Spark day03

1. 补充算子

   transformations

• mapPartitionWithIndex

  类似于mapPartitions,除此之外还会携带分区的索引值。
• repartition

  增加或减少分区。会产生shuffle。（多个分区分到一个分区不会产生shuffle）

• coalesce

  coalesce常用来减少分区，第二个参数是减少分区的过程中是否产生shuffle。

  true为产生shuffle，false不产生shuffle。默认是false。

  如果coalesce设置的分区数比原来的RDD的分区数还多的话，第二个参数设置为false不会起作用，如果设置成true，效果和repartition一样。即repartition(numPartitions) = coalesce(numPartitions,true)

• groupByKey

  作用在K，V格式的RDD上。根据Key进行分组。作用在（K，V），返回（K，Iterable <V>）。

• zip

  将两个RDD中的元素（KV格式/非KV格式）变成一个KV格式的RDD,两个RDD的每个分区元素个数必须相同。

• zipWithIndex

  该函数将RDD中的元素和这个元素在RDD中的索引号（从0开始）组合成（K,V）对。

Action

• countByKey

  作用到K,V格式的RDD上，根据Key计数相同Key的数据集元素。

  扫描二维码关注公众号，回复： 5745968 查看本文章
• countByValue

  根据数据集每个元素相同的内容来计数。返回相同内容的元素对应的条数。

• reduce

  根据聚合逻辑聚合数据集中的每个元素。

1. PV&UV
2. Spark-Submit提交参数

   Options:

• --master

   MASTER_URL, 可以是spark://host:port, mesos://host:port, yarn,  yarn-cluster,yarn-client, local

• --deploy-mode

  DEPLOY_MODE, Driver程序运行的地方，client或者cluster,默认是client。

• --class

  CLASS_NAME, 主类名称，含包名

• --jars

  逗号分隔的本地JARS, Driver和executor依赖的第三方jar包

• --files

  用逗号隔开的文件列表,会放置在每个executor工作目录中

• --conf

  spark的配置属性

• --driver-memory

  Driver程序使用内存大小（例如：1000M，5G），默认1024M

• --executor-memory

  每个executor内存大小（如：1000M，2G），默认1G

   

Spark standalone with cluster deploy mode only:

• --driver-cores

  Driver程序的使用core个数（默认为1），仅限于Spark standalone模式

Spark standalone or Mesos with cluster deploy mode only:

• --supervise

  失败后是否重启Driver，仅限于Spark  alone或者Mesos模式

Spark standalone and Mesos only:

• --total-executor-cores

  executor使用的总核数，仅限于SparkStandalone、Spark on Mesos模式

   

Spark standalone and YARN only:

• --executor-cores

  每个executor使用的core数，Spark on Yarn默认为1，standalone默认为worker上所有可用的core。

   

YARN-only:

• --driver-cores

  driver使用的core,仅在cluster模式下，默认为1。

• --queue

  QUEUE_NAME 指定资源队列的名称,默认：default

• --num-executors

  一共启动的executor数量，默认是2个。

1. 资源调度源码分析

• 资源请求简单图

• 资源调度Master路径：

  

路径：spark-1.6.0/core/src/main/scala/org.apache.spark/deploy/Master/Master.scala

• 提交应用程序，submit的路径：

  

路径：spark-1.6.0/core/src/main/scala/org.apache.spark/ deploy/SparkSubmit.scala

• 总结：

1. Executor在集群中分散启动，有利于task计算的数据本地化。
2. 默认情况下（提交任务的时候没有设置--executor-cores选项），每一个Worker为当前的Application启动一个Executor,这个Executor会使用这个Worker的所有的cores和1G内存。
3. 如果想在Worker上启动多个Executor，提交Application的时候要加--executor-cores这个选项。
4. 默认情况下没有设置--total-executor-cores,一个Application会使用Spark集群中所有的cores。

• 结论演示

  使用Spark-submit提交任务演示。也可以使用spark-shell

1. 默认情况每个worker为当前的Application启动一个Executor，这个Executor使用集群中所有的cores和1G内存。

./spark-submit --master spark://node1:7077 --class org.apache.spark.examples.SparkPi ../lib/spark-examples-1.6.0-hadoop2.6.0.jar 10000

1. 在workr上启动多个Executor,设置--executor-cores参数指定每个executor使用的core数量。

./spark-submit --master spark://node1:7077 --executor-cores 1 --class org.apache.spark.examples.SparkPi ../lib/spark-examples-1.6.0-hadoop2.6.0.jar 10000

1. 内存不足的情况下启动core的情况。Spark启动是不仅看core配置参数，也要看配置的core的内存是否够用。

./spark-submit --master spark://node1:7077 --executor-cores 1 --executor-memory 3g --class org.apache.spark.examples.SparkPi ../lib/spark-examples-1.6.0-hadoop2.6.0.jar 10000

1. --total-executor-cores集群中共使用多少cores

   注意：一个进程不能让集群多个节点共同启动。

./spark-submit --master spark://node1:7077 --executor-cores 1 --executor-memory 2g --total-executor-cores 3 --class org.apache.spark.examples.SparkPi ../lib/spark-examples-1.6.0-hadoop2.6.0.jar 10000

1. 任务调度源码分析

• Action算子开始分析

  任务调度可以从一个Action类算子开始。因为Action类算子会触发一个job的执行。

• 划分stage,以taskSet形式提交任务

  DAGScheduler 类中getMessingParentStages()方法是切割job划分stage。可以结合以下这张图来分析：

1. 二次排序

SparkConf sparkConf = new SparkConf() .setMaster("local") .setAppName("SecondarySortTest"); final JavaSparkContext sc = new JavaSparkContext(sparkConf);   JavaRDD<String> secondRDD = sc.textFile("secondSort.txt");   JavaPairRDD<SecondSortKey, String> pairSecondRDD = secondRDD.mapToPair(new PairFunction<String, SecondSortKey, String>() {       /**      *      */     private static final long serialVersionUID = 1L;       @Override     public Tuple2<SecondSortKey, String> call(String line) throws Exception { String[] splited = line.split(" "); int first = Integer.valueOf(splited[0]); int second = Integer.valueOf(splited[1]); SecondSortKey secondSortKey = new SecondSortKey(first,second); return new Tuple2<SecondSortKey, String>(secondSortKey,line);     } });   pairSecondRDD.sortByKey(false).foreach(new VoidFunction<Tuple2<SecondSortKey,String>>() {          /**      *      */     private static final long serialVersionUID = 1L;       @Override     public void call(Tuple2<SecondSortKey, String> tuple) throws Exception { System.out.println(tuple._2);     } });

public class SecondSortKey implements Serializable,Comparable<SecondSortKey>{     /**      *      */     private static final long serialVersionUID = 1L;     private int first;     private int second;     public int getFirst() {         return first;     }     public void setFirst(int first) {         this.first = first;     }     public int getSecond() {         return second;     }     public void setSecond(int second) {         this.second = second;     }     public SecondSortKey(int first, int second) {         super();         this.first = first;         this.second = second;     }     @Override     public int compareTo(SecondSortKey o1) {         if(getFirst() - o1.getFirst() ==0 ){             return getSecond() - o1.getSecond();         }else{             return getFirst() - o1.getFirst();         }     } }

1. 分组取topN和topN

SparkConf conf = new SparkConf() .setMaster("local") .setAppName("TopOps"); JavaSparkContext sc = new JavaSparkContext(conf); JavaRDD<String> linesRDD = sc.textFile("scores.txt");   JavaPairRDD<String, Integer> pairRDD = linesRDD.mapToPair(new PairFunction<String, String, Integer>() {   /** * */ private static final long serialVersionUID = 1L;   @Override public Tuple2<String, Integer> call(String str) throws Exception {     String[] splited = str.split("\t");     String clazzName = splited[0];     Integer score = Integer.valueOf(splited[1]);     return new Tuple2<String, Integer> (clazzName,score); } });   pairRDD.groupByKey().foreach(new VoidFunction<Tuple2<String,Iterable<Integer>>>() {   /** * */ private static final long serialVersionUID = 1L;   @Override public void call(Tuple2<String, Iterable<Integer>> tuple) throws Exception {     String clazzName = tuple._1;     Iterator<Integer> iterator = tuple._2.iterator();          Integer[] top3 = new Integer[3];          while (iterator.hasNext()) { Integer score = iterator.next();   for (int i = 0; i < top3.length; i++) {      if(top3[i] == null){ top3[i] = score; break;      }else if(score > top3[i]){ for (int j = 2; j > i; j--) {      top3[j] = top3[j-1]; } top3[i] = score; break;      } } } System.out.println("class Name:"+clazzName); for(Integer sscore : top3){ System.out.println(sscore); } } });

1. SparkShell的使用

• 概念：

SparkShell是Spark自带的一个快速原型开发工具，也可以说是Spark的scala REPL(Read-Eval-Print-Loop),即交互式shell。支持使用scala语言来进行Spark的交互式编程。

• 使用:

启动Standalone集群，./start-all.sh

在客户端上启动spark-shell:

./spark-shell --master spark://node1:7077

启动hdfs，创建目录spark/test,上传文件wc.txt

启动hdfs集群： start-all.sh 创建目录： hdfs dfs -mkdir -p /spark/test 上传wc.txt hdfs dfs -put /root/test/wc.txt /spark/test/ wc附件：

运行wordcount

sc.textFile("hdfs://node1:9000/spark/test/wc.txt") .flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).foreach(println)