Spark Core

本文来自 B站 黑马程序员 - Spark教程 ：原地址

第一章 RDD详解

1.1 为什么需要RDD

分布式计算需要

• 分区控制
• shuffle控制
• 数据存储、序列化、发送
• 数据计算API
• 等一系列功能

这些功能，不能简单的通过Python内置的本地集合对象（如List，字典等）去完成。

我们在分布式框架中，需要有一个统一的数据抽象对象，来实现上述分布式计算所需功能

这个抽象对象，就是RDD

1.2 什么是RDD

Spark起源

在spark开山之作**R**esilient **D**istributed **D**atasets:A Fault-Tolerant Abstraction for In-Memory Cluster Computing这篇paper中 （以下简称 RDD Paper），Matei等人提出了RDD这种数据结构，文中开头对RDD的定义是：

RDD定义

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的数据抽象，代表一个不可变，可分区，里面的元素可并行计算的集合。

• Dataset：一个数据集合，用于存放数据的。

• Distributed：RDD中的数据是分布式存储的，可用于分布式计算。

• Resilient：RDD中的数据可以存储在内存中或者磁盘中。

  

RDD定义

• RDD（Resilient Distributed Dataset）弹性分布式数据集，是Spark中最基本的数据抽象，代表一个不可变，可分区，里面的元素可并行计算的集合。
• 所有的运算以及操作都建立在RDD数据结构的基础之上。
• 可以认为RDD是分布式的列表list或者数组Array，抽象的数据结构，RDD是一个抽象类Abstract Class和泛型Generic Type

1.3 RDD的五大特性

RDD数据结构内部的五个特性

前三个特征每个RDD都具备的，后两个特征可选的

特性1： RDD是有分区的

RDD的分区是RDD数据存储的最小单位

一份RDD的数据，本质上是分隔成了多个分区

特性2： RDD的方法会作用在其所有的分区上

特性3： RDD之间是有依赖关系（RDD有血缘关系）

sc = SparkContext(conf = conf)

rdd1 = sc.textFile("t.txt")
rdd2 = rdd1.flatMap(lambda x:x.split(' '))
rdd3 = rdd2.map(lambda x: (x ,1))
rdd4 = rdd3.reduceByKey(lambda a, b: a + b)

print(rdd4.collect())

RDD之间是有依赖的，如rdd2会产生rdd3，但是rdd2依赖rdd1，同样rdd3会产生rdd4，但rdd3依赖rdd2

…

会形成一个依赖链条。

这个链条称之为RDD的血缘关系。

特性4： Key-Value型的RDD可以有分区器

默认分区器：Hash分区规则，可以手动设置一个分区器（rdd.partitionBy的方法来设置）

这个特性是可能的，因为不是所有RDD都是key-value型

key-value RDD：RDD中存储的是二元元组，这就是key-value型RDD

二元元组：只有2个元素的元组，比如：（“hadoop”,6）

特性5： RDD的分区规划，会尽量靠近数据所在的服务器

在初始RDD（读取数据的时候）规划的时候，分区会尽量规划到存储数据所在的服务器上

因为这样可以走本地读取，避免网络读取

本地读取：Executor所在的服务器，同样是一个DataNode，同时这个DataNode上有它要读的数据，所以可以直接读取机器硬盘即可 无需走网络传输

网络读取：读取数据，需要经过网络传输才能读取到

本地读取 性能>网络读取的

总结：spark会在确保并行计算能力的前提下，尽量确保本地读取

这里是尽量确保，而不是100%确保，所以这个特性也是：可能的

总结

如何正确理解RDD

弹性分布式数据集，分布式计算的实现载体（数据抽象）

RDD五大特点

Internally, each RDD is characterized by five main properties

• A list of partitions
• A function for computing each split
• A list of dependencies on other RDDs
• Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
• Optionally, a list of preferred locations to compute eash split on (e.g block locations for an HDFS file)

在内部，每个RDD都有五个主要特性

• 分区列表
• 用于计算每次拆分的函数
• 与其他RDD的依赖关系列表
• 可选地，键值RDD的Partitioner（例如，说RDD是散列分区的）
• 可选地，计算eash分割的首选位置列表（例如HDFS文件的块位置）

第二章 RDD编程入门

2.1 程序执行入口 SparkContext对象

Spark RDD 编程的程序入口对象是SparkContext对象（不论何种编程语言）

只有构建出SparkContextt,基于它才能执行后续的API调用和计算

本质上，SparkContext对编程来说，主要功能就是创建第一个RDD出来

from pyspark import SparkConf, SparkContext

if __name__ == '__namin__':
    # 构建SparkConf对象
    conf = SparkConf().setAppName("helloword").setMaster("local[*]")
    # 构建SparkContext执行入口对象
    sc = SparkContext(conf = conf)

2.2 RDD的创建

RDD的创建主要有2种方式：

• 通过并行化集合创建（本地对象 转 分布式RDD）
• 读取外部数据源（读取文件）

并行化创建

概念：并行化创建是指：将本地集合—>转向分布式RDD

这一步就是，分布式的开端：本地转分布式

API：

rdd = sparkcontext.parallelize(参数1，参数2)
# 参数1 集合对象即可，比如list
# 参数2 分区数

获取RDD分区数

getNumPartitions API

获取RDD分区数量 返回值是Int数字

用法：

rdd.getNumPartitions()

读取文件创建

testFile

这个API可以读取 本地数据，也可以读取hdfs数据

使用方法：

sparkcontext.textFile(参数1，参数2)
# 参数1，必填，文件路径 支持本地文件 支持HDFS 也支持一些比如S3协议
# 参数2，可填，表示最小分区数量
# 注意：参数2 话语权不足，spark有自己的判断，在它允许范围内，参数2有效果，超过spark允许的范围，参数2失败

wholeTextFile

读取文件的API，有个适用场景：适合读取一堆小文件

这个API是小文件读取专用

用法

sparkcontext.wholeTextFiles(参数1，参数2)
# 参数1，必填，文件路径支持本地文件，支持HDFS 也支持一些比如S3协议
# 参数2，可选，表示最小分区数量
# 注意：参数2 话语权不足，这个api 分区数量最多也只能开到文件数量

这个API偏向于少量分区读取数据

因为，这个API表明了自己是小文件读取专用，那么文件的数据很小

分区很多，导致shuffle的几率更高，所以尽量少分区读取数据

2.3 RDD算子

算子是什么

算子：分布式集合对象上的API称之为算子

方法\函数：本地对象的API，叫做方法\函数

算子：分布式对象的API，叫做算子

算子分类

RDD的算子 分成2类

• Transformation:转换算子

  定义：RDD的算子，返回值仍旧是一个RDD的，称之为转换算子

  特性：这类算子是lazy 懒加载的，如果没有action算子，Transformation算子是不工作的

• Action:动作（行动）算子

​ 定义：返回值不是RDD的就是action算子

对于这两类算子来说，Transformation 算子，相当于在构建执行计划，action是一个指令让这个执行计划开始工作

如果没有action，Transformation算子之间的迭代关系，就是一个没有通电的流水线，只有action到来，这个数据处理的流水线才开始工作

2.4 常用的TransforMation算子

map算子

功能：map算子，是将RDD的数据一条条处理（处理的逻辑 基于map算子中接收的处理函数），返回新的RDD

语法：

rdd.map(func)
# func : f:(T) -> U
# f:表示这是一个函数（方法）
# （T）-> U表示的是方法的定义：
#    （）表示传入参数，（T）表示传入1个参数，（）表示没有传入参数
# T 是泛型的代称，在这里表示 任意类型
# U 也是泛型代称，在这里表示 任意类型

# ->U 表示返回值

# （T） -> U 总结起来的意思是：这是一个方法，这个方法接受一个参数传入，传入参数类型不限，返回一个返回值，返回值类型不限。

# （A） -> A 总结起来的意思是：这是一个方法，这个方法接受一个参数传入，传入参数类型不限，返回一个返回值，返回值和传入参数类型一致

flatMap算子

功能：对rdd执行map操作，然后进行解除嵌套操作

解除嵌套

# 嵌套的list
list = [[1，2，3]，[4，5，6]，[7，8，9]]

# 如果解除了嵌套
list = [1, 2, 3, 4, 5, 6, 7, 8, 9]

print(rdd.flatMap(lambda x: x.split(" ")).collect())

reduceByKey算子

功能：针对KV型RDD，自动按照key分组，然后根据你提供的聚合逻辑，完成组内数据（value）的聚合操作

用法：

rdd.reduceByKey（func）

# func: (V,V) -> V
# 接受2个传入参数（类型一致），返回一个返回值，类型和传入要求一致

比如，有【1，2，3，4，5】,然后聚合函数是：lambda a, b: a + b

注意：reduceByKey中接收的函数，只负责聚合，不理会分组

分组是自动by key来分级的

groupBy算子

功能：将rdd的数据进行分组

语法：

rdd.groupBy(func)

# func 函数
# func: (T) ->K
# 函数要求传入一个参数，返回一个返回值，类型无所谓
# 这个函数是 拿到你的返回值后，将所有相同返回值的放入一个组中
# 分组完成后， 每一个组是一个二元元组，key就是返回值，所有同组的数据放入一个迭代器对象中作为value

Filter算子

功能：过滤想要的数据进行保留

语法：

rdd.filter(func)
# func:(T) ->bool 传入1个参数进来随意类型，返回值必须是True or False

返回是True的数据被保留，False的数据被丢弃

distinct算子

功能：对RDD数据进行去重，返回新RDD

语法：

rdd.distinct(参数1)
# 参数1，去重分区数量，一般不用传

union算子

功能：2个rdd合并成1个rdd返回

用法：

rdd.union(other_rdd)

注意，只合并，不会去重

注意，不同类型的rdd依旧可以混合

join算子

功能：对两个RDD执行join操作（可实现SQL的内\外连接）

注意：join算子只能用于二元元组

语法：

rdd.json(other_rdd) 内连接
rdd.leftOuterJoin(other_rdd)左外
rdd.rightOuterJoin(other_rdd)右外

intersection算子

功能：求2个rdd的交集，返回一个新rdd

用法：

rdd.intersection(other_rdd)

glom算子

功能：将rdd的数据，加上嵌套，这具嵌套按照分区来进行

比如rdd数据【1，2，3，4，5】有2个分区

那么，被glom后，数据变成：【【1，2，3】，【4，5】】

使用方法：

rdd.glom()

groupByKey算子

功能：针对KV型RDD，自动按照key分组

用法：rdd.groupBYKey(自动按照key分组)

sortBy算子

功能：对rdd数据进行排序，基于你指定的排序依据

语法：

rdd.sortBy(func,ascending=False,numPartitions=1)


# func:(T) -> U ：告知按照rdd中的哪个数据进行排序，比如 lambda x: x[1] 表示按照rdd中的第二列元素进行排序
# ascending True升序 False降序
# numPartitions: 用多少分区排序

sortByKey算子

功能：针对KV型RDD，按照key进行排序

语法：

sortByKey(ascending=True,numPartitions=None,KeyFunc=<function RDD >)

• ascending:升序or降序，True升序，False降序，默认是升序
• numPartitions：按照几个分区进行排序，如果全局有序，设置1
• keyfunc：在排序前对key进行处理，语法是（k） -> U，一个参数传入，返回一个值

2.5 常用Action算子

countByKey算子

功能：统计key出现的次数（一般适用kv型RDD）

collect算子

功能：将RDD各个分区内的数据，统一收集Driver中，形成一个list对象

用法：

rdd.collect()

这个算子，是将rdd各个分区数据，都拉取到Driver

注意的是，rdd是分布式对象，其数据量可以很大，所以用这个算子之前

要心知肚明的了解，结果数据集不会太大

不然，会把Driver内存撑爆

reduce算子

功能：对RDD数据集按照你传入的逻辑进行聚合

语法：

rdd.reduce(func)
# func:(T,T) -> T
# 2参数传入 1个返回值，返回值和参数要求类型一致

fold算子

功能：和reduce一样，接受传入逻辑进行聚合，聚合是带有初始值的

这个初始值聚合，会作用在：

• 分区内聚合
• 分区间聚合

比如：【【1，2，3】，【4，5，6】，【7，8，9】】

数据分布在3个分区

分区1 123聚合的时候带上10作为初始值得到16

分区2 456聚合的时候带上10作为初始值得到25

分区3 789聚合的时候带上10作为初始值得到34

3个分区的结果做聚合也带上初始值10，所以结果是：10+16+25+34=85

first算子

功能：取出rdd的每一个元素

用法：

>>> sc.parallelize([3,2,1]).first()
3

take算子

功能：取RDD的前N个元素，组合成list返回给你

用法：

>>> sc.parallelize([3,2,1,4,5,6]).take(5)
[3,2,1,4,5]

top算子

功能：对RDD数据集进行降序排序，取前N个

用法：

>>> sc.parallelize([3,2,1,4,5,6]).top(3) # top 3表示降序取前3个
【6，5，4】

conunt算子

功能：计算rdd有多少条数据，返回值是一个数字

用法：

>>> sc.parallelize([3,2,1,4,5,6]).count()
6

takeSample算子

功能：随机抽样rdd的数据

用法：

takeSample(参数1：True or False，参数2：采样数，参数3：随机数种子)
- 参数1 true表示运行同一个数据，false表示不允许取同一个数据，和数据无关，是否重复表示的是同一个位置的数据
- 参数2 抽样要几个
- 参数3 随机数种子，这个参数传入一个数字即可，随意给

随机数种子 数字可以随便传，如果传同一个数字 那么取出的结果是一致的

一般参数3 我们不传，Spark会自动给与随机的种子

takeOrdered算子

功能：对RDD进行排序取前N个

用法：

rdd.takeOrddered(参数1，参数2)
- 参数1 要几个数据
- 参数2 对排序的数据进行更改（不会更改数据本身，只是在排序的时候换个样子）
这个方法使用安装元素自然顺序升序排序，如果你想玩倒叙，需要用参数2 来对排序的数据进行处理

foreach算子

功能：对rdd的每一个元素，执行你提供的逻辑的操作（和map一个意思），但是这个方法没有返回值

用法：

rdd.foreach(func)
# func: (T) ->None

saveAsTextFile算子

功能：将rdd的数据写入文本文件中

支持 本地写出，hdfs等文件系统

注意：保存文件API，是分布式执行的

这个api的执行数据是 不经过 driver 的

如图，写出的时候，每个分区所在的Executor直接控制数据写出到目标文件系统中

所以才会一个分区产生1个结果文件

注意点

我们学习的action中

• foreach
• saveAsTextFile

这两个算子是分区（Executor）直接执行的

跳过Driver，由分区所在的Executor直接执行

反之

其余的Action算子都会将结果发送至Driver

2.6 分区操作算子

mapPartitions算子

图解代码

如果，mapPartition 一次被传递的是一整个分区的数据

作为一个迭代器（一次性list）对象传入过来

foreachPartition算子

功能：和普通foreach一致，一次处理的是一整个分区数据

foreachPartition就是一个没有返回值的mapPartitions

PartitionBy算子

功能：对RDD进行自定义分区操作

用法：

rdd.partitionBy(参数1，参数2)
- 参数1 重新分区后有几个分区
- 参数2 自定义分区规则，函数传入

参数2：（k） ->int
一个传入参数进来，类型无所谓，但是返回值一定是int类型将key传给这个函数，你自己写逻辑，决定返回一个分区编号

分区编号从0开始，不要超过分区数-1

分区号不要超标，你设置3个分区，分区号只能是 0 1 2

设置5个分区 分区号只能是 0 1 2 3 4

repartition算子

功能：对RDD的分区执行重新分区（仅数量）

用法：

rdd.repartition(N)

传入N 决定新的分区数

注意：对分区的数量进行操作，一定要慎重

一般情况下，我们写spark代码 除了要求全局排序设置为1个分区外 多数时候，所有API中关于分区相关的代码我们都不太理会

因为，如果你改分区了

1. 会影响并行计算（内存迭代的并行管道数量）
2. 分区如果增加，极大可能会导致shuffle

coalesce算子

功能：对分区进行数量增减

用法：

rdd.coalesce(参数1，参数2)
- 参数1，分区数
- 参数2，True or Flase
	True 表示允许shuffle，也就是可以加分区
	False表示不允许shuffle，也就是不能加分区，False是默认

对比repartition，一般使用coalesce较多，因为加分区要写参数2

这样避免写repartition的时候手抖了加分区了

mapValues算子

功能：针对二元元组RDD，对其内部的二元元组的value执行map操作

语法：

rdd.mapValues(func)
# func： （V） ->U
# 注意，传入的参数，是二元元组的，value值
# 我们这个传入的方法，只有对value进行处理

join算子

功能：对两个rdd执行join操作（可实现sql的内\外连接）

注意：join算子只能用于二元元组

语法：

rdd.join(other_rdd) # 内连接
rdd.leftOuterJoin(other_rdd) # 左外
rdd.rightOuterJoin(other_rdd) # 右外

2.7 groupByKey和reduceByKey的区别

在功能上的区别

• groupByKey仅仅有分组功能而已
• reduceByKey除了有ByKey的分组功能外，还有reduce聚合功能所以是一分组+聚合一体化的算子

如果对数据执行 分组+聚合，那么使用这2个算子的性能差别是很大的

reduceByKey的性能是远大于：groupByKey + 聚合逻辑的

因为：

如图,这是groupByKey + 聚合逻辑的执行流程

因为，groupByKey只能分组，所以，执行上是先分组（shuffle）后聚合

如图，reduceByKey由于自带聚合逻辑，所以可以完成

• 先在分区内做预聚合
• 然后再走分组流程（shuffle）
• 分组后再做最终聚合

对于groupByKey，reduceByKey最大的提升在于，分组前进行了预聚合，那么在shuffle分组节点，被shuffle的数据可以极大的减少

这就极大的提升了性能

分组+聚合，首选reduceByKey,数据越大，对groupByKey的优势就越高

总结

1. RDD创建有哪几种方法？

   通过并行化集合的方式（本地集合转分布式集合）

   或者读取数据的方式创建（TextFile\WholdTextFile）

2. RDD分区数如何查看？

   通过getNumPartitions API查看，返回值int

3. Transformation 和 Action 的区别？

   转换算子的返回值100%是RDD，而Action算子的返回值100%不是RDD

   转换算子是懒加载的，只有遇到Action才会执行，Action就是转换算子处理链条的开关

4. 哪两个Action算子不经过Driver，直接输出？

   foreach 和 saveAsTextFile 直接由Executor执行后输出

   不会将结果发送到Driver上去

5. reduceByKey和groupByKey的区别？

   reduceByKey自带聚合逻辑，groupByKey不带

   如果做数据聚合reduceByKey的效率更好，因为可以先聚合后shuffle再最终聚合，传输的IO小

6. mapPartitions 和 foreachPartition 的区别？

   mapPartitions带有返回值foreachPartition不带

7. 对于分区操作有什么要注意的地方？

   尽量不要增加分区，可能破坏内存迭代的计算管道

第三章 RDD持久化

3.1 RDD的数据是过程数据

RDD的数据是过程数据

RDD之间进行相互迭代计算（Transformation的转换），当执行开启后，新RDD的生成，代表老RDD的消失

RDD的数据是过程数据，只在处理的过程中存在，一旦处理完成，就不见了

这个特性可以最大化的利用资源，老旧的RDD没用了 就从内存中清理，给后续的计算腾出内存空间

如上图，rdd3被2次使用，第一次使用之后，其实rdd3就不存在了

第二次用的时候，只能基于rdd的血缘关系，从RDD1重新执行，构建出来rdd3，供rdd5使用

3.2 rdd的缓存

对于，上述的场景，肯定要执行优化，优化就是：

RDD3如果不消失，那么RDD1->RDD2->RDD3这个链条就不会执行2次，或者更多次

RDD的缓存技术：Spark提供了缓存API，可以让我们通过调用API，将指定的RDD数据保留在内存或者硬盘上缓存的API

# RDD3 被2次使用，可以加入缓存进行优化
# 缓存到内存中
rdd3.cache()
# 仅内存缓存
rdd3.persist(StorageLevel.MEMORY_ONLY)
# 仅内存缓存，2个副本
rdd3.persist(StorageLevel.MEMORY_ONLY_2)
# 仅缓存硬盘上
rdd3.persist(StorageLevel.DISK_ONLY)
# 仅缓存硬盘上，2个副本
rdd3.persist(StorageLevel.DISK_ONLY_2)
# 仅缓存硬盘上，3个副本
rdd3.persist(StorageLevel.DISK_ONLY_3)
# 先放内存，不够放硬盘
rdd3.persist(StorageLevel.MEMORY_AND_DISK)
# 先放内存，不够放硬盘, 2个副本
rdd3.persist(StorageLevel.MEMORY_AND_DISK_2)
# 堆外内存（系统内存）
rdd3.persist(StorageLever.OFF_HEAP)

# 如上API，自行选择使用即可
# 一般建议使用rdd3.persist（StorageLevel.MEMORY_AND_DISK）
# 如果内存比较小的集群，建议使用rdd3.persist(StorageLevel.DISK.ONLY)或者就别用缓存了 用CheckPoint

# 主动清理缓存的API
rdd.unpersist()

• 缓存技术可以将过程RDD数据，持久化保存到内存或者硬盘上
• 但是，这个保存在设定上是认为不安全的

缓存的数据在设计上是认为有丢失风险的

所以，缓存有一个特点就是：其保留在RDD之间的血缘（依赖）关系

一旦缓存丢失，可以基于血缘关系的记录，重新计算这个RDD的数据

缓存如何丢失

1. 在内存中的缓存是不安全的，比如断电\计算任务内存不足，把缓存清理给计算让路
2. 硬盘中因为硬盘损坏也是可能丢失的

缓存到内存：

​ Executor:缓存到Executor的内存空间

缓存到硬盘

​ Executor:缓存到Executor所在服务器的硬盘

3.3 RDD的CheckPoint

CheckPoint技术，也是将RDD的数据，保存起来

但是它仅支持硬盘存储

并且：

• 它被设计认为是安全的
• 不保留血缘关系

CheckPoint是如何保存数据的

这个RDD的数据将被CheckPoint到HDFS中

CheckPoint存储RDD数据，是集中收集各个分区数据进行存储，而缓存是分散存储

缓存和CheckPoint的对比

• CheckPoint 不管分区数量多少，风险是一样的，缓存分区越多，风险越高
• CheckPoint 支持写入HDFS，缓存不行，HDFS是高可靠存储，CheckPoint被认为是安全的
• CheckPoint 不支持内存，缓存可以，缓存如果写内存性能比CheckPoint要好一些
• CheckPoint 因为设计认为是安全的，所以 不保留血缘关系，而缓存因为设计上认为不安全，所以保留

注意

CheckPoint是一种重量级的使用，也就是RDD的重新计算成本很高的时候，我们采用CheckPoint比较合适

或者数据量很大，用CheckPoint比较合适

如果数据量小，或者RDD重新计算是非常快的，用CheckPoint没啥必要，直接缓存即可

Cache和CheckPoint两个APi都不是Action类型

所以，想要它俩工作，必须在后面接上Action

接上Action的目的，是让RDD有数据，而不是为了让CheckPoint和Cache工作

总结

1. Cache和CheckPoint区别

   cache是轻量化保存RDD数据，可存储在内存和硬盘，是分散存储，设计上数据是不安全的（保留RDD血缘关系）

   checkPoint是重量级保存rdd数据，是集中存储，只能存储在硬盘（HDFS）上，设计上是安全的（不保留rdd血缘关系）

2. Cache和CheckPoint的性能对比

​ cache性能更好，因为是分散存储，各个Executor并行执行，效率高，可以保存到内存中（占内存），更快

​ checkpoint比较慢，因为是集中存储，涉及到网络IO，但是存储到HDFS上更加安全（多副本）

第四章 RDD共享变量

4.1 广播变量

给每个 Executor 来一份数据，而不是像原本那样，每一个分区的处理线程都来一份，节省内存

使用方法：

# 1. 将本地list 标记成广播变量即可
broadcast = sc.broadcast(stu_info_list)

# 2. 使用广播变量，从broadcast对象中取出本地list对象即可
value = broadcast.value

# 也就是 先放进去broadcast内部，然后从broadcast内部在取出来用，中间传输的是broadcast这个对象了
# 只要中间传输的是broadcast对象，spark就会留意，只会给每个Executor发一份了，而不是傻傻的哪个分区都要给

4.2 累加器

不使用累加器：不管Executor中累加到多少，都和Driver中无关，计算结果统计不会累加

sc.accumulator(初始值)即可构建

也就是，使用累加器的时候，要注意，因为rdd是过程数据，如果rdd被多次使用

可能会重新构建此rdd

如果累加器累加代码，存在重新构建的步骤中

累加器累加的代码就可能被多次执行

如何解决：加缓存或者CheckPoint即可

总结

1. 广播变量解决了什么问题？

   分布式集合RDD和本地集合进行关联使用的时候，降低内存占用以及减少网络IO传输，提高性能

2. 累加器解决了什么问题？

   分布式代码执行中，进行全局累加

第五章 Spark内核调度

5.1 DAG

Spark的核心是根据RDD来实现的，Spark Scheduler则为Spark核心实现的重要一环，其作用就是任务调度。Spark的任务调度就是如何组织任务去处理RDD中每个分区的数据，根据RDD的依赖关系构建DAG,基于DAG划分Stage，将每个Stage中的任务发到指定节点运行。基于Spark的任务调度原理，可以合理规划资源利用，做到尽可能用最少的资源高效地完成任务计算。

以词频统计WordCount程序为例，DAG图：

DAG：有向无环图

有向：有方向

无环：没有闭环

DAG：有方向没有形成闭环的一个执行流程图

此图，就是一个典型的DAG图

有方向：RDD1->RDD2->…->collect结束

无闭环：以action(collect)结束了，没有形成闭环循环

作用：标识代码的逻辑执行流程

📝 Job和Action

Action:返回值不是RDD的算子

它的作用是一个触发开关，会将action算子之前的一串rdd依赖链条执行起来，也就是一个Action会产生一个DAG图。

一个Action会产生一个DAG，如果代码中有3个Action就产生3个DAG

一个Action产生的一个DAG，会在程序运行中，产生一个Job

所以: 1个Action = 1个DAG = 1个Job

如果一个代码中，写了3个Action，那么这个代码运行起来产生3个Job，每个Job有自己的DAG

一个代码运行起来，在Spark中称之为：Application

📝层级关系：

1个Application中，可以有多个Job，每一个Job内含一个DAG，同时每一个Job都是由一个Action产生的。

📝DAG和分区：

Dag是Spark代码的逻辑执行图，这个Dag的最终作用是;为了构建物理上的Spark详细执行计划而生

所以，由于Spark是分布式（多分区）的，那么Dag和分区之间也是有关联的

5.2 DAG的宽窄依赖和阶段划分

在SparkRDD前后之间的关系，分为：

• 窄依赖
• 宽依赖

窄依赖：父RDD的一个分区，全部将数据发给子RDD的一个分区

宽依赖：父RDD的一个分区，将数据发给子RDD的多个分区

宽依赖还有一个别名：shuffle

在stage的内部，一定都是窄依赖

5.3 内存迭代计算

如图，基于带有分区的Dag以及阶段划分，可以从图中得到，逻辑上最优的task分配，一个task是一个线程来具体执行

那么如上图，task1 中 rdd1 rdd2 rdd3 的迭代计算，都是由一个task（线程完成），这一阶段的这一条线，是纯内存计算。

如上图，task1，task2，task3，就形成了三个并行的内存计算管道

Spark默认受到全局并行度的限制，除了个别算子有特殊分区情况，大部分的算子，都会遵循全局并行度的要求，来规划自己的分区数

如果全局并行度是3，其实大部分算子分区都是3

注意：spark我们一般推荐只设置全局并行度，不要再算子上设置并行度

除了一些排序算子外，计算算子就让他默认开分区就可以了

Spark是怎么做内存计算的？DAG的作用？stage阶段划分的作用？

1. spark会产生DAG图
2. DAG图会基于分区和宽窄依赖划分阶段
3. 一个阶段的内部都是窄依赖，窄依赖内，如果形成前后1：1的分区对应关系，就可以产生许多内存迭代计算的管道
4. 这些内存迭代计算的管道，就是一个个具体的执行task
5. 一个task是一个具体的线程，任务跑在一个线程内，就是走内存计算了

Spark为什么比MapReduce快

• Spark的算子丰富，MapReduce算子匮乏（Map和Reduce），MapReduce这个编程模型，很难在一套Mr中处理复杂的任务。

  很多的复杂任务，是需要写多个MapReduce进行串联，多个MR串联通过磁盘交互数据

• Spark可以执行内存迭代，算子之间形成DAG基于依赖划分阶段后，在阶段内形成内存迭代管道，但是MapReduce的Map和Reduce之间的交互依旧是通过硬盘来交互的

总结

1. 编程模型上Spark占优（算子够多）
2. 算子交互上，和计算上可以尽量多的内存计算而非磁盘迭代

5.4 Spark并行度

在同一时间内，有多个task在同时运行

并行度：并行能力的设置

比如设置并行度6，其实就是要6个task并行在跑

在有了6个task并行的前提下，rdd的分区就被规划成6个分区了

如何设置并行度

可以在代码中和配置文件中以及提交程序的客户端参数中设置

优先级从高到低：

1. 代码中
2. 客户端提交参数中
3. 配置文件中
4. 默认（1，但是不会全部以1来跑，多数时候基于读取文件的分片数量来作为默认并行度）

全局并行度配置的参数：

spark.default.parallelism

全局并行度 - 推荐

配置文件中

conf/spark-defaults.conf中设置
spark.default.parallelism 100

在客户端提交参数中

bin/spark-submit --conf "spark.default.parallelism=100"

在代码中设置

conf = SparkConf()
conf.set("spark.default.parallelism","100")

全局并行度是推荐设置，不要针对RDD改分区，可能会影响内存迭代管道的构建，或者会产生额外的shuffle

针对RDD的并行度设置 - 不推荐

只能在代码中写，算子：

• repartition算子
• coalesce算子
• partitionBy算子

集群中如何规划并行度

结论：设置cpu总核心的2~10倍

比如集群可用cpu核心是100个，我们建议并行度是200~1000

确保cpu核心的整数倍即可，最小是2倍，最大一般10倍或者更高（适量）均可

为什么设置最少2倍?

cpu的一个核心同一时间只能干一件事情

所以，在100个核心的情况下，设置100个并行，就能让cpu 100%出力

这种设置下，如果task的压力不均衡，某个task先执行完了，就导致某个cpu核心空闲

所以，我们将task（并行）分配的数量变多，比如800个并行，同一时间只有100个在运行，700个在等待

但是可以确保，某个task运行完了，后续有task补上，不让cpu闲下来，最大程度利用集群的资源

规划并行度，只看集群总CPU核心

5.5 Spark的任务调度

Spark的任务，由Driver进行调试，这个工作包含：

1. 逻辑DAG产生
2. 分区DAG产生
3. Task划分
4. 将Task分配给Executor并监控其工作

如图,Spark程序的调度流程如图：

1. Driver被构建出来
2. 构建SparkContext（执行环境入口对象）
3. 基于DAG Scheduler（DAG调度器）构建逻辑Task分配
4. 基于TaskScheduler(Task调度器)将逻辑Task分配到各个Executor上干活，并监视它们
5. worker（Executor），被TaskScheduler管理监控，听从它们的指令干活，并定期汇报进度

1，2，3，4 都是Driver的工作

5 是worker的工作

Driver内的两个组件

Dag调度器

工作内容：将逻辑的Dag图进行处理，最终得到逻辑上的Task划分

Task调度器

工作内容：基于Dag scheduler的产出，来规划这些逻辑的task，应该在哪些物理的Executor上运行，以及监控管理它们的运行

5.6 拓展 - Spark运行中的概念名词大全

Term[术语]	Meaning【含义】
Application	User program built on Spark. Consists of a driver program and executors on the cluster.	建立在Spark上的用户程序。由集群上的驱动程序和执行程序组成。
Application jar	A jar containing the users Spark application. In some cases users will want to create an “uber jar” containing their application along with its dependencies. The users jar should never include Hadoop or Spark Liberaries, however,these will be added at runtime	一个包含用户Spark应用程序的jar。在某些情况下，用户会希望创建一个“uber jar”，其中包含他们的应用程序及其依赖项。users jar永远不应该包含Hadoop或Spark Liberies，但是，它们将在运行时添加
Driver program	The process running the main() function of the application and creating the SparkContext	运行应用程序的main（）函数并创建SparkContext的过程
Cluster manageer	An external service for acquiring resources on the cluster(e.g. standalone manage mesos,YARN)	用于获取集群上资源的外部服务（例如，独立管理mesos、YARN）
Deploy mode	Distinguishes where the diever process runs In “cluster” mode, the framework launches the driver inside of the cluster In “client” mode, the submitter launches the driver outside of the cluster	区分diever进程在哪里运行在“集群”模式中，框架在集群内部启动驱动程序在“客户端”模式中提交者在集群外部启动驱动程序
Worker node	Any node that can run application code in the cluster	可以在群集中运行应用程序代码的任何节点
Executor	A process launched for an application on a worker node. that runs tasks and keeps data in memory or disk storage across them.Each Application has its own executors	为工作节点上的应用程序启动的进程。它运行任务并将数据保存在内存或磁盘存储中。每个申请都有自己的执行人
Task	A unit of work that will be sent to one executor	由多个任务组成的并行计算，这些任务是响应Spark操作而产生的（例如保存、收集）；你会在derivers日志中看到这个用法
Job	A parallel computaion consisting of multiple tasks that gets spawned in response to a Spark action(e.g.save,collect);you`ll see this used in the derivers logs	由多个任务组成的并行计算，这些任务是响应Spark操作（例如保存、收集）而产生的；你会在derivers日志中看到这个用法
Stage	Each job gets divided into smaller sets of tasks called stages that depend on each other(similar to the map and reduce stages in MapReduce)youll see this term used in the drivers logs	每个作业都被划分为相互依赖的称为阶段的较小任务集（类似于MapReduce中的map和reduce阶段），你会在驱动程序日志中看到这个术语

层级关系梳理

• 一个spark环境可以运行多个Application
• 一个代码运行起来，会成为一个Application
• Application内部可以有多个job
• 每个job由一个Action产生，并且每个job有自己的DAG执行图
• 一个Job的DAG图 会基于宽窄依赖划分成不同的阶段
• 不同阶段内基于分区数量，形成多个并行的内存迭代管道
• 每一个内存迭代管道形成一个Task（DAG调度器划分将job内划分出具体的task任务，一个job被划分出来的task在逻辑上称之为这个job的taskset）

5.7 Spark Shuffle

简介

Spark在DAG调度阶段会将一个Job划分为多个Stage，上游Stage做map工作，下游Stage做reduce工作，其本质上还是MapReduce计算框架。Shuffle是连接map和reduce之间的桥梁，它将map的输出对应到reduce输入中，涉及到序列化反序列化，跨节点网络IO以及磁盘读写IO等

Spark的Shuffle分为Write和Read两个阶段，分属于两个不同的stage，前者是Parent Stage的最后一步，后者是Child Stage的每一步。

执行Shuffle的主体是Stage中的并发任务，这些任务分ShuffleMapTask和ResultTask两种，ShuffleMap Task要进行Shuffle， ResultTask负责返回计算结果，一个Job中只有最后的Stage采用ResultTask，其他的均为ShuffleMapTask。如果要按照map端和reduce端来分析的话，shuffleMapTask可以即是map端任务，又是reduce端任务，因为Spark中的shuffle是可以串行的，resultTask则只能充当reduce端任务的角色。

Spark在1.1以前的版本一直是采用Hash Shuffle的实现方式，到1.1版本时参考Hadoop MapReduce的实现开始引入Sort Shuffle, 在1.5版本时开始Tungsten钨丝计划，引入Unsafe Shuffle优化内存及Cpu的使用，在1.6中将Tungsten统一到Sort Shuffle中，实现自我感知选择最佳Shuffle方式，到的2.0版本，Hash Shuffle已被删除，所有shuffle方式全部统一到Sort Shuffle一个实现中

在Spark的中，负责shuffle过程的执行，计算和处理的组件主要就是ShuffleManager，也即shuffle管理器，shuffleManager随着Spark的发展有两种实现的方式，分别为HashShuffleManager和SortShuffleManager，因此spark的Shuffle有Hash Shuffle和Sort Shuffle两种

在Spark 1.2以前，默认的shuffle计算引擎是HashShuffleManager。该ShuffleManager而HashShuffleManager有着一个非常严重的弊端，就是会产生大量的中间磁盘文件，进而由大量的磁盘IO操作影响了性能

因此在Spark 1.2以后的版本中，默认的ShuffleManager改成了SortShuffleManager。SortShuffleManager相较于HashShuffleManager来说，有了一定的改进。主要就在于，每个Task在进行shuffle操作时，虽然也会产生较多的临时磁盘文件，但是最后会将所有的临时文件合并(merge)成一个磁盘文件，因此每个Task就只有一个磁盘文件。在下一个stage的shuffle read task拉取自己的数据时，只要根据索引读取每个磁盘文件中的部分数据即可。

Hash Shuffle了解

Shuffle 阶段划分：

shuffle write: mapper阶段，上一个stage得到最后的结果写出

shuffle read: reduce阶段，下一个stage拉取上一个stage进行合并

1. 未经优化的hashShuffleManager：

   HashShuffle是根据task是计算结果的key值的hashcode%ReduceTask来决定放入哪一个区分，这样保证相同的数据一定放入一个分区，Hash Shuffle过程如下：

   

   根据下游的task决定生成几个文件，先生成缓冲区文件在写入磁盘文件，再将block文件进行合并。

   未经优化的shuffle write操作所产生的磁盘文件的数量是极其惊人的。提出如下解决方案

2. 经过优化的hashShuffleManager：

   在shuffle write过程中，task就不是为下游stage的每个task创建一个磁盘文件了。此时会出现shuffleFileGroup的概念，每个shuffleFileGroup会对应一批磁盘文件，每一个group磁盘文件的数量与下游stage的task数量是相同的。

   

   未经优化：

   上游的task数量：m

   下游的task数量：n

   上游executor数量：k （m>=k）

   总共的磁盘文件：m*n

   优化之后的

   上游的task数量：m

   下游的task数量：n

   上游的executor数量：k(m>=k)

   总共的磁盘文件：k*n

Sort Shuffle Manager了解

SortShuffleManager的运行机制主要分成两种，一种普通运行机制，另一种bypass运行机制，当shuffle write task的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数的值时（默认为200），就会启用bypass机制

1. 该模式下，数据会先写入一个内存数据结构中（默认5M），此时根据不同的shuffle算子，可能选用不同的数据结构。如果是reduceByKey这种聚合类的shuffle算子，那么会选用Map数据结构，一边通过Map进行聚合，一边写入内存，如果是join这种普通的shuffle算子，那么会选用Array数据结构，直接写入内存

2. 接着，每写一条数据进入内存数据结构之后，就会判断一下，是否达到了某个临界阈值。如果达到临界阈值的话，那么就会尝试将内存数据结构中的数据溢写到磁盘，然后清空内存数据结构

3. 排序

   在溢写到磁盘文件之前，会先根据key对内存数据结构中已有的数据进行排序

4. 溢写

   排序过后，会分批将数据写入磁盘文件。默认的batch数量是10000条，也就是说，排序好的数据，会以每批1万条数据的形式分批写入磁盘文件。

5. merge

   一个task将所有数据写入内存数据结构的过程中，会发生多次磁盘溢写操作，也就会产生多个临时文件。最后会将之前所有的临时磁盘文件都进行合并成1个磁盘文件，这就是merge过程

   由于一个task就只对应一个磁盘文件，也就意味着该task为Reduce端的stage的task准备的数据都在这一个文件中，因此还会单独写一份索引文件，其中标识了下游各个task的数据在文件中的start offset与end offset

Sort Shuffle bypass机制

bypass运行机制的触发条件如下：

1. shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold=200参数的值
2. 不是map combine聚合的shuffle算子（比如reduceByKey有map combie）。

• 此时task会为每个reduce端的task都创建一个临时磁盘文件，并将数据按key进行hash，然后根据key的hash值，将key写入对应的磁盘文件之中。当然，写入磁盘文件时也是先写入内存缓冲，缓冲写满之后再溢写到磁盘文件的。最后，同样会将所有临时磁盘文件都合并成一个磁盘文件，并创建一个单独的索引文件
• 该过程的磁盘写机制其实跟未经优化的HashShuffleManager是一模一样的，因为都要创建数量惊人的磁盘文件，只是在最后会做一个磁盘文件的合并而已。因此少量的最终磁盘文件，也让该机制相对未经优化的HashShuffleManager来说，shuffle read的性能会更好。

面该机制与普通sortShuffleManager运行机制的不同在于：

第一，磁盘写机制不同

第二，不会进行排序。也就是说，启用该机制的最大好处在于，shuffle write过程中，不需要进行数据的排序操作，也就节省掉了这部分的性能开销。

总结

• SortShuffle也分为普通机制和bypass机制
• 普通机制在内存数据结构（默认为5M）完成排序，会产生2M个磁盘小文件
• 而当shuffle map task 数量小于Spark.shuffle.sort.bypassMergeThreshold参数的值。或者算子不是聚合类的shuffle算子（比如reduceByKey）的时候会触发SortShuffle的bypass机制，sortShuffle的bypass机制不会进行排序，极大的提高了其性能。

Shuffle的配置选项

shuffle阶段划分：

shuffle write: mapper阶段，上一个stage得到最后的结果写出

shuffle read： reduce阶段，下一个stage拉取上一个stage进行合并

配置选项说明

spark的shuffle调优：主要是调整缓冲的大小，拉取次数重试次数与等待时间，内存比例分配，是否进行排序操作等等

spark.shuffle.file.buffer

参数说明： 该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小（默认是32k）。将数据琯到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘

调优建议：如果作业可用的内存资源较为充足的话，只可以适当增加这个参数的大小（比如64k），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO资次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升

spark.reducer.maxSizeInFlight

参数说明：该参数用于设置shuffle read task的buffer缓冲大小 ，而这个buffer缓冲决定了每次能够拉取多少数据（默认48M）

调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小 （比如96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现 ，合理调节该参数，性能会有1%~5%的提升

spark.shuffle.io.maxRetries and spark.shuffle.io.retryWait

spark.shuffle.io.maxRetries： shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试的最大次数（默认是3次）

spark.shuffle.io.retryWait:该参数代表了每次重试拉取数据的等待间隔（默认5s）

调优建议：一般的调优都是将重试次数调高，不调整时间间隔

spark.shuffle.menoryFraction

参数说明：该参数代表Executor内存中，分配给shuffle read task进行聚合操作内存比例

spark.shuffle.manager

参数说明：该参数用于设置shufflemanager的类型（默认sort）spark1.5x以后有三个可选项

Hash：spark1.x版本的默认值，HashShuffleManager

Sort: Spark2.x版本的默认值，普通机制，当shuffle read task 的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数，自动开启bypass机制

spark.shuffle.sort.bypassMergeThreshold

参数说明：当shuffleManager为sortShuffleManager时，如果shuffle read task的数量小于这个阈值（默认是200），则shuffle write过程中不会进行排序操作

调优建议：当你使用sortShuffleManager时，如果的确不需要排序操作，那么建议将这个参数调大一些

总结

1. DAG是什么有什么用？

   DAG有向无环图，用以描述任务执行流程，主要作用是协助DAG调度器构建Task分配用以做任务管理

2. 内存迭代\阶段划分？

   基于DAG的宽窄依赖划分阶段，阶段内部都是窄依赖可以构建内存迭代的管道

3. DAG调度器是？

   构建Task分配用以做任务管理

​

​

到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘

调优建议：如果作业可用的内存资源较为充足的话，只可以适当增加这个参数的大小（比如64k），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO资次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升

spark.reducer.maxSizeInFlight

参数说明：该参数用于设置shuffle read task的buffer缓冲大小 ，而这个buffer缓冲决定了每次能够拉取多少数据（默认48M）

调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小 （比如96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现 ，合理调节该参数，性能会有1%~5%的提升

spark.shuffle.io.maxRetries and spark.shuffle.io.retryWait

spark.shuffle.io.maxRetries： shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试的最大次数（默认是3次）

spark.shuffle.io.retryWait:该参数代表了每次重试拉取数据的等待间隔（默认5s）

调优建议：一般的调优都是将重试次数调高，不调整时间间隔

spark.shuffle.menoryFraction

参数说明：该参数代表Executor内存中，分配给shuffle read task进行聚合操作内存比例

spark.shuffle.manager

参数说明：该参数用于设置shufflemanager的类型（默认sort）spark1.5x以后有三个可选项

Hash：spark1.x版本的默认值，HashShuffleManager

Sort: Spark2.x版本的默认值，普通机制，当shuffle read task 的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数，自动开启bypass机制

spark.shuffle.sort.bypassMergeThreshold

参数说明：当shuffleManager为sortShuffleManager时，如果shuffle read task的数量小于这个阈值（默认是200），则shuffle write过程中不会进行排序操作

调优建议：当你使用sortShuffleManager时，如果的确不需要排序操作，那么建议将这个参数调大一些

总结

1. DAG是什么有什么用？

   DAG有向无环图，用以描述任务执行流程，主要作用是协助DAG调度器构建Task分配用以做任务管理

2. 内存迭代\阶段划分？

   基于DAG的宽窄依赖划分阶段，阶段内部都是窄依赖可以构建内存迭代的管道

3. DAG调度器是？

   构建Task分配用以做任务管理

​

​