笛卡尔积rdd.cartesian(other)(1, 3), (1,4), (3,5)Actions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()。lcount() l返回元素的个数RDD的actions函数名函数名功能功能例子例子结果结果collect()返回RDD的所有元素rdd.collect()1, 2, 3, 3count()计数rdd.count()4countByValue()返回一个map，表示唯一元素出现的个数rdd.countByValue()(1, 1),(2, 1),(3, 2)take(num)返回几个元素rdd.take(2) 1, 2top(num)返回前几个元素rdd.top(2)3, 3takeOrdered(num)(ordering)返回基于提供的排序算法的前几个元素rdd.takeOrdered(2)(myOrdering)3, 3takeSample(withReplacement, num, seed)取样例rdd.takeSample(false, 1)不确定reduce(func)合并RDD中元素rdd.reduce(x, y) = x + y)9fold(zero)(func)与reduce()相似提供zero valuerdd.fold(0)(x, y) = x + y)9aggregate(zeroValue)(seqOp, combOp)与fold()相似，返回不同类型rdd.aggregate(0, 0)(x, y) =(x._1 + y, x._2 + 1),(x, y) =(x._1 + y._1, x._2 + y._2)(9, 4)foreach(func)对RDD的每个元素作用函数，什么也不返回rdd.foreach(func)什么也没有Actionslreduce()l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。l最常用的一个函数是加法。l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。l例子- reduce() lval sum = rdd.reduce(x, y) = x + y)Actionslfold()l与reduce()相似，l类型相同l但是，在每个分区的初始化调用的时候，多了个“zero value”l“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)。Actionslaggregate()l与fold()相似l类型可以不同l我们提供想要返回的“zero value”类型。l第一个函数，RDD中元素累加(每个节点只累加本地的结果)。l第二个函数，合并累加器(合并每个节点的结果)。l可以使用aggreate()计算RDD的平均值，而不使用map()和fold()结合的方法。Actionsl例子- aggregate() lval result = input.aggregate(0, 0)(l(x, y) =(x._1 + y, x._2 + 1),l(x, y) =(x._1 + y._1, x._2 + y._2)lval avg = result._1 / result._2.toDoubleActionslcollect()l遍历整个RDD,向driver program返回RDD的内容l一般测试时候使用，可以判断与预测值是否一样l需要单机内存能够容纳下(因为数据要拷贝给driver )l大数据的时候，使用saveAsTextFile() action, saveAsSequenceFile()action等。Actionsltake(n) l返回RDD的n个元素(同时尝试访问最少的partitions)。l返回结果是无序的。l一般测试时候使用Actionslforeach() l计算RDD中的每个元素，但不返回到本地。l可以配合println() 友好的打印出数据。Actionsl.foreach(println)l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Actionsltop()l排序(根据RDD中数据的比较器)ltakeSample(withReplacement, num, seed)l取样例，是否需要替换值。lcountByValue()l返回一个map，表示唯一元素出现的个数