Bootstrap

spark的学习-03

RDD的创建的两种方式：

方式一：并行化一个已存在的集合

方法：parallelize 并行的意思

将一个集合转换为RDD

方式二：读取外部共享存储系统

方法：textFile、wholeTextFile、newAPIHadoopRDD等

读取外部存储系统的数据转换为RDD

RDD的五大特征：

  1. 每个RDD 都由一系列的分区构成

  2. RDD 的转换操作本质上就是对RDD所有分区的并行转换

  3. 每个RDD 都会保存与其他RDD之间的依赖关系：血链机制或者血脉机制

  4. 如果是二元组【KV】类型的RDD，在Shuffle过程中可以自定义分区器，默认是hash分区（hash值取模进行分区）

  5. 可选的，Spark程序运行时，Task的分配可以指定实现本地优先计算：最优计算位置

 
 
RDD的五大特性分别是什么？ 
 
 
a. 每个RDD都可以由多个分区构成 
 
 
b. 对RDD转换处理本质上是对RDD所有分区的并行转换处理 
 
 
c. 对每个RDD都会保留与其他RDD之间的依赖关系：血脉机制 
 
 
d. 可选的，对于KV结构的RDD，在经过Shuffle时，可以干预分区规则，默认是Hash分区 
 
 
e. 可选的，Spark分配Task时会优先本地计算，尽量将Task分配到数据所在的节点
 

 

 

转换算子：
 

map：
 

# map：
list1 = [1, 2, 3, 4, 5]
# 目标是求出集合中各个元素的 3 次方
listRdd = sc.parallelize(list1)
mapRdd = listRdd.map(lambda x: math.pow(x, 3))
mapRdd.foreach(lambda x: print(x))  # foreach是触发算子
 

 

 

flatMap：
 

# flatMap:
# 目标是根据/切割，得到每个歌名
fileRdd = sc.textFile("../../datas/wordcount/songs.txt")
flatMapRdd = fileRdd.flatMap(lambda line: line.split("/"))
flatMapRdd.foreach(lambda x:print(x))
 

 

filter：
 

过滤算子
 

# filter :
# 目标是过滤掉不符合的文本
fileRdd2 = sc.textFile("../../datas/wordcount/songs2.txt")
filterRdd = fileRdd2.filter(lambda line: re.split("\s",line)[2] != '-1' and len(re.split("\s",line)) == 4)
filterRdd.foreach(lambda x: print(x))
 

 

union：
 

联合
 

list2 = [1,2,3,4,5,6,7,8]
list3 = [6,7,8,9,10]
rdd1 = sc.parallelize(list2)
rdd2 = sc.parallelize(list3)

rdd3 = rdd1.union(rdd2)

rdd3.foreach(lambda x: print(x))   # 1 2 3 4 5 6 7 8 6 7 8 9 10
 

distinct：
 

去重
 

rdd4 = rdd3.distinct()
rdd4.foreach(lambda x: print(x))  # 1 2 3 4 5 6 7 8 9 10
 

分组聚合算子 groupByKey 以及 reduceByKey：
 

groupByKey只根据key进行分组，但不聚合 reduceByKey根据key进行分组，且进行聚合 (必须进行shuffle，可以指定分区的数量和规则) groupByKey转换算子，只对 KV键值对的RDD 起作用
 

rdd5 = sc.parallelize([("word", 10), ("word", 5), ("hello", 100), ("hello", 20), ("laoyan", 1)], numSlices=3)
rdd6 = rdd5.groupByKey()  # ("word",List[10,5])
rdd6.foreach(lambda x: print(x[0], *x[1]))   

rdd7 = rdd5.reduceByKey(lambda total, num: total + num)
rdd7.foreach(print)
 

 

重分区算子：repartition、coalesce ：
 

二者都可以将分区变大变小
 

repartition必须经过shuffle 因为底层代码中 shuffle = True，可以将分区变小或者变大
 

而coalesce 可以选择经过不经过shuffle，默认情况下不经过，在默认情况下，只能将分区变小，不能将分区变大。假如shuffle=True，也可以将分区变大。
 

使用repartition更改分区的数量：
 

list01 = [1, 5, 2, 6, 9, 10, 4, 3, 8, 7]
# 没有指定分区，走默认，默认分区个数，因为是local 模式，所以跟核数有关，所以 分区数为2
rdd = sc.parallelize(list01)
print(rdd.getNumPartitions())  # getNumPartitions() 获取分区的数量 返回值不是RDD，所以不是转换算子，是触发算子   # 2
# 使用 repartition 将 分区数量改为4 或 1
changeRdd = rdd.repartition(4)  # 经过shuffle过程，将分区数量更改为4
print(changeRdd.getNumPartitions())  # 现在就将rdd 的分区更改为4了   # 4
# 还可以更改为1 （缩小分区）
print(rdd.repartition(1).getNumPartitions())   # 1
 

使用coalesce 更改分区的数量：
 

将小分区变为大分区，必须进行shuffle过程 在coalesce的中默认shuffle=Flase，所以我们需要手动更改为True
 

changeRdd2 = rdd.coalesce(4,shuffle=True)  #
print(changeRdd2.getNumPartitions())  # 4
 

将大分区改为小分区，在coalesce中可以不进行shuffle过程，所以不需要改为True
 

print(rdd.coalesce(1).getNumPartitions())  # 1 
 

排序算子：sortBy、sortByKey：
 

 fileRdd = sc.textFile("../../datas/c.txt")
    #fileRdd.sortBy(lambda line:line.split(",")[1],ascending=False).foreach(print)

    # sortByKey  对KV类型的RDD进行排序
    rdd5 = sc.parallelize([("word", 10), ("word", 5), ("hello", 100), ("hello", 20), ("laoyan", 1)], numSlices=3)
    #rdd5.sortByKey(ascending=False).foreach(print)

    # 假如你想根据value排序，怎么办？
    rdd5.sortBy(lambda tuple:tuple[1],ascending=False).foreach(print)  
    # ascending=False降序排序
 

 

触发算子：
 

常见的触发算子：count、foreach、take
 

# 较为常见的触发算子
# count  foreach  saveAsTextFile
# count
list1 = [1,2,3,4,5,6,7,8,9]
rdd1 = sc.parallelize(list1,2)
print(rdd1.count())  #9

rdd1.foreach(lambda x: print(x))

print(rdd1.take(3))  # [1 2 3]
 

 

其他触发算子：
 

first、take：
 

# first： 返回RDD集合中的第一个元素
print(rdd1.first())  # 1 

print(rdd1.take(3))  # [1 2 3]
 

collect：
 

我们在上面sortBy案例中写到了collect，如果不collect就直接打印结果的话，出来的是各个分区中排序的结果，并不是全局的（sortBy是全局排序的，只不过我们之前有分区，只在分区中排序）
 

想看到全局的排序，可以直接将分区数量更改为1，或者直接使用collect收集
 

reduce：
 

我们在上面的案例中也使用到了reduceByKey转换算子，这个和上面的差不多，只不过reduce只进行聚合，而不需要根据key分组什么的，因为就没有key
 

print(rdd1.reduce(lambda sum, num:sum + num))  # 45
 

top 和 takeOrdered：
 

先对RDD中的所有元素进行升序排序，top返回最大的几个元素、takeOrdered返回最小的几个元素
 

都不经过shuffle，将所有元素放入Driver内存中排序，性能更好，只能适合处理小数据量
 

list2 = [2,1,5,79,435,33,576]
rdd2 = sc.parallelize(list2)
print(rdd2.top(3))  # [576, 435, 79]
# takeOrdered 也是一个触发算子，返回排序之后的最小的几个值
print(rdd2.takeOrdered(3))  # [1, 2, 5]
 

join 方面的算子： 
 

join leftOuterJoin rightOuterJoin fullOuterJoin 都为转换算子
 

join的过程，必然引发相同key值的数据汇总在一起，引发shuffle 操作
 

join：
 

rdd_singer_age = sc.parallelize([("周杰伦", 43), ("陈奕迅", 47), ("蔡依林", 41), ("林子祥", 74), ("陈升", 63)],
                                numSlices=2)
rdd_singer_music = sc.parallelize(
    [("周杰伦", "青花瓷"), ("陈奕迅", "孤勇者"), ("蔡依林", "日不落"), ("林子祥", "男儿当自强"),
     ("动力火车", "当")], numSlices=2)

# join
joinRdd = rdd_singer_age.join(rdd_singer_music).foreach(lambda x : print(x))   
# ('周杰伦', (43, '青花瓷'))
# ('蔡依林', (41, '日不落'))
# ('陈奕迅', (47, '孤勇者'))
# ('林子祥', (74, '男儿当自强'))
 

leftOuterJoin：
 

和sql中的leftjoin一样，左边的值全出，右边的值有的就显示，没有就显示null
 

rightOuterJoin 同理
 

leftJoinRdd = rdd_singer_age.leftOuterJoin(rdd_singer_music).foreach(lambda x:print(x))
#('周杰伦', (43, '青花瓷'))
#('蔡依林', (41, '日不落'))
#('陈升', (63, None))
#('陈奕迅', (47, '孤勇者'))
#('林子祥', (74, '男儿当自强'))
 

fullOuterJoin：
 

fullJoinRdd = rdd_singer_age.fullOuterJoin(rdd_singer_music).foreach(lambda x: print(x)) 
# ('动力火车', (None, '当'))
# ('周杰伦', (43, '青花瓷'))
# ('蔡依林', (41, '日不落'))
# ('陈升', (63, None))
# ('陈奕迅', (47, '孤勇者'))
# ('林子祥', (74, '男儿当自强'))
 

分区算子 mapPartitions -- 转换算子 foreachParition -- 触发算子
 

mapPartitions：
 

input_rdd = sc.parallelize((1, 2, 3, 4, 5, 6, 7, 8, 9, 10), numSlices=2)
# 使用mapPartitions：对每个分区进行处理
def map_partition(part):
    rs = [i * 2 for i in part]
    return rs

# 每个分区会调用一次：将这个分区的数据放入内存，性能比map更好，优化型算子，注意更容易出现内存溢出
map_part_rdd = input_rdd.mapPartitions(lambda part: map_partition(part))
 

 

foreachParition：
 

- 优点：性能快、节省外部连接资源 - 缺点：如果单个分区的数据量较大，容易出现内存溢出 - 场景： -数据量不是特别大，需要提高性能【将整个分区的数据放入内存】 -需要构建外部资源时【基于每个分区构建一份资源】
 

def save_part_to_mysql(part):
    # 构建MySQL连接
    for i in part:
        # 利用MySQL连接将结果写入MySQL
        print(i)

# 将每个分区的数据直接写入MySQL，一个分区就构建一个连接
map_part_rdd.foreachPartition(lambda part: save_part_to_mysql(part))
 

 

 

Spark的容错机制：（重点）
 

1、RDD容错机制：persist持久化机制
 

其中有三个算子： cache 、 persist 、 unpersist
 

cache：
 

# 功能：将RDD缓存在内存中
# 本质其实底层还是调用的 persist ，但是只缓存在内存中，如果内存不足的话，缓存就会失败
语法：cache()
 

persist ：
 

  与cache不同的是，persist 可以自己指定缓存的方式（级别）
 

# 将RDD缓存在磁盘中
StorageLevel.DISK_ONLY = StorageLevel(True, False, False, False)
StorageLevel.DISK_ONLY_2 = StorageLevel(True, False, False, False, 2)
StorageLevel.DISK_ONLY_3 = StorageLevel(True, False, False, False, 3)

# 将RDD缓存在内存中
StorageLevel.MEMORY_ONLY = StorageLevel(False, True, False, False)
StorageLevel.MEMORY_ONLY_2 = StorageLevel(False, True, False, False, 2)

# 将RDD优先缓存在内存中，如果内存不足，就缓存在磁盘中
StorageLevel.MEMORY_AND_DISK = StorageLevel(True, True, False, False)
StorageLevel.MEMORY_AND_DISK_2 = StorageLevel(True, True, False, False, 2)

# 使用堆外内存
StorageLevel.OFF_HEAP = StorageLevel(True, True, True, False, 1)

# 使用序列化
StorageLevel.MEMORY_AND_DISK_DESER = StorageLevel(True, True, False, True)
 

常用的有
 

MEMORY_AND_DISK_2   -- 先缓存内存，如果内存不足就缓存在磁盘
MEMORY_AND_DISK_DESER   -- 使用序列化
 

unpersist :
 

功能就是将缓存释放出去
 

  •  
    unpersist(blocking=True)：等释放完再继续下一步 （默认为False）
     
  •  
    场景：明确RDD已经不再使用，后续还有很多的代码需要执行，将RDD的数据从缓存中释放，避免占用资源
     
  •  
    注意：如果不释放，这个Spark程序结束，也会释放这个程序中的所有内存
     
 

总体代码演示：
 

 # step3: 保存结果
  # 对RDD进行缓存
  rs_rdd.cache() # 只缓存在内存中
  rs_rdd.persist(StorageLevel.MEMORY_AND_DISK)
    # 打印结果：构建RDD
  rs_rdd.foreach(lambda x: print(x))
    # 打印第一行：重新构建一遍
  print(rs_rdd.first())
    # 统计行数：重新构建一遍
    print(rs_rdd.count())

    # todo:3-关闭SparkContext
    time.sleep(10000)
  # 如果这个RDD明确后续代码中不会再被使用，一定要释放缓存
    rs_rdd.unpersist(blocking=True)

# unpersist(blocking=True)：等RDD释放完再继续下一步
# blocking = True：阻塞
 

2、checkPoint 检查点
 

checkpoint需要在触发算子的前面设置检查点，之后设置的话可能会出现只产生文件夹，而不产生结果的情况
 

# 创建sc对象
conf = SparkConf().setMaster("local[2]").setAppName("第一个pysparkDemo")
sc = SparkContext(conf=conf)

fileRdd = sc.textFile("../../datas/wordcount/sogou.tsv")
mapRdd = (fileRdd.filter(lambda line: len(re.split("\s+", line)) == 6) \
          .map(lambda line: (re.split("\s+", line)[0], re.split("\s+", line)[1], re.split("\s+", line)[2][1:-1])))

sc.setCheckpointDir("../datas/chk/chk1")

mapRdd.checkpoint()
# checkpoint需要在触发算子的前面设置检查点，之后设置的话可能会出现只产生文件夹，而不产生结果的情况

print(mapRdd.count())

time.sleep(100)

sc.stop()
 

 

容错机制面试题：
 

RDD的cache、persist持久化机制和checkpoint检查点机制有什么区别？
 

 

 

  •  
    存储位置
     
  
    •  
      persist：将RDD缓存在内存或者磁盘中
       
    •  
      chk：将RDD的数据存储在文件系统磁盘中
       
  •  
    生命周期
     
  
    •  
      persist：当代码中遇到了unpersist或者程序结束，缓存就会被自动清理
       
    •  
      chk：检查点的数据是不会被自动清理的，只能手动删除
       
  •  
    存储内容
     
  
    •  
      persist：会保留RDD的血脉关系，如果缓存丢失，可以通过血脉进行恢复
       
    •  
      chk：会斩断RDD的血脉关系，不会保留RDD的血脉关系的
       
 

 

 


                
      


    


    

      




    

      
悦读

      
道可道，非常道；名可名，非常名。
无名，天地之始，有名，万物之母。
故常无欲，以观其妙，常有欲，以观其徼。
此两者，同出而异名，同谓之玄，玄之又玄，众妙之门。

    


    
    
    
    
    
    
    
    

    
    




  
    最新收录
  
  

    
    
    
      
SAP WM初阶之事务代码LQ02

    
    
    
      
七月论文审稿GPT第2版：用一万多条paper-review数据微调LLaMA2 7B最终反超GPT4

    
    
    
      
SprinBoot+Vue二手回收微信小程序的设计与实现

    
    
    
      
广州科源980tc数控系统说明书_广州数控GSK980TC3车床数控系统 操作

轴名

    
    
    
      
sqlite性能考量及使用（附可视化操作软件）

    
    
    
      
时间序列分析方法汇总对比及优缺点和适用情况（下）-- 11. 卡尔曼滤波 12. 广义自回归条件异方差模型 13. 贝叶斯结构时间序列模型 14. 动态因子模型 15. 隐马尔科夫模型

    
    
    
      
php 横拍还是竖拍,用手机拍照片，应该选择横拍还是竖拍？其实里面大有讲究...

    
    
    
      
javaEE初阶——多线程（八）——常见的锁策略 以及 CAS机制

    
    
    
      
计算机组成原理第八章题目,第八章 计算机组成原理练习题答案.doc

    
    
    
      
Gmesh的网格剖分模块

    
    

  




    
   
  







  









  












;