Spark基础知识

一.SPark基本介绍

1.Spark是什么?

1.1 定义

Apache Spark是用于大数据处理的统一分析引擎;

1.2 Spark与MapReduce对比

MapReduce的主要缺点:

①MapReduce是基于进程进行数据处理,进程相对与线程来说,创造和销毁的过程比较耗费资源,并且速度比较慢;

②MapReduce在运行的时候,中间有大量的磁盘IO过程,也就是磁盘数据到内存,内存到磁盘的读写过程;

③MapReduce只提供了非常低级的编程API,如果需要实现复杂的程序,就需要大量的代码;

Spark相对MapReduce的优点:

①Spark是基于线程来执行任务;

②引入了新的数据结构RDD(弹性分布式数据集),可以让Spark程序主要基于内存运行,内存的读写数据速度相对磁盘快很多;

③Spark提供了非常丰富的API,可以轻松的实现功能开发;

1.3 进程和线程的对比

线程的创建和销毁,比线程更加的迅速,也更节省资源;

进程很难共享内存中的数据,而同一个进程下的线程可以共享内存数据;

2. Spark的发展

2014年Spark称为顶级项目,2016年Spark2.0发布,2019年Spark3.0发布;

3. Spark的特点

①速度快:提供了一个全新的数据结构RDD(弹性分布式数据集),可以主要基于内存运行Spark程序,当内存不足时,可以放到磁盘上.整个流程是基于有向无环图(DAG)执行方案.Task线程完成计算任务执行;

②易用性:支持多种语言开发(Python,SQL,Java,Scala),降低了上手难度;

③通用性:在Spark基础上,Spark还提供了Spark SQL,Spark Streaming,MLlib及GraphX在内的多个工具库,我们可以在一个应用中无缝使用这些工具库;

④兼容性:可以在任何地方运行;

支持第三方工具接入

存储工具:hdfs,kafka,hbase

资源调度:yarn,Kubernetes(K8s容器),standalone(Spark自带)

高可用:zookeeper

支持多种操作系统:Windows,Linux,Mac

  1. Spark框架模块

Spark Core API:实现了Spark的基本功能,包含RDD,任务调度,内存管理,错误回复,与存储系统交互等模块.数据结构RDD

Spark SQL:我们使用SQL处理结构化数据.数据结构:Dataset/DataFrame=RDD+Schema;

Structured Streaming:基于Spark SQL进行流式/实时的处理组件,主要处理结构化数据

Streaming(Spark Streaming):提供的对实时数据进行流式计算的组件,底层依然是离线计算,只不过时间粒度很小,攒批。

MLlib:提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等。

GraphX:Spark中用于图计算的API,性能良好,拥有丰富的功能和运算符,能在海量数据上自如地运行复杂的图算法。

二.Spark入门案例

1.需求描述

读取文本文件,文件内容是一行一行的文本,每行文本含有多个单词,单词间使用空格分隔。统计文本中每个单词出现的总次数。WordCount词频统计。

文本内容如下:

hello hello spark

hello heima spark

2.代码编写

from pyspark import SparkConf, SparkContext

import os

绑定指定的Python解释器

os.environ['SPARK_HOME'] = '/export/server/spark'

os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'

os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'

创建main函数

if name == 'main':

print("Spark入门案例: WordCount词频统计")

1- 创建SparkContext对象

"""

setAppName:设置PySpark程序运行时的名称

setMaster:设置PySpark程序运行时的集群模式

"""

conf = SparkConf()\

.setAppName('spark_wordcount_demo')\

.setMaster('local[*]')

sc = SparkContext(conf=conf)

2- 数据输入

init_rdd = sc.textFile("file:///export/data/gz16_pyspark/01_spark_core/data/content.txt")

3- 数据处理

文本内容切分

flatmap_rdd = init_rdd.flatMap(lambda line: line.split(" "))

数据格式转换

map_rdd = flatmap_rdd.map(lambda word: (word,1))

reduceByKey底层运行过程分析:

1- 该算子同时具备分组和聚合的功能。而且是先对数据按照key进行分组,对相同key的value会形成得到List列表。再对分组后的value列表进行聚合。

2- 分组和聚合功能不能分割,也就是一个整体

result = map_rdd.reduceByKey(lambda agg,curr: agg+curr)

4- 数据输出

"""

collect():用来收集数据,返回值类型是List列表

"""

print(result.collect())

5- 释放资源

sc.stop()

相关推荐
Leo.yuan2 小时前
数据仓库建设全解析!
大数据·数据库·数据仓库·数据分析·spark
活跃的煤矿打工人2 小时前
【星海出品】分布式存储数据库etcd
数据库·分布式·etcd
刘某的Cloud4 小时前
rabbitmq常用命令
linux·运维·分布式·rabbitmq·系统
望获linux5 小时前
智能清洁机器人中的实时操作系统应用研究
大数据·linux·服务器·人工智能·机器人·操作系统
三个蔡6 小时前
Java求职者面试:从Spring Boot到微服务的技术深度探索
java·大数据·spring boot·微服务·kubernetes
慧一居士8 小时前
Zookeeper HA集群搭建
分布式·zookeeper
冼紫菜8 小时前
[特殊字符] 分布式定时任务调度实战:XXL-JOB工作原理与路由策略详解
分布式
Lilith的AI学习日记8 小时前
AI提示词(Prompt)终极指南:从入门到精通(附实战案例)
大数据·人工智能·prompt·aigc·deepseek
白鲸开源9 小时前
任务运维、循环任务死锁.....DolphinScheduler任务配置经验分享
大数据
好想有猫猫9 小时前
【Redis】服务端高并发分布式结构演进之路
数据库·c++·redis·分布式·缓存