初识Spark之 Spark API
来源:互联网 发布:文本情感分析算法 编辑:程序博客网 时间:2024/05/16 12:17
API
应用可以通过使用Spark提供的库获得Spark集群的计算能力,这些库都是Scala编写的,但是Spark提供了面向各种语言的API,例如Scala、Python、Java等,所以可以使用以上语言进行Spark应用开发。
Spark的API主要由两个抽象部件组成:SparkContext和RDD,应用程序通过这两个部件和Spark进行交互,连接到Spark-集群并使用相关资源。
1.SparkContext
是定义在Spark库中的一个类,作为Spark库的入口。包含应用程序main()方法的Driver program通过SparkContext对象访问Spark,因为SparkContext对象表示与Spark集群的一个连接。每个Spark应用都有且只有一个激活的SparkContext类实例,如若需要新的实例,必须先让当前实例失活。
(在shell中SparkContext已经自动创建好,就是sc)
实例化SparkContext:
val sc = new SparkContext()
2.RDD
RDD基础概念
弹性分布式数据集(Resilient Distributed Dataset)
并行分布在整个集群中
把指定路径下的文本文件加载到lines这个RDD中,这个lines就是一个RDD,代表是就是整个文本文件
val lines = sc.textFile("home/haha/helloSpark.txt")
即使这个文件超大,分片存储在多台机器上,操作时可以直接使用RDD对整体文件进行操作
RDD是Spark分发数据和计算的基础抽象类
例如:lines.count()
在.count()的函数操作是在RDD数据集上的,而不是对某一具体分片一个RDD是一个不可改变的分布式集合对象
就lines来说,如果我们对其所代表的源文件进行了增删改操作,则相当于生成了一个新的RDD,来存放修改后的数据集Spark中所有的计算都是通过RDD的创建、转换,操作完成的
一个RDD内部由许多partitions(分片)组成
partitions:
每个分片包括一部分数据,分片可在集群不同节点上计算
分片是Spark并行处理的单元,Spark顺序的,并行的处理分片
RDD创建方法
1.把一个存在的集合传给SparkContext的parallize()方法(一般测试的时候使用这个方法)
val rdd = sc.parallelize(Array(1,2,2,1),4) //参数1:待并行化处理的集合;参数2:分区个数rdd.count() //查看个数rdd.foreach(print) //查看RDD的所有对象//注意:每次foreach出来数值顺序会不一样,因为数据存储于4个分区,从哪个分区读取数值是随机的
2.加载外部数据集
//用textFile方法加载//该方法返回一个RDD,该RDD代表的数据集每个元素都是一个字符串,每个字符串代表输入文件中的一行val rddText = sc.textFile("helloSpark.txt")//用wholeTextfiles方法加载//这个方法读取目录下的所有文本文件,然后返回一个KeyValue对RDD(每一个键值对对应一个文件,key为文件路径,value为文件内容)val rddW = sc.wholeTextFile("path/to/my-data/*.txt")//用sequenceFile方法加载//此方法要求从SequenceFile文件中获取键值对数据,返回一个KeyValue对RDD(使用此方法时,还需要提供类型)val rdd = sc.sequenceFile[String,String]("some-file")
RDD的转换操作
Transformation(转换)—– 从之前的RDD中构建一个新的RDD
逐元素
map():接收函数后,把函数应用到RDD的每一个元素,返回新的RDD
val lines1 = sc.parallelize(Array("hello","spark","hello","world","!"))val lines2 = lines1.map(word=>(word,1))lines2.foreach(println)//打印出:(hello,1)(spark,1)(hello,1)(world,1)(!,1)
filter():接收函数后,返回只包含满足filter()函数的元素的新RDD
val lines3 = lines.filter(word=>word.contains("hello"))lines3.foreach(println)//打印出:hellohello
flatMap():对每个输入元素,输出多个输出元素,也就是将RDD中元素flat(压扁)后返回一个新的RDD
val input = sc.textFile('/home/haha/helloSpark.txt')val lines4 = input.flatMap(line=>line.split(" ")) //用空格切分一行的单词
集合运算
RDD支持数学集合的计算,例如并集、交集计算
val rdd1 = sc.parallelize(Array("coffe","coffe","panda","monkey","tea"))val rdd2 = sc.parallelize(Array("coffe","monkey","kitty"))val rdd_distinct = rdd1.distinct(rdd2) //合并,去重val rdd_union = rdd1.union(rdd2) // 并集val rdd_inter = rdd1.intersection(rdd2) // 交集val rdd_sub = rdd1.subtract(rdd2) // rdd1中有rdd2中没有的
RDD的行动操作
Action(行动) —– 在RDD上计算出一个结果,并且把结果返回给driver program或保存在文件系统。例如:count(),save
RDD几个常用的Action:
举例说说几个重要操作:
reduce():接收一个函数后,作用在RDD两个类型相同的元素上,返回新元素;可以实现RDD中元素的累加、计数,和其它类型的聚集操作。
val rdd = sc.parallelize(Array(1,2,3,3))rdd.collect() //数组形式输出//打印出:Array[Int] = Array(1,2,3,3)rdd.reduce((x,y)=>x+y) //以x,y代表同种类型数据//打印出:Int = 9 //因为该RDD表示的数组中int类型数据总和为9
collect():遍历整个RDD,向driver program返回RDD的内容,需要单机内存能够容纳下(因为数据要拷贝给dirver,测试用该函数,方便看到数据所有内容)。在处理大量数据时,使用saveAsTextFile()等
take(n):返回RDD的n个元素(同时尝试访问最少的partitions),返回结果是无序的(测试时使用) —– 测试时,随机取n个元素
top(n):返回排序后的前n个元素,排序(根据RDD中数据的比较器)
rdd.top(1)//打印出:Array[Int] = Array(3)rdd.top(2)//打印出:Array[Int] = Array(3,3)rdd.top(3)//打印出:Array[Int] = Array(3,3,2)
foreach():
计算RDD中每个元素,但不返回到本地(只过一遍,不保存),一般配合print/println打印出数据
rdd.foreach(println)
RDD的特性
RDDs的血统关系图
Spark维护着RDDs之间的依赖关系和创建关系,叫做血统关系图
Spark使用血统关系图来计算每个RDD的需求和恢复丢失的数据
以上为RDDs的血统关系图示例(记录RDD从哪来的,往后又去干啥了)
惰性操作/延迟计算(Lazy Evaluation)
RDD的创建和转换方法都是惰性操作,并不会立即执行
例如,当使用SparkContext的textFile方法从HDFS中读取文件时,Spark并不会马上从硬盘中读取文件,数据只有在必要时才会被加载
Spark仅仅记录了这个RDD是怎么创建的,在它上面进行操作又会创建怎样的RDD等信息,为每个RDD维护其血统信息,在需要时创建或重建RDD
Spark对RDD的计算,在第一次使用action操作的时候才会执行
Spark通过内部记录metadata表,以表明transformations操作已经被响应了
缓存
回顾RDD的创建有两种方法,可以从存储系统中读取数据,也可以从现有RDD(集合)的转换操作而来
默认每次在RDDs上面进行action操作时,Spark都遍历这个调用者RDD的血统关系图,执行所有的转换来创建它重新计算RDDs
如果想要重复利用一个RDD(直接利用之前计算出的某个RDD结果),可以使用cache()/persist()
cache
把RDD存储在集群中执行者的内存中,实际上是将RDD物化在内存中persist
是一个通用版的cache方法,通过传参的方法告知,缓存级别、缓存在哪:
移除
Spark只有在必要时才会从缓存占用的内存中移除老的RDD分区,可以调用RDD提供的unpersist方法手动移除RDD分区
KeyValue对RDDs
创建
使用map()函数,返回key/value对
例如,包含数行数据的RDD,把每行数据的第一个单词作为keys,整行作为Value
val rdd = sc.textFile("/home/haha/helloSpark.txt")val rdd2 = rdd.map(line=>(line.split("")(0),line)) // line=>(key,value) key值:用空格分割整行,第0个数据即为第一个单词;value值:整行//打印出:(hello,hello spark)(hello,hello spark !)//rdd2则为KeyValue对RDD
//一般在测试中手动创建KeyValue对RDDs方法:val rdd3 = sc.parallelize(Array((1,2),(3,4),(3,6)))
Transformation操作
combineByKey():
参数有:createCombiner,mergeValue,mergeCombiners,partitioner
此函数是基于key的聚合函数中最常使用的,返回的类型可以与输入类型不一样
许多基于key的聚合函数都用到了它,像groupByKey()
实现过程:
遍历partition中的元素,以元素的key作为判断依据
如果遍历到的是第一次出现的key,则该元素视为新元素,使用提供的createCombiner()函数初始化
如果遍历到的是一个partition中已经存在的key,使用mergeValue函数merge(整合)
合计每个partition结果时,使用mergeCombiners()函数,对所有分区处理结果进行整合
//已知Jack和Mike两人的语文、数学、英语成绩,求各自总分、平均分val sorces = sc.parallelize(Array(("jack",80.0),("jack",90.0),("jack",85.0),("mike",85.0),("mike",92.0),("mike",94.0))val score2 = score.combineByKey(score=>(1,score),(c1:(Int,Double),newScore)=>(c1._1+1,c1._2+newScore),(c1:(Int,Double),c2:(Int,Double))=>(c1._1+c2._1,c1._2+c2._2)) //createCombiner():score->value值,1->计数作用;//mergeValue():声明key/value形式的变量c1,Int->科目数,Double->科目成绩累加值,newScore->遍历到的新的分数,c1._1->c1的key值,c1._2是c1的value值(再次扫到某人,科目加1,成绩累加)//createCombiners():c1->某个分区最终值,c2->另一个分区的最终值,分区的科目、成绩分别对应相加score2.foreach(println)//打印出:(jack,(3,255.0))(mike,(3,267.0))val average = score2.map{case(name,(num,score))=>(name,score/num)} //case:判断传过来的数据类型是否匹配average.foreach(println)//打印出:(mike,89.0)(jake,85.0)
Action操作
(以键值对集合{(1,2),(3,4),(3,6)}为例)
参考:
Spark从零开始(慕课网)
- 初识Spark之 Spark API
- 初识Spark之 基本概念
- Spark 之 API
- Spark学习笔记之初识
- Spark初识
- Spark初识
- 初识Spark
- 初识 Spark
- Spark初识
- Spark初识
- spark初识
- Spark 之RDD API大全
- Spark API 之 map、mapPartitions
- Spark学习笔记:初识Spark
- spark学习笔记:初识spark
- 初识Spark2.0之Spark SQL
- 初识Spark之 大数据技术提要
- 初识Spark2.0之Spark SQL
- 南阳理工oj 题目26 孪生素数问题 素数筛选法
- 一张图轻松搞懂javascript event对象的clientX,offsetX,screenX,pageX区别
- Android 音乐指示器
- ssh整合
- MySQL冗余数据的三种方案
- 初识Spark之 Spark API
- Linux命令— tar、gzip (打包拆包、压缩解压、打包压缩、解压拆包)
- 使用 Laravel 数据填充生成 中文 测试数据
- Unity UI组件属性中的矩形变换(Rect Transform)的详解
- 在html页面中判断本地app是否安装并打开
- windows下安装memcached,报错:Failed to ignore SIGHUP RESULT too large
- 解决php中Cannot send session cache limiter 的问题的方法
- Collection-ArrayList-Transient及序列化
- MYSQL从零开始学习笔记