Spark基础知识<二>
Spark的概念：Spark是分布式的、主要基于内存的、特别适合于迭代计算的大数据计算框架。
接下来从3个方面去理解Spark的概念：
分布式：所谓分布式就是有很多台机器在运行，每个机器运行任务中的一部分，提高了任务运行的效率。
主要基于内存：Spark在计算的过程中会优先将数据放在内存中，如果内存容量不足的话，Spark也会将数据放在磁盘上或者部分数据放在磁盘上进行计算，即Spark不仅可以计算内存中放的下的数据，一定也可以计算内存中放不下的数据，Spark适合各种规模的分布式数据的计算。
注意：在整个数据的计算过程中，我们肯定是希望数据是在内存中的，我们甚至不希望数据是在本地磁盘上的，当然也不希望数据是通过网络从其他机器上抓取过来的，本质上Spark优先考虑将数据放在内存中，实际上是对计算机物理资源的最大化利用。所以对于Spark的运行会耗费内存的观点肯定是错误的。
Hadoop每次计算数据的时候都要读写磁盘，而Spark优先考虑基于内存，也就是说每次Spark计算的结果优先考虑放在内存中，下一次计算直接基于上次内存中计算的结果，这是Spark可以高速运行的主要原因之一。
迭代式计算：迭代式计算是Spark真正的精髓所在。
Hadoop的MapReduce与Spark最大的不同在于迭代模型，Spark在处理完一个阶段之后，处理的结果可以继续在其他节点上进行下一个阶段的计算，还可以有很多的阶段，不仅仅只有map和reduce两个阶段，由于这种迭代式的特点，导致Spark更加灵活，也更加强大。
接下来讲一下Spark处理数据的来源与数据输出之后的去向：
处理数据来源：HDFS、HBase、Hive、DB
处理数据输出：HDFS、HBase、Hive、DB，S3，HANA、Cassandra或直接将结果返还给客户端。
谈一下Spark处理数据的3个优势：
Spark是对于海量数据的快速通用引擎。它的优势如下：
(1) 快
Spark运行快的原因一是因为运行过程中将中间结果存入内存，二是因为Spark运行前会将运行过程生成一张DAG图（有向无环图），当处理的源数据在文件中时，比Hadoop快10倍，当处理的源数据在内存中时，比Hadoop快100倍。
(2) 通用
可以使用Core/SQL/Streaming/Graphx/MLib/R/StructStreaming(2.0)等进行Spark计算。
处理的数据通用：可以处理HDFS/Hive/HBase/ES、JSON/JDBC等数据
Spark运行模式：Spark可以运行在本地模式、集群模式，集群模式时，可以运行在YARN上、Mesos上、Standalone集群上、云端
(3) 使用简单
可以使用Python、Scala、Java等开发。
二、Spark与MapReduce的比较
三、Spark中RDD的相关概念
1、 定义
RDD是弹性分布式数据集（Resilient Distributed Dataset）的简称，其实就是分布式元素集合。在Spark中，对数据的所有操作不外乎创建RDD、转化已有的RDD、调用RDD操作进行求值。
RDD是Spark提出的最重要的核心抽象，Spark整个的编程、任务调度、容错和性能优化等等都是基于RDD之上的。
RDD是弹性分布式数据集，同理向Spark一样，我们也从3个方面去介绍RDD：
弹性：RDD的弹性体现在4个方面：
①：RDD会自动的进行内存和磁盘中数据的存储的切换；
②：基于Lineage的高效容错（例如如果第n个步骤出错，RDD会从第n-1个步骤恢复，血统容错），提高了错误恢复的步骤，不需要一切从头开始；
③：Task如果失败会自动进行特定次数的重试（默认4次）；
④：Stage（计算阶段）如果失败会自动进行特定次数的重试（可以只运行计算失败的阶段），只计算失败的数据分片,默认3次。
分布式：
所谓分布式就是RDD本身代表一系列的数据分片，这些分片会被放在Spark集群中的不同机器的计算节点上。然而RDD对于用户来说是透明的，也就是说用户根本就不用关心RDD对应的一些列的数据分片究竟放在哪里，用户只要对RDD进行计算处理就可以了。
数据集：
RDD本身代表要处理的数据集，一个RDD其本身在逻辑上抽象的代表了底层的一个文件或文件夹。
2、操作类型
RDD有两种类型的操作：Transformation操作、Action操作，Transformation操作和Action操作区别在于Spark计算RDD的方式不同。
1、Transformation操作会由一个RDD生成另一个新的RDD，生成的新的RDD是惰性求值的，只有在Action操作时才会被计算。
2、Action操作会对RDD计算出一个结果，并把结果返回到驱动器程序中，或者是把结果存储到外部存储系统中。
3、RDD会做缓存的几个情况：(如果都做缓存和Hadoop就没有什么区别了)
①、计算步骤特别耗时
②、计算链条很长
③、Shuffle之后,Shuffle需要从其他机器上面抓取数据
④、CheckPoint之前
最后在补充几句，RDD是通过Spark Context的形式进行创建的，Spark Context是集群的唯一接口，即我们做的一切工作都基于Spark context的；我们的RDD在逻辑上代表了HDFS上面具体的文件，但是实际上RDD底层是不同的分片，这些分片散落在集群中不同的机器上面；Spark中的一个分区的大小默认和一个block的大小的是相同的；NODE_LOCAL是本地磁盘上面，Process_Local是在内存中。
四、Spark中shell的使用
先谈一下Spark处理数据的三个步骤：
1、读取数据：
读取数据一般是从HDFS上读取数，如sc.textfile(‘/user/input’)
对于Spark Core来说，将数据变为RDD；对于Spark Sql来说，是将数据变为DataFrame；对于Streaming来说，将数据变为DStream。
2、处理数据：
对于Spark Core来说，调用RDD的一系列方法；对于Spark Sql来说，是调用df的一系列方法；对于Streaming来说，是调用dstream一系列方法。这些方法大部分是高阶函数，使用各种方法来在内存中处理数据。
3、输出数据：输出数据也大部分是存入硬盘，
sc.SaveAsTextFile()
resultDF.write.jdbc()
resultDStream.foreach(Redis\HBase)。
接下来我们以WordCount程序为例进行具体说明：
| 1 | [root@hadoop11local]# spark-shell --master spark://hadoop11:7077 |
| 1 | scala>"/word.txt") |
| 1 | scala>" ")) |
| 1 | scala>1)) |
| 1 | scala> |
| 1 | scala>"/dirout/") |
接下来我们查一下运行结果：
| 123456789101112131415161718 | [root@hadoop11~]# hadoop fs -lsr /diroutlsr:'ls -R' instead.-rw-r--r-- 3root supergroup 02016-11-1716:52/dirout/_SUCCESS-rw-r--r-- 3root supergroup 292016-11-1716:52/dirout/part-00000-rw-r--r-- 3root supergroup 292016-11-1716:52/dirout/part-00001[root@hadoop11~]# hadoop fs -cat /dirout/part-00000(scala,1)(hello,2)(java,2)[root@hadoop11~]# hadoop fs -cat /dirout/part-00001(spark,1)(you,1)(hadoop,1)[root@hadoop11~]# hadoop fs -cat /word.txthellosparkjavajava |
从运行结果上来看结果是正确的。
接下来我们查看一下在程序运行过程中产生的RDD：
| 12345678910111213141516171819202122232425 | scala>res2:(2) MapPartitionsRDD[1] at textFile at <console>:27[] | /word.txt HadoopRDD[0] at textFile at <console>:27[] scala>res3:(2) MapPartitionsRDD[2] at flatMap at <console>:29[] | MapPartitionsRDD[1] at textFile at <console>:27[] | /word.txt HadoopRDD[0] at textFile at <console>:27[] scala>res4:(2) MapPartitionsRDD[3] at map at <console>:31[] | MapPartitionsRDD[2] at flatMap at <console>:29[] | MapPartitionsRDD[1] at textFile at <console>:27[] | /word.txt HadoopRDD[0] at textFile at <console>:27[] scala>res5:(2) ShuffledRDD[4] at reduceByKey at <console>:33[] +-(2) MapPartitionsRDD[3] at map at <console>:31[] | MapPartitionsRDD[2] at flatMap at <console>:29[] | MapPartitionsRDD[1] at textFile at <console>:27[] | /word.txt HadoopRDD[0] at textFile at <console>:27[]</console></console></console></console></console></console></console></console></console></console></console></console></console></console> |
从运行结果可以看出，RDD之间是有依赖关系的。
之前我们讲到RDD本身代表要处理的数据集，但是实际上RDD底层是不同的分片，这些分片散落在集群中不同的机器上面，但是如何证明这些分片分布在不同的机器之上?
我们查看一下程序运行记录：
从运行记录可以看出，RDD底层的分片确实是被分散到不同的机器上面！但是这次程序也遇到一个问题，就是有向无环图点击之后没有任务反应。