Spark各个知识点总结讲解

2015Spark简介Spark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。Spark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。Spark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。Spark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。Spark的组件Spark包括多个紧密集成的组件。Spark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。Spark的组件SparkCore：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.SparkCore内部定义了RDDs(resilientdistributeddatasets，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.SparkCore提供了很多APIs来创建和操作这些集合(RDDs)。Spark的组件SparkSQL：1.是Spark处理结构化数据的库。它支持通过SQL查询数据，就像HQL(HiveSQL)一样，并且支持很多数据源，像Hive表，JSON等。SparkSQL是在Spark1.0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SparkSQL替代了。Spark的组件SparkStreaming:1.是实时数据流处理组件，类似Storm。2.SparkStreaming提供了API来操作实时流数据。Spark的组件MLlib:1.Spark有一个包含通用机器学习功能的包，就是MLlib(machinelearninglib)。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。Spark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SparkStreaming和SparkSQL一样，Graphx也继承了SparkRDDAPI，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。Spark的组件ClusterManagers:1.ClusterManagers就是集群管理。Spark能够运行在很多clustermanagers上面，包括HadoopYARN，ApacheMesos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HadoopYarn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。Spark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最初是基于HadoopMapreduce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(HiveonSpark)，SparkStreaming。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。Spark运行环境1.Spark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PythonAPI，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Python3不兼容。Spark下载1.下载地址：，选择Pre-builtforHadoop2.4andlater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。3.解压：tar-zxvfspark-1.2.0-bin-hadoop2.4.tgzSpark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Sparkshell。core,streaming,python,…包含主要组件的源代码。examples包含一些有用的单机Sparkjob。你可以研究和运行这些例子，来学习SparkAPI。Spark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(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Pythonshells和Scalashells。Spark的Shells打开Spark的PythonShell：1.到Spark目录，Spark的PythonShell也叫做PySparkShell2.bin/pyspark打开PySparkShell之后的界面Spark的Shells打开Spark的ScalaShell：1.到Spark目录2.bin/pysparkbin/spark-shell打开Scala版本的shell打开之后的界面Spark的Shells例子：scalavallines=sc.textFile(../../testfile/helloSpark)//创建一个叫lines的RDDlines:org.apache.spark.rdd.RDD[String]=../../testfile/helloSparkMappedRDD[1]attextFileatconsole:12scalalines.count()//对这个RDD中的行数进行计数res0:Long=2scalalines.first()//文件中的第一行res1:String=hellospark修改日志级别：conf/log4j.propertieslog4j.rootCategory=WARN,consoleSpark的核心概念Driverprogram：1.包含程序的main()方法，RDDs的定义和操作。(在上面的例子中，driverprogram就是SparkShell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)。Spark的核心概念SparkContext:1.Driverprograms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SparkContext自动创建好了，就是sc，3.例子：sc变量scpyspark.context.SparkContextobjectat0x1025b8f90Spark的核心概念RDDs：1.在Spark中，我们通过分布式集合(distributedcollections，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。Spark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SparkAPI是围绕它展开的。例子：filteringscalavallines=sc.textFile(../../testfile/helloSpark)lines:spark.RDD[String]=MappedRDD[...]scalavalworldLines=lines.filter(line=line.contains(world))pythonLines:spark.RDD[String]=FilteredRDD[...]scalaworldLines.collect()Spark的核心概念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：defhasWorld(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。Spark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Serializableinterface)。如果Scala中出现NotSerializableException，一般情况下，都是因为没序列化。RDDs介绍RDDs介绍RDDs的创建方法Scala的基础知识RDDs介绍RDDs1.Resilientdistributeddatasets(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partitions(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.RD