【原】Learning Spark (Python版) 学习笔记(一)----RDD 基本概念与命令

《Learning Spark》这本书算是Spark入门的必读书了，中文版是《Spark快速大数据分析》，不过豆瓣书评很有意思的是，英文原版评分7.4，评论都说入门而已深入不足，中文译版评分8.4，评论一片好评，有点意思。我倒觉得这本书可以作为官方文档的一个补充，刷完后基本上对Spark的一些基本概念、码简单的程序是没有问题的了。这本书有一个好处是它是用三门语言写的，Python/Java/Scala，所以适用性很广，我的观点是，先精通一门语言，再去学其他语言。由于我工作中比较常用的是Python，所以就用把Python相关的命令总结一下。下一阶段再深入学习Java和Scala。这一篇总结第一章-第三章的重点内容。

 

　　说到Spark，就不得不提到RDD，RDD，字面意思是弹性分布式数据集，其实就是分布式的元素集合。Python的基本内置的数据类型有整型、字符串、元祖、列表、字典，布尔类型等，而Spark的数据类型只有RDD这一种，在Spark里，对数据的所有操作，基本上就是围绕RDD来的，譬如创建、转换、求值等等。所有RDD的转换都是lazy(惰性求值)的，RDD的转换操作会生成新的RDD，新的RDD的数据依赖于原来的RDD的数据，每个RDD又包含多个分区。那么一段程序实际上就构造了一个由相互依赖的多个RDD组成的有向无环图(DAG)。并通过在RDD上执行动作将这个有向无环图作为一个Job提交给Spark执行。理解RDD后可以避免以后走很多弯路。关于RDD的特点，可以搜到很多资料，其实我们只需要理解两点就可以了：

　　1.不可变

      2.分布式

 

     有人会觉得很奇怪，如果RDD不可变，那么在进行数据操作的时候，怎么改变它的值，怎么进行计算呢？其实RDD支持两种操作：

     1.Tansformation（转化操作）：返回值还是一个RDD

     2.Action（行动操作）：返回值不是一个RDD

 

     第一种Transformation是返回一个新的RDD，如map(),filter()等。这种操作是lazy(惰性)的，即从一个RDD转换生成另一个RDD的操作不是马上执行，只是记录下来，只有等到有Action操作是才会真正启动计算，将生成的新RDD写到内存或hdfs里，不会对原有的RDD的值进行改变。而Action操作才会实际触发Spark计算，对RDD计算出一个结果，并把结果返回到内存或hdfs中，如count(),first()等。

 

     通俗点理解的话，就是假设你写了一堆程序，里面对数据进行了多次转换，这个时候实际上没有计算，就只是放着这里。在最后出结果的时候会用到Action操作，这个时候Action会执行与之相关的转换操作，运算速度会非常快(一是Action不一定需要调用所有的transformation操作，二是只有在最后一步才会计算相关的transformation操作)。如果Transformation没有lazy性质的话，每转换一次就要计算一次，最后Action操作的时候还要计算一次，会非常耗内存，也会极大降低计算速度。

 

     还有一种情况，如果我们想多次使用同一个RDD，每次都对RDD进行Action操作的话，会极大的消耗Spark的内存，这种情况下，我们可以使用RDD.persist()把这个RDD缓存下来，在内存不足时，可以存储到磁盘(disk)里。在Python中，储存的对象永远是通过Pickle库序列化过的，所以社不设置序列化级别不会产生影响。

 

     RDD的性质和操作方式讲完了，现在来说说怎么创建RDD，有两种方式

     1.读取一个外部数据集

     2.在内存中对一个集合进行并行化(parallelize)

 

     第二种方式相对来说更简单，你可以直接在shell里快速创建RDD，举个例子：

 A = [1,2,3,4,5]
 lines = sc.parallelize(A)
 #另一种方式
 lines = sc.parallelize([1,2,3,4,5])

　　

　　但是这种方式并不是很好，因为你需要把你的整个数据集放在内存里，如果数据量比较大，会很占内存。所以，可以在测试的时候用这种方式，简单快速。

     

　　读取外部数据及时需要用到SparkContext.textFile()

 

  lines = sc.textFile("README.md") 

 

　　RDD的操作命令很多，包括map(),filter()等Transformation操作以及reduce(),fold(),aggregate()等Action操作。

• 常见的Transformation操作：

　　map( )和flatMap( )的联系和区别　

map( ):接收一个函数，应用到RDD中的每个元素，然后为每一条输入返回一个对象。

filter( )：接收一个函数，将函数的元素放入新的RDD中返回。

flatMap( )：接收一个函数，应用到RDD中的每个元素，返回一个包含可迭代的类型(如list等)的RDD,可以理解为先Map()，后flat().

　　

　　用一个图可以很清楚的理解：

　　

 

 

　　伪集合操作：

 

 distinct( )、union( )、intersection( )、subtract( )
 distinct( ):去重
 union( )：两个RDD的并集
 intersection( )：两个RDD的交集
 subtract( )：两个RDD的补集
 cartesian( ):两个RDD的笛卡尔积（可以应用于计算相似度中，如计算各用户对各种产品的预期兴趣程度）

注：

1.intersection( )的性能比union( )差很多，因为它需要数据混洗来发现共同数据

2.substract( )也需要数据混洗

• 常见的Action操作：

　　

 reduce( )：接收一个函数作为参数，这个函数要操作两个相同元素类型的RDD，也返回一个同样类型的RDD，可以计算RDD中元素的和、个数、以及其他聚合类型的操作。

 fold( )：和reduce一样，但需要提供初始值。

 aggregate( ):和fold类似，但通常返回不同类型的函数。

 注：
关于fold()和aggregate(),再说点题外话。fold()只能做同构聚合操作，就是说，如果你有一个RDD[X],通过fold，你只能构造出一个X。但是如果你想通过RDD[X]构造一个Y呢？那就得用到aggregate()了，使用aggregate时，需要提供初始值(初始值的类型与最终返回的类型相同)，然后通过一个函数把一RDD的元素合并起来放到累加器里，再提供一个函数将累加器两两相加。由此可以看出，fold()需要保证灭个partition能够独立进行运算，而aggregate()对于不同partition(分区)提交的最终结果专门定义了一个函数来进行处理。

　　RDD还有很多其他的操作命令，譬如collect(),count(),take(),top(),countByValue(),foreach()等，限于篇幅，就不一一表述了。

　　最后来讲讲如何向Spark传递函数：

　　两种方式：

　　1.简单的函数：lambda表达式。

     适合比较短的函数，不支持多语句函数和无返回值的语句。

　　2.def函数

     会将整个对象传递过去，但是最好不要传递一个带字段引用的函数。如果你传递的对象是某个对象的成员，或者在某个函数中引用了一个整个字段，会报错。举个例子：

 class MyClass(object):
     def __init__(self):
         self.field = “Hello”

     def doStuff(self, rdd):
         #报错：因为在self.field中引用了整个self
         return rdd.map(lambda s: self.field + x)

解决方法：直接把你需要的字段拿出来放到一个局部变量里，然后传递这个局部变量就可以了。

 class MyClass(object):
     def __init__(self):
         self.field = “Hello”

     def doStuff(self, rdd):
         #将需要的字段提取到局部变量中即可
         field = self.field
         return rdd.map(lambda s: field + x)

　　

　　前面三章讲了Spark的基本概念和RDD的特性以及一些简单的命令，比较简单。后面三章主要讲了键值对操作、数据的读取和保存以及累加器、广播变量等，下周再更新。