Spark 的 Shell操作，核心概念，构建独立应用

1：Spark中的Python和Scala的shell

2：Spark核心概念简介

3：独立应用

4：Spark数据集

一：Spark中的Python 和Scala  的shell

       1：shell设置显示日志

       进入Spark的安装目录，启动spark的集群，输入bin/pyspark，但此时会伴有大量的日志信息，在这里想要缩减启动信息的显示，可以调整日志的级别来控制输出的信息量，在conf目目录下创建log4j.properties的文件来管理系统日志设置，Spark开发者默认在conf下已经加入了日志设置的模板，为 log4l,proper.template,赋值一份修改为 log4j.properties找到

       log4j.rootCategory=INFO,console

       然后通过下面的设定降低日志的优先级，只显示警告和更严重的信息

      log4j.rootCategory=WARN,console

      2：利用python-shell进行行数统计

>>> lines = sc.textFile("file:///usr/local/hadoop/spark/README.md")             #创建一个lines的RDD>>> lines.count()                                                               #统计RDD中元素的个数95>>> lines.first()                                                               #返回RDD中的第一个元素，也就是README.md的第一行u'# Apache Spark'>>> 

      需要注意的是这里的文件路径，如果是本地文件，需要加上 file://       若是hdfs文件则路径为：hdfs://ip:9000/xxx/xxx

      textFile的参数是一个path,这个path可以是：

      1. 一个文件路径，这时候只装载指定的文件

      2. 一个目录路径，这时候只装载指定目录下面的所有文件（不包括子目录下面的文件）

      3. 压缩文件读取，如 textFile(”/my/directory/*.gz“) 注意必须是gzip压缩的

     4. 通过通配符的形式加载多个文件或者加载多个目录下面的所有文件

      第四点是一个使用小技巧，现在假设我的数据结构为先按天分区，再按小时分区的，在hdfs上的目录结构类似于：

      /user/hdfs/input/dt=20130728/hr=00/

      /user/hdfs/input/dt=20130728/hr=01/

      ...

      /user/hdfs/input/dt=20130728/hr=23/

      具体的数据都在hr等于某个时间的目录下面，现在我们要分析20130728这一天的数据，我们就必须把这个目录下面的所有hr=*的子目录下面的数据全部装载进RDD，于是我们可以这样写：sc.textFile("hdfs://n1:8020/user/hdfs/input/dt=20130728/hr=*/"),注意到hr=*,是一个模糊匹配的方式。

    3：Scala进行函数统计

scala> val lines = sc.textFile("file:///usr/local/hadoop/spark/README.md")lines: org.apache.spark.rdd.RDD[String] = file:///usr/local/hadoop/spark/README.md MapPartitionsRDD[1] at textFile at <console>:27scala> lines.count()res0: Long = 95scala> lines.first()res1: String = # Apache Sparkscala> 

二：Spark核心概念简介

       1：RDD（弹性分布数据集）

        RDD是Spark的最基本抽象,是对分布式内存的抽象使用，实现了以操作本地集合的方式来操作分布式数据集的抽象实现。RDD是Spark最核心的东西，它表示已被分区，不可变的并能够被并行操作的数据集合，不同的数据集格式对应不同的RDD实现。RDD必须是可序列化的。RDD可以cache到内存中，每次对RDD数据集的操作之后的结果，都可以存放到内存中，下一个操作可以直接从内存中输入，省去了MapReduce大量的磁盘IO操作。这对于迭代运算比较常见的机器学习算法, 交互式数据挖掘来说，效率提升比较大。

RDD的特点：

　　(1). 它是在集群节点上的不可变的、已分区的集合对象。

　　(2). 通过并行转换的方式来创建如(map, filter, join,etc)。

　　(3). 失败自动重建。

　　(4). 可以控制存储级别(内存、磁盘等)来进行重用。

　　(5). 必须是可序列化的。

        (6). 是静态类型的。

       RDD创建的两种方式

        (1)：从Hadoop文件系统(或与Hadoop兼容的其它存储系统)输入(例如HDFS)创建

        (2)：从父RDD转换得到新RDD

       2：驱动器程序（driver program）

       每个spark应用用驱动器程序发起集群上的各种并行操作，包含了应用的main函数，并定义了集群上的分布式数据集，还对这些分布式数据集应用了相关操作

       驱动器程序通过一个sparkContext对象来访问Spark，这个对象代表对计算机集群的一个连接，shell在启动时就已经创建了一个SparkContext对象，是一个sc变量，一旦有了SparkContext就可以用它来创建RDD（弹性分布数据集）

     

       3：执行器（executor）

      在Worker Node上为某Application启动一个进程，该进程负责运行任务，并且负责将数据存在硬盘或者内存中；每个Application都有各自独立的executors；

       比如：应用A在一个Node上启动Executor，B应用也在同一个Node上启动Executor，他们各自的Executor是相互隔离的，运行在不同的JVM上。不同的应用对应不同的Executor；

      4：Application

       基于spark的用户程序，包含了一个Driver Program以及集群上中多个executor；

      spark中只要有一个sparkcontext就是一个application；

       启动一个spark-shell也是一个application，因为在启动shark-shell时就内置了一个sc(SparkContext的实例)；
 

     5：Cluster Manager

      在集群上获取资源的外部服务。如：standalone、yarn、mesos；

　  各种不同的集群的区别：只是任务调度的粗细粒度不同，对学习spark没有影响，自己在学习时使用standalone即可；

     6：Worker Node

      集群中任何一个可以运行Application代码的节点；

      可以在Worker Node启动Executor进程；

     7：Job

      包含很多task的并行计算，spark中的一个action对应一个job，如：collect、count、saveAsTextFile；

      用户提交的Job会提交给DAGScheduler，Job会被分解成Stage(TaskSet) DAG；

      RDD的transformation只会记录对元数据的操作(map/filter)，而并不会真正执行，只有action触发时才会执行job；

     8：Stage

     每个Job会被拆分成多组任务，每组任务被称为一个Stage,可称为TaskSet；

     一个stage的边界往往是从某个地方取数据开始(如：sc.readTextFile)，在shuffle时(如：join、reduceByKey等)终止；

     一个job的结束(如：count、saveAsTextFile等)往往也是一个stage的边界；

     有两种类型的Stage：shuffle和result；

    9：Task

     被送到executor上的工作单元；

     在Spark中有两类Task：shuffleMapTask和ResultTask，第一类Task的输出是shuffle所需数据，第二类task的输出是result；

　 stage的划分也以此为依据，shuffle之前的所有变换是一个stage，shuffle之后的操作是另一个stage；

     比如：rdd.parallize(1 to 10).foreach(println)这个操作没有shuffle，直接就输出了，那么它的task就是resulttask，stage也只有一个；

     如果rdd.map((x,1)).reduceByKey(_+_).foreach(println)，这个job因为有reduce，所以有个一shuffle过程，那么reduceByKey之前是一个stage，执行shuffleMapTask，输出shuffle所需要的数据，reduceByKey到最后是一个stage，直接就输出结果了。

     如果一个job中有多次shuffle，那么每个shuffle之前都是一个stage；

         

    10：Partition

     partition类似hadoop的split，计算是以partition为单位进行的

三：独立应用

      1：Python中初始化Spark

from pyspark import SparkConf, SparkContextconf = SparkConf().setMaster("local").setAppName("My App")sc = SparkContext(conf = conf)                      #<span style="font-family:Microsoft YaHei;">以上为初始化sc</span>line = sc.textFile("file:///usr/local/hadoop/spark/README.md")print line.count()print line.first()

       执行：bin/spark-submit my_script.py

       运行结果：

                     

       2：Scala中初始化Spark

import org.apache.spark.SparkConfimport org.apache.spark.SparkContextimport org.apache.spark.SparkContext_val conf = new SparkConf().setMaster("local").setAppName("My App")val sc = new SparkContext(conf)

      3：在Java中初始化Spark

import org.apache.spark.SparkConfimport org.apache.spark.api.java.JavaSparkContextSparkConf conf = new SparkConf().setMaster("local").setAppName("My App")JavaSparkContext sc = new JavaSparkContext(conf)

四：Spark数据集

       – Spark 可以将任何 hadoop 所支持存储资源转化成 RDD ,如本地文件、 HDFS 、 Cassandra 、 HBase, Amazon S3 等。
       – Spark 支持 text files, SequenceFiles 和任何 Hadoop InputFormat 格式
            ●使用 textFile() 方法可以将本地文件或 HDFS 文件转换成 RDD
                  – 如果读取本地文件,各节点都要有该文件;或者使用网络共享文件
                  – 支持整个文件目录读取,如 textFile("/my/directory")
                  – 压缩文件读取,如 textFile("/my/directory/*.gz")
                  – 通配符文件读取,如 textFile("/my/directory/*.txt")
                  – textFile() 有可选的第二个参数 slice ,默认情况下,为每个 block 创建一个分片,用户也可以通过 slice 指定更多的分片,

                      但不能使用少于 block 数的分片
            ●使用 wholeTextFiles() 读取目录里面的小文件,返回 ( 文件名,内容 ) 对
            ●使用 sequenceFile[K,V]() 方法可以将 SequenceFile 转换成 RDD
            ●使用 hadoopRDD() 方法可以将其他任何 Hadoop 的输入类型转化成 RDD