首页 > 代码库 > spark 学习(二) RDD及共享变量

spark 学习(二) RDD及共享变量

2024-08-02 22:00:55   214人阅读

声明:本文基于spark的programming guide,并融合自己的相关理解整理而成

 

     Spark应用程序总是包含着一个driver program(驱动程序),它执行着用户的main方法,并且执行大量的并行操作(parallel operations)在集群上.

概述


    Spark最主要的抽象就是RDD(resilient distributed dataset) 弹性分布式数据集,RDD  就是分割元素的集合,他被分发在集群的各个节点上,并且能够进行并行操作.
    RDD的创建有三种方式:
  • HDFS,HBase 或者其他任何能够提供Hadoop输入格式的数据源;          
  • 驱动程序中已存在的Scala集合;
  • 其他的RDD的转换
RDD能够持久化到内存中以重复使用加速计算速度, RDD能够自动从失败的节点中恢复(血统设计).

    Spark中的另一个抽象就是能够被用于并行计算的共享变量. 默认的情况下, Spark并行运行一个函数是作为一组tasks在不同的节点上同时计算的, 这种情况下,他是通过分发每一个变量的拷贝到每个task中的. 有时候,我们需要某些变量在tasks之间进行共享. 这里Spark支持两种共享变量:
  1.  broadcast variables, 被用于持久化变量在每个node的内存中;
  2.  accumulators,  这个变量只能够被累加,
    

RDD操作


     操作主要包括两种,分别是transformations 和 action
     transformation : 将一个已经存在的RDD中转换成一个新的RDD,所有的转换操作都是lazy执行的,即只是记下了执行的动作,只有当driver程序需要结果的时候才会进行计算. 

http://spark.apache.org/docs/latest/programming-guide.html

action:一般用于对RDD中的元素进行实际的计算,然后返回相应的值,例如reduce操作,collect操作,count操作等等.这中action之后返回的就不在是RDD了

RDD基本操作的几个例子以及自己的理解:
 val conf = new SparkConf().setAppName("BasicRDDApp").setMaster("local[4]")
    //spark://host:port
    val sc = new SparkContext(conf)

    /**
     *  parallelized collections
     *  将scala的集合数据,并行化成为能够并行计算的分布式数据集
     */
    val data = http://www.mamicode.com/1 to 1000 toArray>


RDD的持久化


  1. 用法: 使用persist()或者cache()方法,其中cache()方法默认持久化到内存,persist可以自己选择持久化的层次,在shuffle操作中,spark会自动保存中间计算结果,例如reduceBykey
  2. 作用:  RDD的持久化会将会使得每个节点保存相应的计算部分,以便再次使用该数据集时可以直接使用,加快计算速度
  3. 如何选择持久化层次: 如果RDDs 在MEMORY_ONLY下表现良好的话,就选这个层次,这样CPU效率最高
    其次MEMORY_ONLY_SER ,其他情况http://spark.apache.org/docs/latest/programming-guide.html 


共享变量


1. broadcast 变量, 只读的共享变量 每个节点上都有一个拷贝, 用法
     val broadcastVar = sc.broadcast("string test")
     broadcastVar.value
2.accumulator 变量,做累加器用,类似与counter或者是sum
    val broadcastVar = sc.broadcast("string test")//broadcast variable is readonly

    val v = broadcastVar.value
    println(v)

    val accum = sc.accumulator(0, "My Accumulator")//value and name

    sc.parallelize(1 to 1000000).foreach(x => accum+= 1)

    println(accum.name + ":" + accum.value)




spark 学习(二) RDD及共享变量


联系
我们