Spark各个知识点总结课件.ppt

《Spark各个知识点总结课件.ppt》由会员分享，可在线阅读，更多相关《Spark各个知识点总结课件.ppt（60页珍藏版）》请在三一办公上搜索。

1、Spark简介,2,Spark是什么,Spark是一个快速且通用的集群计算平台。集群计算把一台电脑无法解决的问题，放到多台电脑组成的集群上进行解决，这就是集群计算。,3,Spark的特点,Spark是快速的很多任务能够秒级完成，对于一些特定的工作，Spark比Mapreduce快10-20倍。Spark扩充了流行的Mapreduce计算模型，使Spark更高效地支持更多类型的计算，包括交互式查询，和流处理。速度快的另一个主要原因就是，能够在内存中计算。,4,Spark的特点,Spark是通用的Spark的设计，容纳了之前很多独立的，分布式系统所拥有的功能。独立的分布式系统包括：批处理，迭代式计

2、算，交互查询和流处理等。并且，由之前需要维护不同的集群，到现在只需要维护一个Spark集群。,5,Spark的特点,Spark是高度开放的Spark提供了Python，Java，Scala，SQL的API和丰富的内置库。同时，Spark和其它的大数据工具整合的很好。尤其，Spark能够运行在Hadoop集群上面，能够访问Hadoop数据。,6,Spark的组件,Spark包括多个紧密集成的组件。,7,Spark的组件,紧密集成的优点：如果Spark底层优化了，那么基于Spark底层的组件，也得到了相应的优化。例如，Spark底层增加了一个优化算法，那么Spark的SQL和机器学习包也会自动的优

3、化。紧密集成，节省了各个组件组合使用时的部署，测试等时间。当向Spark增加新的组件时，其它的组件，可以立刻享用新组件的功能。无缝连接不同的处理模型。,8,Spark的组件,Spark Core：包含Spark的基本功能，包含任务调度，内存管理，容错机制等。Spark Core内部定义了RDDs(resilient distributed datasets，弹性分布式数据集)。RDDs代表横跨很多工作节点的数据集合，RDDs可以被并行的处理。Spark Core提供了很多APIs来创建和操作这些集合(RDDs)。,9,Spark的组件,Spark SQL：是Spark处理结构化数据的库。它支持

4、通过SQL查询数据，就像HQL(Hive SQL)一样，并且支持很多数据源，像Hive表，JSON等。Spark SQL是在Spark 1.0版本中新加的。Shark是一种较老的基于Spark的SQL项目，它是基于Hive修改的，它现在已经被Spark SQL替代了。,10,Spark的组件,Spark Streaming:是实时数据流处理组件，类似Storm。Spark Streaming提供了API来操作实时流数据。,11,Spark的组件,MLlib:Spark有一个包含通用机器学习功能的包，就是MLlib(machine learning lib)。MLlib包含了分类，聚类，回归，协

5、同过滤算法，还包括模型评估，和数据导入。它还提供了一些低级的机器学习原语，包括通用梯度下降优化算法。MLlib提供的上面这些方法，都支持集群上的横向扩展。,12,Spark的组件,Graphx:是处理图的库(例如，社交网络图)，并进行图的并行计算。就像Spark Streaming和Spark SQL一样，Graphx也继承了Spark RDD API，同时允许创建有向图。Graphx提供了各种图的操作，例如subgraph和mapVertices，也包含了常用的图算法，例如PangeRank等。,13,Spark的组件,Cluster Managers:Cluster Managers就是集

6、群管理。Spark能够运行在很多cluster managers上面，包括Hadoop YARN，Apache Mesos和Spark自带的单独调度器。如果你把Spark安装在了裸机上面，单独调度器能够提供简单的方式，让你开始Spark之旅。如果你已经有了Hadoop Yarn或者Mesos集群，那么，Spark对这些集群管理工具的支持，使你的Spark应用程序能够在这些集群上面运行。,14,Spark的历史,Spark诞生于2009年，那时候它是，加州大学伯克利分校RAD实验室的一个研究项目，后来到了AMP实验室。Spark最初是基于Hadoop Mapreduce的，后来发现Mapredu

7、ce在迭代式计算和交互式上是低效的。因此Spark进行了改进，引入了内存存储和高容错机制。关于Spark的研究论文在学术会议上发表，并且在它被创建的2009年不久之后，对于一些特定的工作，Spark比Mapreduce快10-20倍。2010年3月份Spark开源。2011年，AMP实验室开始在Spark上面开发高级组件，像Shark(Hive on Spark)，Spark Streaming。2013年转移到了Apache下，现在已经是顶级项目了。2014年5月份Spark1.0发布。,15,Spark运行环境,Spark 是Scala写的, 运行在JVM上。所以运行环境是Java6或者以

8、上。如果想要使用 Python API，需要安装Python 解释器2.6版本或者以上。目前Spark(1.2.0版本) 与Python 3不兼容。,16,Spark下载,下载地址：http:/spark.apache.org/downloads.html，选择Pre-built for Hadoop 2.4 and later 这个包，点击直接下载，这会下载一个spark-1.2.0-bin-hadoop2.4.tgz的压缩包搭建Spark不需要Hadoop，如果你有hadoop集群或者hdfs，你可以下载相应的版本。解压：tar -zxvf spark-1.2.0-bin-hadoop2.

9、4.tgz,17,Spark目录,README.md开始Spark之旅的简单介绍。bin包含用来和Spark交互的可执行文件，如Spark shell。core, streaming, python, 包含主要组件的源代码。examples包含一些有用的单机Spark job。 你可以研究和运行这些例子，来学习Spark API。,18,Spark的Shells,Spark的shell使你能够处理分布在集群上的数据(这些数据可以是分布在硬盘上或者内存中)。Spark可以把数据加载到工作节点的内存中，因此，许多分布式处理(甚至是分布式的1T数据的处理)都可以在几秒内完成。上面的特性，使迭代式计算

10、，实时查询、分析一般能够在shells中完成。Spark提供了Python shells和 Scala shells。,19,Spark的Shells,打开Spark的Python Shell：到Spark目录，Spark的Python Shell也叫做PySpark Shellbin/pyspark打开PySpark Shell之后的界面,20,Spark的Shells,打开Spark的Scala Shell：到Spark目录bin/pysparkbin/spark-shell打开Scala版本的shell打开之后的界面,21,Spark的Shells,例子：scala val lines

11、= sc.textFile(././testfile/helloSpark) / 创建一个叫lines的RDDlines: org.apache.spark.rdd.RDDString = ././testfile/helloSpark MappedRDD1 at textFile at :12scala lines.count() / 对这个RDD中的行数进行计数res0: Long = 2scala lines.first() / 文件中的第一行res1: String = hello spark修改日志级别：conf/log4j.properties log4j.rootCategory

12、=WARN, console,22,Spark的核心概念,Driver program：包含程序的main()方法，RDDs的定义和操作。(在上面的例子中，driver program就是Spark Shell它本身了)它管理很多节点，我们称作executors。count()操作解释(每个executor计算文件的一部分，最后合并)。,23,Spark的核心概念,SparkContext:Driver programs 通过一个 SparkContext 对象访问 Spark，SparkContext 对象代表和一个集群的连接。在Shell中SparkContext 自动创建好了，就是sc，

13、例子： sc 变量 sc ,24,Spark的核心概念,RDDs：在Spark中，我们通过分布式集合(distributed collections，也就是RDDs)来进行计算，这些分布式集合，并行的分布在整个集群中。RDDs 是 Spark分发数据和计算的基础抽象类。用SparkContext创建RDDs上面例子中使用sc.textFile()创建了一个RDD，叫lines，它是从我们的本机文本文件中创建的，这个RDD代表了一个文本文件的每一行。我们可以在RDD上面进行各种并行化的操作，例如计算数据集中元素的个数或者打印出第一行。,25,Spark的核心概念,向Spark传递函数：向Spar

14、k传递函数是Spark的一个常用功能，许多Spark API是围绕它展开的。例子：filtering scala val lines = sc.textFile(././testfile/helloSpark) lines: spark.RDDString = MappedRDD.scala val worldLines = lines.filter(line = line.contains(world)pythonLines: spark.RDDString = FilteredRDD.scala worldLines .collect(),26,Spark的核心概念,向Spark传递函数：

15、上面例子中的=语法是 Scala中定义函数的便捷方法。你也可以先定义函数再引用:例子：def hasWorld(line:String) : Boolean=line.contains(world)worldLines = lines.filter(hasWorld)像filter 这样的基于函数的操作，也是在集群上并行执行的。,27,Spark的核心概念,向Spark传递函数：需要注意的地方：如果你传递的函数是一个对象的成员，或者包含一个对象中字段的引用(例如self.field)，Spark会把整个对象都发送到工作节点上，这样会比仅仅发送你关心的信息要大很多，而且有时候会带来一些奇怪的问题

16、。传送信息太多解决方法：我们可以把关心的字段抽取出来，只传递关心的字段。奇怪问题的避免：序列化包含函数的对象，函数和函数中引用的数据都需要序列化(实现Java的Serializable interface)。如果Scala中出现NotSerializableException，一般情况下，都是因为没序列化。,28,RDDs介绍,RDDs介绍RDDs的创建方法Scala的基础知识,29,RDDs介绍,RDDsResilient distributed datasets(弹性分布式数据集，简写RDDs)。一个RDD就是一个不可改变的分布式集合对象，内部由许多partitions(分片)组成，每个p

17、artition都包括一部分数据，这些partitions可以在集群的不同节点上计算Partitions是Spark中的并行处理的单元。Spark顺序的，并行的处理partitions。RDDs 是 Spark的分发数据和计算的基础抽象类，是Spark的核心概念。RDD可以包含 Python, Java, 或者 Scala中的任何数据类型，包括用户自定义的类。在Spark中，所有的计算都是通过RDDs的创建，转换，操作完成的。RDD具有lineage graph(血统关系图)。,30,RDDs的创建方法,Driver program中创建RDDs：把一个存在的集合传给SparkContexts

18、 parallelize()方法。这种方法，一般只适用于学习时。例子：val lines = sc.parallelize(List(spark, bigdatastudy)val rdd = sc.parallelize(Array(1, 2, 2, 4), 4).注意一下RDD的类型第一个参数是：待并行化处理的集合第二个参数是：分区个数,31,RDDs的创建方法,加载外部数据集:例子：使用textFile() 加载val rddText= sc.textFile(././testfile/helloSpark)val rddHdfs = sc.textFile(hdfs:/some/pat

19、h.txt),32,Scala的基础知识,Scala的变量声明在Scala中创建变量的时候，必须使用val或者varVal，变量值不可修改，一旦分配不能重新指向别的值Var，分配后，可以指向类型相同的值。,33,Scala的基础知识,Scala的变量声明val lines= sc.textFile(././testfile/helloSpark)lines= sc.textFile(././testfile/helloSpark2).: error: reassignment to valvar lines2= sc.textFile(././testfile/helloSpark)lines

20、2= sc.textFile(././testfile/helloSpark2)可以重新声明变量val lines= sc.textFile(././testfile/helloSpark2),34,Scala的基础知识,Scala的匿名函数像Python的lambda 函数lines.filter(line = line.contains(world).我们定义一个匿名函数，接收一个参数line，并使用line这个String类型变量上的contains方法，并且返回结果。line 的类型不需指定，能够推断出来,35,Scala的基础知识,Scala程序员就是不喜欢多写代码。Scala允许我

21、们用下划线_来代表匿名函数中的参数。lines.filter(_.contains(world).,36,Scala的基础知识,类型推断def hasWorld(line:String) : Boolean=line.contains(world)worldLines = lines.filter(hasWorld)Scala中定义函数用def，参数指定类型String，因为后面的contains方法就是用的String中的Contains方法。函数返回的类型，可以不必指定，因为通过类型推断，能够推出来。,37,Scala的基础知识,类型推断指定返回类型：返回的类型比较复杂，Scala可能推断

22、不出来。程序更易读。,38,Transformations,Transformations介绍逐元素transformations集合运算,39,Transformations介绍,Transformations(转换)：从之前的RDD构建一个新的RDD，像map() 和 filter()。,40,Transformations介绍,Transformations的特点：Transformations返回一个崭新的RDD，filter() 操作返回一个指针，指向一个崭新的RDD，原RDD不受影响，能够在后面重复利用。,41,逐元素transformations,许多的transformatio

23、ns是逐元素的，也就是每次转变一个元素。两个最常用的transformations：map() and filter()map() transformation，接收一个函数，把这个函数应用到RDD的每一个元素，并返一个函数作用后的新的RDD。filter() transformation，接收一个函数，返回只包含满足filter()函数的元素的新RDD。输入RDD与输出RDD可以是不同的类型，例如input RDDString ，output RDDDouble,42,逐元素transformations,map() 例子- 对RDD中元素求平方val input = sc.parallel

24、ize(List(1, 2, 3, 4)val result = input.map(x = x * x)println(result.collect().mkString(,),43,逐元素transformations,flatMap()对每个输入元素，输出多个输出元素。flat压扁的意思，将RDD中元素压扁后返回一个新的RDD。例子- flatMap() ,把一行字分割成多个元素val lines = sc.parallelize(List(hello world, hi)val words = lines.flatMap(line = line.split( )words.first(

25、) / returns hello,44,逐元素transformations,flatMap(),45,集合运算,RDDs支持数学集合的计算，例如并集，交集计算。注意：进行计算的RDDs应该是相同类型。money-monkey,46,集合运算,distinct()是很耗时的操作，因为它需要通过网络，shuffle所有的数据，以保证元素不重复。一般情况下，我们不用distinct()。union(other) 会包含重复的元素。intersection(other)求交集。耗时操作，因为需要shufflesubtract(other)第一个RDD中存在，而不存在与第二个RDD的元素。需要shu

26、ffle。使用场景，机器学习中，移除训练集。,47,集合运算,cartesian(other)非常耗时。使用场景：用户相似性的时候,48,RDD的transformations,基本的RDD transformations： RDD 包含 1, 2, 3, 3,49,RDD的transformations,两个RDD 的transformations： 一个RDD包含 1, 2, 3，另一个RDD包含 3, 4, 5,50,Actions,在RDD上计算出来一个结果，把结果返回给driver program或者保存在外部文件系统上，像count() 函数 first()。count() 返回元

27、素的个数,51,RDD的actions,52,Actions,reduce()最常用的是reduce()，接收一个函数，作用在RDD的两个类型相同的元素上，返回一个类型相同的新元素。最常用的一个函数是加法。使用reduce()我们可以很简单的实现，RDD中元素的累加，计数，和其它类型的聚集操作。例子- reduce() val sum = rdd.reduce(x, y) = x + y),53,Actions,fold()与reduce()相似，类型相同但是，在每个分区的初始化调用的时候，多了个“zero value”“zero value”的特点，把它应用在你的函数上，不管多少次，都不改变

28、值(例如：+操作的0，*操作的1)。,54,Actions,aggregate()与fold()相似类型可以不同我们提供想要返回的“zero value”类型。第一个函数，RDD中元素累加(每个节点只累加本地的结果)。第二个函数，合并累加器(合并每个节点的结果)。可以使用aggreate()计算RDD的平均值，而不使用map()和fold()结合的方法。,55,Actions,例子- aggregate() val result = input.aggregate(0, 0)(x, y) =(x._1 + y, x._2 + 1),(x, y) =(x._1 + y._1, x._2 + y.

29、_2)val avg = result._1 / result._2.toDouble,56,Actions,collect()遍历整个RDD,向driver program返回RDD的内容一般测试时候使用，可以判断与预测值是否一样需要单机内存能够容纳下(因为数据要拷贝给driver )大数据的时候，使用saveAsTextFile() action, saveAsSequenceFile()action等。,57,Actions,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。一般测试时候使用,58,Actions,foreach() 计算R

30、DD中的每个元素，但不返回到本地。可以配合println() 友好的打印出数据。,59,Actions,.foreach(println)风格：把函数println当作参数传递给函数foreach例子 - 计算bad的个数errorsRDD = inputRDD.filter(line.contains(error)warningsRDD = inputRDD.filter(line.contains(warning)badLinesRDD = errorsRDD.union(warningsRDD)println(badLinesRDD.count() )badLinesRDD.take(1).foreach(println)/使用take()取前1个数据,60,Actions,top()排序(根据RDD中数据的比较器)takeSample(withReplacement, num, seed)取样例，是否需要替换值。countByValue()返回一个map，表示唯一元素出现的个数,