Spark RDD
- 对RDD的学习进行一下整理
RDD:基于内存的集群计算容错抽象
分布式内存抽象的概念---弹性分布式数据集(RDD),它具备MapReduce等数据流模型的容错特性,并且允许开发人员在大型集群上执行基于内存的计算。
为了有效地实现容错,RDD提供了一种高度受限的共享内存,即RDD是只读的,并且只能通过其他 RDD上的批量操作来创建。
RDD基于工作集的应用,同时具有数据流模型的特点:自动容错、位置感知调度和可伸缩性。允许用户在执行多个查询时显式地将工作集缓存在内存中,后续的查询能够重用工作集,提升了查询速度RDD提供了一种高度受限的共享内存模型,即 RDD是只读的记录分区的集合,只能通过在其他RDD执行确定的转换操作(如map、join 和group by)而创建,然而这些限制使得实现容错的开销很低。与分布式共享内存系统需要付出高昂代价的检查点和回滚机制不同,RDD通过Lineage来重建丢失的分区:一个RDD中包含了如何从其他 RDD衍生所必需的相关信息,从而不需要检查点操作就可以重构丢失的数据分区。
- 编程模型
a) 在Spark中,RDD被表示为对象,通过这些对象上的方法(或函数)调用转换。
b) 定义RDD后,可在动作中使用RDD。动作是向应用程序返回值,或向存储系统导出数据的那些操作。 _________使用RDD
- 如count(返回 RDD中的元素个数),collect (返回元素本身), save (将RDD输出到存储系统)
- 用户可以请求将 RDD缓存,这样运行时将已经计算好的 RDD分区存储起来,以加速后期的重用。缓存的RDD一般存储在内存中。RDD还允许用户根据关键字(key)指定分区顺序,这是一个可选的功能。目前支持哈希分区和范围分区
- 示例:控制台日志挖掘
1 lines = spark.textFile("hdfs://...")
2 errors = lines.filter(_.startsWith("ERROR"))
3 errors.cache()
- Spark编程接口
a) 要使用 Spark,开发者需要编写一个 driver 程序,连接到集群以运行 Worker(Worker是长时间运行的进程,将RDD分区以Java对象的形式缓存在内存中)
b) Spark中支持的RDD转换和动作
变换是对一个RDD进行操作得到一个新的RDD(延迟的)。
动作返回一个结果到驱动程序或者写入到存储并开始计算的操作。
返回类型:返回RDD的就是变换,反之,动作返回其他类型。
- Spark中的RDD,简单来说就是所有对象的一个不可变的分布式集合。每个都被分割为多个分区,这就可以在集群的不同节点上进行计算。RDD可以任何Python,Java,Scala对象类型,包括用户自定义类型。
- 创建RDD:
a) 加载一个外部数据集
val rdd1 = sc.textFile ("d:/e.log")
b) 在驱动程序中分发一个对象集合(如list或set)
c) 在任何时候你都可以定义一个新的RDD,但是Spark总是以一种lazy的方式计算它们, 最后,每次你执行个动作,Spark的RDD默认会被重新计算.
d) 重用RDD,RDD.persist()要求Spark对RDD持久化,在初次计算之后,Spark 可以保存RDD的内容到内存中(在你的集群中跨机器分区),并在未来的动作中重用。持久化RDD到磁盘上,而不是内存中也是可能的。
- 处理键值对
a) 创建
- 格式加载直接返回键值数据为pairRDD
- Map()操作返回键值对。
val pairs = lines.map(x => (x.split(" ")(0), x))
b) 对Pair RDD的变换
示例4-5 Scala中对第二个元素简单过滤
pairs.filter{case (key, value) => value.length < 20}
有时我们只是想访问pair RDD的值那部分,处理pair就会有些不灵活。由于这是很常见的模式,所以Spark提供了mapValues(func)函数,等同于
map{case (x, y)=> (x, func(y))}。
c) 聚合
Spark提供了按相同的键合并的一组类似的操作reduceByKey(),运行多个reduce()操作,数据集中的每个键对应一个,以便对相同的键进行合并,因为数据集可以有非常多的键,所以reduceByKey()没有实现成返回一个值到用户程序的动作,而是返回一个由每个键及对应合并后的值组成的新RDD。foldByKey()和fold()十分相似,都有一个和RDD中数据同类型的零值和合并函数。
示例4-7. Scala中用reduceByKey()和mapValues计算每个键的均值
rdd.mapValues(x => (x, 1)).reduceByKey((x, y) => (x._1 + y._1, x._2 + y._2))
示例4-10. Scala中的Word count
val input = sc.textFile("s3://...")
val words = input.flatMap(x => x.split(" "))
val result = words.map(x => (x, 1)).reduceByKey((x, y) => x + y)
我们可以对第一个RDD使用countByValue()更快的实现单词计数:
input.flatMap(x => x.split(“ ”)).countByValue()
d) combineByKey
- combineByKey()是针对每个键的更一般的聚合函数。大多数其他的对每个键合并的函数都是用它实现的, 和aggregate()一样,combinByKey()允许用户返回和输入数据类型不同的值。
- combineByKey()会遍历一个分区中的所有元素。如果是新元素,combineByKey()会创建combiner(),也就是我们提供给它的函数来为这个新的键创建初值用于累积计算。(这个第一次是每个分区中新的键的第一次出)
- 示例4-13. Scala中使用combineByKey()计算每个键的平均值
val result = input.combineByKey(
(v) => (v, 1),
(acc: (Int, Int), v) => (acc._1 + v, acc._2 + 1),
(acc1: (Int, Int), acc2: (Int, Int)) => (acc1._1 + acc2._1, acc1._2 +acc2._2)).map{ case(key,value)=>(key,value._1/value._2.toFloat) }
result.collectAsMap().map(println(_))
- 数据分组
a) 有主键的数据的惯用法是根据键来对数据分组。groupByKey()就可以用RDD中的主键对我们的数据进行分组。对于一个由类型为K的主键和类型为V的值组成的RDD,groupByKey()后我们得到的RDD类型为[K, Iterable[V]]。
- 连接
a) 得到了有主键的数据后,一个最有用的操作就是可以和其他有主键的数据一起使用。对pair RDD来说,连接数据到一起恐怕是最常见的操作。Spark支持全系列的连接操作,包括右外连接,左外连接,交叉连接和内连接。
- 内连接
- 示例4-17. Scala shell中进行内连接
storeAddress = {
(Store("Ritual"),"1026 Valencia St"),
(Store("Philz"),"748 Van Ness Ave"),
(Store("Philz"),"3101 24th St"),
(Store("Starbucks"),"Seattle")}
storeRating = {
(Store("Ritual"), 4.9),
(Store("Philz"), 4.8))}
storeAddress.join(storeRating) == {
(Store("Ritual"), ("1026 Valencia St", 4.9)),
(Store("Philz"), ("748 Van Ness Ave", 4.8)),
(Store("Philz"), ("3101 24th St", 4.8))
}
leftOuterJoin(),结果RDD中的每个主键都在源RDD中存在
示例4-18. leftOuterJoin() 和rightOuterJoin()
storeAddress.leftOuterJoin(storeRating) ==
{(Store("Ritual"),("1026 Valencia St",Some(4.9))),
(Store("Starbucks"),("Seattle",None)),
(Store("Philz"),("748 Van Ness Ave",Some(4.8))),
(Store("Philz"),("3101 24th St",Some(4.8)))}
storeAddress.rightOuterJoin(storeRating) ==
{(Store("Ritual"),(Some("1026 Valencia St"),4.9)),
(Store("Philz"),(Some("748 Van Ness Ave"),4.8)),
(Store("Philz"), (Some("3101 24th St"),4.8))}
Pair RDD上可用的动作
Spark RDD的更多相关文章
- Spark Rdd coalesce()方法和repartition()方法
在Spark的Rdd中,Rdd是分区的. 有时候需要重新设置Rdd的分区数量,比如Rdd的分区中,Rdd分区比较多,但是每个Rdd的数据量比较小,需要设置一个比较合理的分区.或者需要把Rdd的分区数量 ...
- Spark RDD API详解(一) Map和Reduce
RDD是什么? RDD是Spark中的抽象数据结构类型,任何数据在Spark中都被表示为RDD.从编程的角度来看,RDD可以简单看成是一个数组.和普通数组的区别是,RDD中的数据是分区存储的,这样不同 ...
- Spark RDD aggregateByKey
aggregateByKey 这个RDD有点繁琐,整理一下使用示例,供参考 直接上代码 import org.apache.spark.rdd.RDD import org.apache.spark. ...
- Spark RDD解密
1. 基于数据集的处理: 从物理存储上加载数据,然后操作数据,然后写入数据到物理设备; 基于数据集的操作不适应的场景: 不适合于大量的迭代: 不适合交互式查询:每次查询都需要对磁盘进行交互. 基于数 ...
- Spark - RDD(弹性分布式数据集)
org.apache.spark.rddRDDabstract class RDD[T] extends Serializable with Logging A Resilient Distribut ...
- Spark RDD Operations(1)
以上是对应的RDD的各中操作,相对于MaoReduce只有map.reduce两种操作,Spark针对RDD的操作则比较多 ************************************** ...
- Spark RDD的依赖解读
在Spark中, RDD是有依赖关系的,这种依赖关系有两种类型 窄依赖(Narrow Dependency) 宽依赖(Wide Dependency) 以下图说明RDD的窄依赖和宽依赖 窄依赖 窄依赖 ...
- Spark RDD操作(1)
https://www.zybuluo.com/jewes/note/35032 RDD是什么? RDD是Spark中的抽象数据结构类型,任何数据在Spark中都被表示为RDD.从编程的角度来看,RD ...
- Spark RDD概念学习系列之RDD的转换(十)
RDD的转换 Spark会根据用户提交的计算逻辑中的RDD的转换和动作来生成RDD之间的依赖关系,同时这个计算链也就生成了逻辑上的DAG.接下来以“Word Count”为例,详细描述这个DAG生成的 ...
- Spark RDD概念学习系列之RDD的checkpoint(九)
RDD的检查点 首先,要清楚.为什么spark要引入检查点机制?引入RDD的检查点? 答:如果缓存丢失了,则需要重新计算.如果计算特别复杂或者计算耗时特别多,那么缓存丢失对于整个Job的影响是不容 ...
随机推荐
- Three.Js学习第一天
因为工作需求,最近接触到了ThreeJs库,国内学习文档的确少,所以在这里写下bolgs记录学习史,并且给后面学习的人尽一份微博之力. 3D场景依靠WebGL技术.目前支持比较好的浏览器,谷歌.火狐. ...
- C++ 类模板的使用
从事C++挺久了,在前段时看书时,发现高手,都是在写模板无,泛型编程,顿感差距.自己连模板都没有写,于是就小小的研究了下模板的用法. 模板简而言之就是对某此对象的相同方法,或处理方式,进行归纳,总结, ...
- 学习中的错误——ubuntu 14.04 LTS 启动eclipse报错
在ubuntu中启动eclipse报错:(Eclipse:15978): GLib-GIO-CRITICAL **: g_dbus_connection_get_unique_name: assert ...
- 我创建了一个网站,专门分享公众号的文章 https://asyons.com
网址:https://asyons.com/,为做个网站,自娱自乐的自明星,但投资也挺大的了,注册了一家公司,公财私章,做账报税,阿里云服务器,全职开发.算上时间价值,按小时,投资过5万了.
- java.io.IOException: Cannot run program "jad"
今天调试google tag manager, 需要看看google analytics source code,无奈没有源码,装个一个插件ejad 还是不行: java.io.IOException ...
- iOS推送生成服务器端p12文件
生成服务器端推送p12文件 所需文件:A.开发证书 aps_production.cer B.本地导出的私钥 : aps_production.p12 C.生成证书时用到的请求文件:Push.c ...
- Java第六次作业修改版
import java.util.ArrayList; import java.util.Collections; import java.util.Random; public class Draw ...
- Android开源框架:Universal-Image-Loader解析(二)MemoryCache
- poj2763
//Accepted 11676 KB 2344 ms /* source:poj2763 time :2015.5.29 by :songt */ /*题解: 树链剖分 基于边权,路径查询 wind ...
- iOS开发:保持程序在后台长时间运行
iOS开发:保持程序在后台长时间运行 2014 年 5 月 26 日 / NIVALXER / 0 COMMENTS iOS为了让设备尽量省电,减少不必要的开销,保持系统流畅,因而对后台机制采用墓碑式 ...