点一下关注吧!!!非常感谢!!持续更新!!!
目前已经更新到了:
- Hadoop(已更完)
- HDFS(已更完)
- MapReduce(已更完)
- Hive(已更完)
- Flume(已更完)
- Sqoop(已更完)
- Zookeeper(已更完)
- HBase(已更完)
- Redis (已更完)
- Kafka(已更完)
- Spark(正在更新!)
章节内容
上节完成的内容如下:
- Spark RDD的依赖关系
- 重回 WordCount
- RDD 持久化
- RDD 缓存
RDD容错机制
基本概念
涉及到的算子:checkpoint,也是Transformation
- Spark中对于数据的保存除了持久化操作外,还提供了检查点的机制
- 检查点本质是通过RDD写入高可靠的磁盘,主要目的是为了容错。检查点通过将数据写入到HDFS文件系统实现了RDD的检查点功能。
- Lineage过长会造成容错成本过高,这样就不如在中间阶段做检查点容错,如果之后有节点出现问题而丢失分区,从做检查点的RDD开始重做Lineage,就会减少开销
- cache和checkpoint是有显著区别的,缓存把RDD计算出来然后放到内存中,但RDD的依赖链不能丢掉,当某个点某个Executor宕机了,上面cache的RDD就会丢掉,需要通过依赖链重新计算。不同的是,checkpoint是把RDD保存在HDFS中,是多副本的可靠存储,此时依赖链可以丢弃,所以斩断了依赖链。
适合场景
- DAG中的Lineage过长,如果重新计算,开销会很大
- 在宽依赖上做checkpoint获得的收益更大
启动Shell
shell
# 启动 spark-shell
spark-shell --master local[*]
checkpoint
scala
// 设置检查点目录
sc.setCheckpointDir("/tmp/checkpoint")
val rdd1 = sc.parallelize(1 to 1000)
val rdd2 = rdd1.map(_*2)
rdd2.checkpoint
// checkpoint是lazy操作
rdd2.isCheckpointed
可以发现,返回结果是False
RDD 依赖关系1
checkpoint之前的rdd依赖关系
- rdd2.dependencies(0).rdd
- rdd2.dependencies(0).rdd.collect
我们可以观察到,依赖关系是有的,关系到之前的 rdd1 的数据了:
触发checkpoint
我们可以通过执行 Action 的方式,来触发 checkpoint
执行一次action,触发checkpoint的执行
- rdd2.count
- rdd2.isCheckpointed
此时观察,可以发现 checkpoint 已经是 True 了:
RDD依赖关系2
我们再次观察RDD的依赖关系:
再次查看RDD的依赖关系。可以看到checkpoint后,RDD的lineage被截断,变成从checkpointRDD开始
- rdd2.dependencies(0).rdd
- rdd2.dependencies(0).rdd.collect
此时观察到,已经不是最开始的 rdd1 了:
查看checkpoint
我们可以查看对应的保存的文件,查看RDD所依赖的checkpoint文件
- rdd2.getCheckpointFile
运行的结果如下图:
RDD的分区
基本概念
shell
spark.default.paralleism: 默认的并发数 2
本地模式
shell
# 此时 spark.default.paralleism 为 N
spark-shell --master local[N]
# 此时 spark.default.paralleism 为 1
spark-shell --master local
伪分布式
- x为本机上启动的Executor数
- y为每个Executor使用的core数
- z为每个Executor使用的内存
- spark.default.paralleism 为 x * y
shell
spark-shell --master local-cluster[x,y,z]
分布式模式
shell
spark.default.paralleism = max(应用程序持有Executor的core总数, 2)
创建RDD方式
集合创建
简单的说,RDD分区数等于cores总数
scala
val rdd1 = sc.paralleize(1 to 100)
rdd.getNumPartitions
textFile创建
如果没有指定分区数:
- 本地文件: rdd的分区数 = max(本地文件分片数,sc.defaultMinPartitions)
- HDFS文件:rdd的分区数 = max(HDFS文件block数,sc.defaultMinPartitions)
需要额外注意的是:
- 本地文件分片数 = 本地文件大小 / 32M
- 读取 HDFS 文件,同时指定了分区数 < HDFS文件的Block数,指定的数将不会生效
scala
val rdd = sc.textFile("data/1.txt")
rdd.getNumPartitions
RDD分区器
判断分区器
以下RDD分别是否有分区器,是什么类型的分区器
scala
val rdd1 = sc.textFile("/wcinput/wc.txt")
rdd1.partitioner
val rdd2 = sc.flatMap(_.split("\\s+"))
rdd2.partitioner
val rdd3 = rdd2.map((_, 1))
rdd3.partitioner
val rdd4 = rdd3.reduceByKey(_ + _)
rdd4.partitioner
val rdd5 = rdd4.sortByKey()
rdd5.partitioner
分区器作用与分类
在PairRDD(key,value)中,很多操作都是基于Key的,系统会按照Key对数据进行重组,如 GroupByKey
数据重组需要规则,最常见的就是基于Hash的分区,此外还有一种复杂的基于抽样Range分区方法:
HashPartitioner
最简单、最常用,也是默认提供的分区器。
对于给定的Key,计算HashCode,并除以分区的个数取余,如果余数小于0,则用余数+分区的个数,最后返回的值就是这个Key所属的分区ID。
该分区方法可以保证Key相同的数据出现在同一个分区中。
用户可以通过 partitionBy主动使用分区器,通过 partitions参数指定想要分区的数量。
默认情况下的分区情况是:
scala
val rdd1 = sc.makeRDD(1 to 100).map((_, 1))
rdd1.getNumPartitions
执行结果如下图所示:
执行结果如下图所示,分区已经让我们手动控制成10个了:
scala
val rdd2 = rdd1.partitionBy(new org.apache.spark.HashPartitioner(10))
rdd2.getNumPartitions
rdd2.glom.collect.foreach(x => println(x.toBuffer))
RangePartitioner
简单来说就是将一定范围内的数映射到某个分区内,在实现中,分界的算法尤为重要,用到了水塘抽样算法。sortByKey会使用RangePartitioner。
进行代码的测试:
scala
val rdd3 = rdd1.partitionBy(new org.apache.spark.RangePartitioner(10, rdd1))
rdd3.glom.collect.foreach(x => println(x.toBuffer))
执行结果如下图所示:
但是现在的问题是:在执行分区之前其实并不知道数据的分布情况,如果想知道数据的分区就需要对数据进行采样。
- Spark中的RangePartitioner在对数据采样的过程中使用了 "水塘采样法"
- 水塘采样法是:在包含N个项目的集合S中选取K个样本,其中N为1或者很大的未知的数量,尤其适用于不能把所有N个项目都存放到主内存的情况。
- 在采样过程中执行了 collect() 操作,引发了 Action 操作。
自定义分区器
Spark允许用户通过自定义的Partitioner对象,灵活的来控制RDD的分区方式。
我们需要实现自定义分区器,按照以下的规则进行分区:
- 分区 0 < 100
- 100 <= 分区1 < 200
- 200 <= 分区2 < 300
- 300 <= 分区3 < 400
- ...
- 900 <= 分区9 < 1000
编写代码
scala
package icu.wzk
import org.apache.spark.rdd.RDD
import org.apache.spark.{Partitioner, SparkConf, SparkContext}
import scala.collection.immutable
class MyPartitioner(n: Int) extends Partitioner {
override def numPartitions: Int = n
override def getPartition(key: Any): Int = {
val k = key.toString.toInt
k / 100
}
}
object UserDefinedPartitioner {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setAppName("UserDefinedPartitioner")
.setMaster("local[*]")
val sc = new SparkContext(conf)
sc.setLogLevel("WARN")
val random = scala.util.Random
val arr: immutable.IndexedSeq[Int] = (1 to 100)
.map(idx => random.nextInt(1000))
val rdd1: RDD[(Int, Int)] = sc.makeRDD(arr).map((_, 1))
rdd1.glom.collect.foreach(x => println(x.toBuffer))
println("=========================================")
val rdd2 = rdd1.partitionBy(new MyPartitioner(10))
rdd2.glom.collect().foreach(x => println(x.toBuffer))
sc.stop()
}
}
打包上传
这里之前已经重复过多次,就跳过了
shell
mvn clean package
运行测试
shell
spark-submit --master local[*] --class icu.wzk.UserDefinedPartitioner spark-wordcount-1.0-SNAPSHOT.jar
可以看到如下的运行结果: