Spark Guides

本文是对Spark Guides的要点总结，会持续更新。

Resilient Distributed Datasets (RDDs)

可并行、容错的元素集合,建立RDDs的两种方式:

• 在driver program中并行化已存在的数据集合
  使用SparkContext的parallelize将一个scala seq转化为并行集合。该方法的一个重要参数是数据集的分区数（partitions number）。Spark会为每个partition起一个task。通常，每个CPU分配2-4 partitions。一般地，Spark会根据集群自动设置partitions数，当然你也可以手动设置（e.g. sc.parallelize(data, 10)）

• 读取外部数据集
  Spark可以从来自于任何支持Hadoop的存储来源建立为分布式数据集，包括你的本地文件系统、HDFS、Cassandra、HBase等。输入格式支持text files, SequenceFiles, 和其他任何Hadoop InputFormat。

  注意:

  • Spark所有文件输入方法支持目录、压缩文件和正则匹配
  • Spark一般为文件每个block创建一个分区（HDFS默认128M）。注意partitions数不能小于blocks数

RDD操作

RDDs支持两种类型的操作：

• transformations 转换
  基于已有数据集建立新的数据集
• actions 动作
  在数据集上执行计算后，返回给driver program一个值

注意，spark所有的transformations都是惰性（lazy）的，即它们并不立即计算结果。它们仅记忆应用到数据集上的transformations，直到一个要求返回结果的action执行时，才会开始计算，这种设计使得spark更高效。

默认的，transformed RDD在每次跑一个action时都会重新计算。但是，你可以使用persist (or cache) 方法把一个RDD持久化到内存中，在这种情况下，下次再访问该RDD时会非常快。当然，也支持硬盘持久化，或者在多个结点复制。

理解闭包（closures）

为了执行任务，Spark会把RDD操作的过程拆分成tasks，每一个任务被一个executor执行。在执行前，Spark会计算任务的闭包。closure指的是那些必须对executor可见的变量和方法，以用来执行在RDD上的计算。closure会被序列化然后送到每个executor。

为了确保well-defined的行为，应当使用Accumulator。Accumulators是当execution被拆分到集群工作节点间时，特意用来提供安全更新变量的机制。

Transformations

• map(func)
• filter(func)
• flatMap(func)
• mapPartitions(func)
• mapPartitionsWithIndex(func)
• sample(withReplacement, fraction, seed)
• union(otherDataset)
• intersection(otherDataset)
• distinct([numTasks]))
• groupByKey([numTasks])
• reduceByKey(func, [numTasks])
• aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]
• sortByKey([ascending], [numTasks])
• join(otherDataset, [numTasks])
• cogroup(otherDataset, [numTasks])
• cartesian(otherDataset)
• pipe(command, [envVars])
• coalesce(numPartitions)
• repartition(numPartitions)
• repartitionAndSortWithinPartitions(partitioner)

Actions

• reduce(func)
• collect()
• count()
• first()
• take(n)
• takeSample(withReplacement, num, [seed])
• takeOrdered(n, [ordering])
• saveAsTextFile(path)
• saveAsSequenceFile(path)
• saveAsObjectFile(path)
• countByKey()
• foreach(func)

Shuffle operations

shuffle用于重分布（re-distributing)数据，以便数据在分区之间被不同地分组（grouped differently across partitions）。这一般会导致在executors和机器间复制，使得shuffle成为复杂、costly的操作。

在Spark中，数据一般不会跨区分布，以便对于特定操作能够处在必要的位置。因此，对于reduceByKey操作，Spark需要执行一次all-to-all操作。它必须从所有分区读取，以查找所有键的所有values，然后将分区的值汇总在一起以计算每个键的最终结果–这就是所谓的shuffle。

触发shuffle的操作有

• repartition操作如 repartition 和 coalesce
• ByKey操作如 groupByKey 和 reduceByKey
• join操作如 cogroup 和 join

RDD持久化

在操作间持久化一个数据集是Spark的重要特性。当你持久化一个RDD，每个节点都会存储它计算的任何分区至memory中，在此数据集上（或从它衍生的数据集）的actions中都会重利用之。这使得之后的actions变得更快（通常多于10X提速）。Caching是迭代算法和快速交互式应用（fast interactive use）的重要工具。

可以使用 persist() 或者 cache() 方法进行持久化。当它在一次action中第一次计算出来后，它就会保存在节点memory中。Spark的cache是容错的，如果一个RDD的任何分区丢失后，它会自动重计算之，通过使用原来建立它的transformations。

此外，有不同的持久化等级：

• MEMORY_ONLY
• MEMORY_AND_DISK
• MEMORY_ONLY_SER
• MEMORY_AND_DISK_SER
• DISK_ONLY
• MEMORY_ONLY_2, MEMORY_AND_DISK_2, etc
• OFF_HEAP (experimental)

如何选择持久化等级

这是关于memory使用状况和CPU效率间的trade-off，建议通过以下过程来选择一个：

• 如果你的RDDs在默认存储等级 (MEMORY_ONLY)下fit comfortably，就保持这样的设定。这种是最高CPU效率的选择。

• 如果不是，试着使用MEMORY_ONLY_SER并选择一个快速的序列化包来使得对象们存储更空间高效（space-efficient）

• 除非计算你的数据集的函数集(functions)非常expensive，或者它们过滤了大量数据，否则不要将之溢出到磁盘（spill to disk）。除此以外，重计算一个分区和把它从磁盘读取速度是一样的。

• 如果你想拥有快速的错误恢复（fault recovery），使用冗余（replicated）存储级别。所有的存储级别通过重计算损失的数据来提供容错，但是冗余备份使得你可以继续在RDDs上运行，而不需要等待重新计算丢失的分区。

Shared Variables（共享变量）

Broadcast Variables 与 Accumulators