Spark各个知识点总结讲解教学课件.ppt

1、2015Spark简介1Spark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。2Spark的特点?Spark是快速的1.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。2.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。3.速度快的另一个主要原因就是，能够在内存中计算。3Spark的特点?Spark是通用的1.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

2、处理，迭代式计算，交互查询和流处理等。2.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。4Spark的特点?Spark是高度开放的1.Spark提供了Python，Java，Scala，SQL的API和丰富的内置库。2.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。5Spark的组件Spark包括多个紧密集成的组件。6Spark的组件紧密集成的优点：1.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

3、包也会自动的优化。2.紧密集成，节省了各个组件组合使用时的部署，测试等时间。3.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。4.无缝连接不同的处理模型。7Spark的组件?Spark Core：1.包含Spark的基本功能，包含任务调度，内存管理，容错机制等。2.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。3.Spark Core提供了很多APIs来创建和操作这些集合(RDDs)。8Spark的组件?Spark SQL：1.是S

4、park处理结构化数据的库。它支持通过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。2.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。9Spark的组件?Spark Streaming:1.是实时数据流处理组件，类似Storm。2.Spark Streaming提供了API来操作实时流数据。10Spark的组件?MLlib:1.Spark有一个包含通用机器学习功能的包，就是MLlib(machine learning lib

5、)。2.MLlib包含了分类，聚类，回归，协同过滤算法，还包括模型评估，和数据导入。3.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。4.MLlib提供的上面这些方法，都支持集群上的横向扩展。11Spark的组件?Graphx:1.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。2.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。12Spark的组件?Cluster Ma

6、nagers:1.Cluster Managers就是集群管理。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。2.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。3.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。13Spark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

7、基于Hadoop Mapreduce的，后来发现Mapreduce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。14Spark运行环境1.Spar

8、k 是Scala写的,运行在JVM上。所以运行环境是Java6或者以上。2.如果想要使用 Python API，需要安装Python 解释器2.6版本或者以上。3.目前Spark(1.2.0版本)与Python 3不兼容。15Spark下载1.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2.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

9、。3.解压：tar-zxvf spark-1.2.0-bin-hadoop2.4.tgz16Spark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。17Spark的Shells1.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)。2.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(

10、甚至是分布式的1T数据的处理)都可以在几秒内完成。3.上面的特性，使迭代式计算，实时查询、分析一般能够在shells中完成。Spark提供了Python shells和 Scala shells。18Spark的Shells打开Spark的Python Shell：1.到Spark目录，Spark的Python Shell也叫做PySpark Shell2.bin/pyspark打开PySpark Shell之后的界面19Spark的Shells打开Spark的Scala Shell：1.到Spark目录2.bin/pysparkbin/spark-shell打开Scala版本的shell打开

11、之后的界面20Spark的Shells例子：scala val lines=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.propertie

12、s log4j.rootCategory=WARN,console21Spark的核心概念?Driver program：1.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)2.它管理很多节点，我们称作executors。3.count()操作解释(每个executor计算文件的一部分，最后合并)。22Spark的核心概念?SparkContext:1.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。2.在Shell中

13、SparkContext 自动创建好了，就是sc，3.例子：sc 变量 sc23Spark的核心概念?RDDs：1.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。2.RDDs 是 Spark分发数据和计算的基础抽象类。3.用SparkContext创建RDDs4.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。

14、24Spark的核心概念?向Spark传递函数：向Spark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()25Spark的核心概

15、念?向Spark传递函数：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。26Spark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

16、带来一些奇怪的问题。1.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。2.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。27RDDs介绍?RDDs介绍?RDDs的创建方法?Scala的基础知识28RDDs介绍?RDDs1.Resilient distributed datasets(弹性分布式数据集，简写RDDs)。2.一个RDD就是一个不可改变的分布式集合对象，内部由许多part

17、itions(分片)组成，每个partition都包括一部分数据，这些partitions可以在集群的不同节点上计算3.Partitions是Spark中的并行处理的单元。Spark顺序的，并行的处理partitions。4.RDDs 是 Spark的分发数据和计算的基础抽象类，是Spark的核心概念。5.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。6.在Spark中，所有的计算都是通过RDDs的创建，转换，操作完成的。7.RDD具有lineage graph(血统关系图)。29RDDs的创建方法?Driver program中创建RDDs：把

18、一个存在的集合传给SparkContext s parallelize()方法。这种方法，一般只适用于学习时。例子：val lines=sc.parallelize(List(spark,igdatastudy)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30RDDs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:/s

19、ome/path.txt)31Scala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var?Val，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。32Scala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)line

20、s2=sc.textFile(././testfile/helloSpark2)可以重新声明变量val lines=sc.textFile(././testfile/helloSpark2)33Scala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34Scala的基础知识?Scala程序员就是不喜欢多写代码。?Scala允许我们

21、用下划线彜 来代表匿名函数中的参数。?lines.filter(_.contains(world)?.35Scala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。36Scala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。37Transformations?Transformations介绍?逐元素transformations?集合运算38Transformations 介绍?Transformations(转换)：从之前的RDD构建一个新的RDD，像map()和 filter()。39Transformations 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。40逐元素transformations?许多的transformations是

23、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 RDDDouble41逐元素transformations?map()?例子-对RDD中元素求平方?val input=sc.parallelize(Lis

24、t(1,2,3,4)?val result=input.map(x=x*x)?println(result.collect().mkString(,)42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()?潷摲?楦獲?爠瑥牵獮尠敨汬屯43逐元素transformatio

25、ns?flatMap()44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-monkey45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shuffle?subtract(other)第一个RDD中存在，而不存在与第二个RDD的元素。需要shuffle。使用场景，机器学习中，移除训练集。46集合运算?cartesia

26、n(other)?非常耗时。?使用场景：用户相似性的时候47RDD 的transformations?基本的RDD transformations：RDD 包含 1,2,3,3函数名功能例子结果map()对每个元素应用函数rdd.map(x=x+1)2,3,4,4flatMap()压扁，常用来抽取单词rdd.flatMap(x=x.to(3)1,2,3,2,3,3,3filter()过滤rdd.filter(x=x!=1)2,3,3distinct()去重rdd.distinct()1,2,3sample(withReplacement,fraction,seed)对一个RDD取样，是否进行替

27、换rdd.sample(false,0.5)不确定48RDD 的transformations?两个RDD 的transformations：一个RDD包含 1,2,3，另一个RDD包含 3,4,5函数名功能例子结果union()并集rdd.union(other)1,2,3,3,4,5intersection()交集rdd.intersection(other)3subtract()取存在第一个RDD，而不存在第二个RDD的元素(使用场景，机器学习中，移除训练集)rdd.subtract(other)1,2cartesian()笛卡尔积rdd.cartesian(other)(1,3),(1

28、,4),(3,5)49Actions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()?返回元素的个数50RDD 的actions函数名功能例子结果collect()返回RDD的所有元素rdd.collect()1,2,3,3count()计数rdd.count()4countByValue()返回一个map，表示唯一元素出现的个数rdd.countByValue()(1,1),(2,1),(3,2)take(num)返回几个元素rdd.take(2)1,2top(num)返回前几个元素rdd.t

29、op(2)3,3takeOrdered(num)(ordering)返回基于提供的排序算法的前几个元素rdd.takeOrdered(2)(myOrdering)3,3takeSample(withReplacement,num,seed)取样例rdd.takeSample(false,1)不确定reduce(func)合并RDD中元素rdd.reduce(x,y)=x+y)9fold(zero)(func)与reduce()相似提供zero valuerdd.fold(0)(x,y)=x+y)9aggregate(zeroValue)(seqOp,combOp)与fold()相似，返回不同类

30、型rdd.aggregate(0,0)(x,y)=(x._1+y,x._2+1),(x,y)=(x._1+y._1,x._2+y._2)(9,4)foreach(func)对RDD的每个元素作用函数，什么也不返回rdd.foreach(func)什么也没有51Actions?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)5

31、2Actions?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，都不改变值(例如：+操作的0，*操作的1)。53Actions?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。54Actions?例子-

32、aggregate()?val result=input.aggregate(0,0)(?(x,y)=(x._1+y,x._2+1),?(x,y)=(x._1+y._1,x._2+y._2)?val avg=result._1/result._2.toDouble55Actions?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。56Acti

33、ons?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57Actions?foreach()?计算RDD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。58Actions?.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59Actions?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60