2. PySpark——RDD编程入门

2.1 程序执行入口SparkContext对象

Spark RDD 编程的程序入口对象是SparkContext对象(不论何种编程语言)

只有构建出SparkContext, 基于它才能执行后续的API调用和计算

本质上, SparkContext对编程来说, 主要功能就是创建第一个RDD出来

代码演示：

# coding:utf8# 导入Spark相关包
from pyspark import SparkConf, SparkContext
if __name__ == '__main__':# 构建SparkConf对象conf = SparkConf().setAppName ("helloSpark").setMaster("local[*]")# 构建SparkContext执行环境入口对象sc = SparkContext(conf=conf)

master的种类：

1. local：local[N]:表示以N核CPU执行，local[*]:给予local进程 所有CPU核心的使用权
2. standlone：spark：//node1:7077
3. yarn 模式

2.2 RDD的创建

RDD的创建主要有2种方式:

• 通过并行化集合创建 ( 本地对象 转 分布式RDD )

• 读取外部数据源 ( 读取文件 )

2.2.1 并行化创建

概念：并行化创建，是指将本地集合转向分布式RDD，这一步就是分布式的开端：本地转分布式

API：

rdd = spakcontext.parallelize(参数1，参数2)

参数1 集合对象即可，比如list

参数2 分区数

完整代码：

# coding:utf8
from pyspark import SparkConf,SparkContextif __name__ == '__main__':# 0. 构建Spark执行环境conf = SparkConf().setAppName("create rdd").setMaster("local[*]")sc = SparkContext(conf=conf)# sc 对象的parallelize方法，可以将本地集合转换成RDD返回给你data = [1,2,3,4,5,6,7,8,9]rdd = sc.parallelize(data,numSlices=3)print(rdd.collect())

执行结果：

Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
[1, 2, 3, 4, 5, 6, 7, 8, 9]Process finished with exit code 0

2.2.2 获取RDD分区数

getNumPartitions API :获取RDD分区数量，返回值是Int数字

用法：rdd.getNumPartitions()

例如，基于上述代码设置了3为分区数，调用以下代码

print(rdd.getNumPartitions())

则会输出结果：3

完整案例代码：01_create_parallelize.py

# coding:utf8# 导入Spark相关包
from pyspark import SparkConf, SparkContextif __name__ == '__main__':# 0. 初始化执行环境 构建SparkContext对象,本地集合--> 分布式对象（RDD）conf = SparkConf().setAppName ("test").setMaster("local[*]")sc = SparkContext(conf=conf)# 演示通过并行化集合的方式去创建RDDrdd = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9])# parallelize方法，没有给定分区数，默认分区数是多少？ 根据CPU核心来定print("默认分区数：", rdd.getNumPartitions())rdd = sc.parallelize([1, 2, 3], 3)print("分区数：", rdd.getNumPartitions())# collect方法，是将RDD（分布式对象）中每个分区的数据，都发送到Driver中，形成一个Python List对象# collect：分布式 转--> 本地集合print("rdd的内容是：", rdd.collect())print(type(rdd.collect()))

输出结果：

默认分区数： 8
分区数： 3
rdd的内容是： [1, 2, 3]
<class 'list'>

2.2.3 读取文件创建

textFileAPI

这个API可以读取本地数据，也可以读取hdfs数据

使用方法 ：

sparkcontext.textFile(参数1,参数2)

参数1，必填，文件路径 支持本地文件 支持HDFS 也支持一些比如S3协议

参数2 可选，表示最小分区数量

注意：参数2 话语权不足，spark有自己的判断，在它允许的范围内，参数2有效果，超出spark允许的范围，参数2失效

案例代码：02_create_textFile.py

# coding : utf8
from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("02_create_textFile").setMaster("local[*]")sc = SparkContext(conf=conf)# 通过textFile API 读取数据# 读取本地文件数据file_rdd1 = sc.textFile("../data/input/words.txt")print("默认读取分区数：", file_rdd1.getNumPartitions())print("file_rdd1 内容：", file_rdd1.collect())## # 加最小分区数的测试file_rdd2 = sc.textFile("../data/input/words.txt",3)file_rdd3 = sc.textFile("../data/input/words.txt",100)print("file_rdd2 分区数：", file_rdd2.getNumPartitions())print("file_rdd3 分区数：", file_rdd3.getNumPartitions())# 读取hdfs文件数据测试hdfs_rdd = sc.textFile("hdfs://Tnode1:8020/input/words.txt")print("hdfs_rdd 分区数：", hdfs_rdd.getNumPartitions())print("hdfs_rdd 内容：", hdfs_rdd.collect())

输出结果：

默认读取分区数： 2
file_rdd1 内容： ['hello spark', 'hello hadoop', 'hello flink']
file_rdd2 内容： 4
file_rdd3 内容： 38
hdfs_rdd 分区： 2
hdfs_rdd 内容： ['hello spark', 'hello hadoop', 'hello flink']

---

wholeTextFile 读取文件的API，有个适用场景：适合读取一堆小文件

这个API是小文件读取专用

用法：

sparkcontext.textFile(参数1,参数2)# 参数1，必填，文件路径 支持本地文件 支持HDFS 也支持一些比如S3协议# 参数2 可选，表示最小分区数量# 注意：参数2 话语权不足，spark有自己的判断，在它允许的范围内，参数2有效果，超出spark允许的范围，参数2失效

这个API偏向于少量分区读取数据

因为，这个API表明了自己是小文件读取专用，那么文件的数据很小、分区很多，

导致shuffle的几率更高，所以尽量少分区读取数据

案例代码：03_create_wholeTextFile.py

# coding:utf8
from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)# 读取小文件文件夹rdd = sc.wholeTextFiles("../data/input/tiny_files")print(rdd.collect())print(rdd.map(lambda x: x[1]).collect())

输出结果：

[('file:/tmp/pycharm_project_937/PySpark01/data/input/tiny_files/1.txt', 'hello spark\r\nhello hadoop\r\nhello flink'), ('file:/tmp/pycharm_project_937/PySpark01/data/input/tiny_files/2.txt', 'hello spark\r\nhello hadoop\r\nhello flink'), ('file:/tmp/pycharm_project_937/PySpark01/data/input/tiny_files/3.txt', 'hello spark\r\nhello hadoop\r\nhello flink'), ('file:/tmp/pycharm_project_937/PySpark01/data/input/tiny_files/4.txt', 'hello spark\r\nhello hadoop\r\nhello flink'), ('file:/tmp/pycharm_project_937/PySpark01/data/input/tiny_files/5.txt', 'hello spark\r\nhello hadoop\r\nhello flink')]
['hello spark\r\nhello hadoop\r\nhello flink', 'hello spark\r\nhello hadoop\r\nhello flink', 'hello spark\r\nhello hadoop\r\nhello flink', 'hello spark\r\nhello hadoop\r\nhello flink', 'hello spark\r\nhello hadoop\r\nhello flink']

2.3 RDD算子

算子是什么？

​ 算子：分布式集合对象上的API称之为算子

​ 方法、函数：本地对象的API，叫做方法、函数

​ 算子：分布式对象的API，叫做算子

算子分类

​ RDD的算子 分成2类

• ​ Transformation：转换算子
• ​ Action：动作（行动）算子

Transformation 算子：

​ 定义：RDD的算子，返回值任然是一个RDD的，称之为转换算子

​ 特性：这类算子lazy 懒加载的，如果没有action算子，Transformation算子是不工作的

Action算子

​ 定义：返回值不是rdd的就是action算子

对于这两类算子来说，Transformation算子，相当于在构建执行计划，action是一个指令让这个执行计划开始工作。

如果没有action，Transformation算子之间的迭代关系，就是一个没有通电的流水线，

只有action到来，这个数据处理的流水线才开始工作

2.4 常用Transformation算子

2.4.1 map算子

演示代码：04_operators_map.py

# coding:utf8
from pyspark import SparkConf, SparkContextdef addNum(data):return data * 10if __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd1 = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9], 4)rdd2 = rdd1.map(lambda x: x * 10)rdd3 = rdd1.map(addNum)result = rdd2.collect()print(result)print(rdd3.collect())

输出结果：

[10, 20, 30, 40, 50, 60, 70, 80, 90]
[10, 20, 30, 40, 50, 60, 70, 80, 90]

对于传入参数的lambda表达式

传入方法作为传参的时候，可以选择

1. 定义方法，传入其方法名
2. 使用lambda 匿名方法的方式

一般，如果方法体可以一行写完，用lambda方便。

如果方法体复杂，就直接定义方法更方便

2.4.2 flatMap算子

功能：对rdd执行map操作，然后进行解除嵌套操作

解除嵌套：

演示代码：05_operators_flatMap.py

# coding:utf8
from pyspark import SparkConf, SparkContextdef addNum(data):return data * 10if __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd1 = sc.parallelize(["hadoop spark hadoop", "spark hadoop hadoop", "hadoop flink spark"])# 得到所有的单词，组成rdd,flatMap的传入参数和map一致，就是给map逻辑用的，解除嵌套无需逻辑（传参）rdd2 = rdd1.flatMap(lambda line: line.split(" "))print(rdd2.collect())

输出结果：

['hadoop', 'spark', 'hadoop', 'spark', 'hadoop', 'hadoop', 'hadoop', 'flink', 'spark']

注意：flatMap只适合用于有“嵌套”的rdd，直接用于没有嵌套的rdd会报错

2.4.3 reduceByKey算子

功能：针对KV型的RDD，自动按照key分组，然后根据你提供的聚合逻辑，完成组内数据（value）的聚合操作。

用法：

rdd.reduceByKey(func)
# func:(V,V) ——>V
# 接收2个传入参数（类型要一致），返回一个返回值，类型和传入要求一致。

reduceByKey的聚合逻辑是：

比如，有[1,2,3,4,5],然后聚合函数是：lambda a,b: a+ b

注意：reduceByKey中接收的函数，只负责聚合，不理会分组

分组是自动 byKey来分组的。

代码演示：06_operators_reduceByKey.py

# coding:utf8
from pyspark import SparkConf, SparkContextdef addNum(data):return data * 10if __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([('a', 1), ('a', 1), ('b', 1), ('b', 1), ('a', 1)])rdd2 = sc.parallelize([('a', 1), ('a', 11), ('b', 3), ('b', 1), ('a', 5)])rdd3 = sc.parallelize([('a', 1), ('a', 11), ('b', 3), ('b', 1), ('a', 5)])rdd = rdd.reduceByKey(lambda a, b: a + b)rdd2 = rdd2.map(lambda x: (x[0], x[1] * 10))# 只操作value的算子rdd3 = rdd3.mapValues(lambda value: value * 10)# recudeByKey 对相同key的数据执行聚合相加print(rdd.collect())print(rdd2.collect())print(rdd3.collect())

输出结果：

[('a', 3), ('b', 2)]
[('a', 10), ('a', 110), ('b', 30), ('b', 10), ('a', 50)]
[('a', 10), ('a', 110), ('b', 30), ('b', 10), ('a', 50)]

2.4.4 WordCount回顾

代码演示：07_wordcount_example.py

# coding:utf8from pyspark import SparkContext, SparkConfif __name__ == '__main__':# 构建SparkConf对象conf = SparkConf().setAppName("test").setMaster("local[*]")# 构建SparkContext执行环境入口对象sc = SparkContext(conf=conf)# 1.读取文件获取数据 构建RDDfile_rdd = sc.textFile(r"../data/input/words.txt")# 2. 通过flatMap API取出所有的单词word_rdd = file_rdd.flatMap(lambda x: x.split(" "))# 3.将单词转换成元组，key是单词，value是1word_with_one_rdd = word_rdd.map(lambda word:(word,1))# 4. 用reduceByKey 对单词进行分组并进行value的聚合result_rdd = word_with_one_rdd.reduceByKey(lambda a,b:a+b)# 5. 通过collect算子，将rdd的数据收集到Driver中，打印输出print(result_rdd.collect())

输出结果：

[('hadoop', 1), ('hello', 3), ('spark', 1), ('flink', 1)]

2.4.5 groupBy算子

功能：将rdd的数据进行分组

语法：

rdd.groupBy(func)
# func 函数
# func:(T)——>k
# 函数要求传入一个参数，返回一个返回值，类型无所谓
# 这个函数是 拿到你返回值后，将所有相同返回值的放入一个组中
# 分组完成后，每一个组是一个二元元组，key就是返回值，所有同组的数据放入一个迭代器对象中作为value

代码演示：08_oprators_groupBy.py

# coding:utf8from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([('a', 1), ('a', 1), ('b', 1), ('b', 1), ('b', 1)])# 通过groupBy对数据进行分组# groupBy传入的函数的意思是：通过这个函数，确定按照谁来分组(返回谁即可)# 分组规则和SQL是一致的，也就是相同的在一个组（Hash分组）result = rdd.groupBy(lambda t: t[0])print(result.collect())print("hello")print(result.map(lambda t: (t[0], list(t[1]))).collect())

输出结果：

[('a', <pyspark.resultiterable.ResultIterable object at 0x7f85fa80eca0>), ('b', <pyspark.resultiterable.ResultIterable object at 0x7f85fa80ebb0>)]
hello
[('a', [('a', 1), ('a', 1)]), ('b', [('b', 1), ('b', 1), ('b', 1)])]

2.4.6 Filter算子

功能：过滤，把想要的数据进行保留

语法：

rdd.filter(func)
# func:(T)——>bool 传入1个随意类型参数进来，返回值必须是True or False

返回值是True的数据被保留，False的数据被丢弃

代码演示：09_operators_filter.py

# coding:utf8from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1, 2, 3, 4, 5, 6])# 通过Filter算子，过滤奇数,filter 只返回true的值result = rdd.filter(lambda x: x % 2 == 1)print(result.collect())

输出结果：

[1, 3, 5]

2.4.7 distinct算子

功能：对RDD数据进行去重，返回新的RDD

语法：

rdd.distinct(参数1)
# 参数1，去重分区数量，一般不用传

演示代码：10_operators_distinct.py

# coding:utf8from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1, 1, 1, 2, 2, 2, 3, 3, 3])# distinct 进行RDD数据去重操作print(rdd.distinct().collect())rdd2 = sc.parallelize([('a', 1), ('a', 1), ('a', 3)])print(rdd2.distinct().collect())

输出结果：

[1, 2, 3]
[('a', 3), ('a', 1)]

2.4.8 union算子

功能：2个rdd合并成1个rdd返回

用法：rdd.union(other_rdd)

注意：只合并，不会去重

代码演示：11_operators_union.py

# coding:utf8from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd1 = sc.parallelize([1, 1, 3, 3])rdd2 = sc.parallelize(["a","b","a"])rdd3 = rdd1.union(rdd2)print(rdd3.collect())print(rdd3.distinct().collect())"""
1. 可以看到union算子是不会去重的
2. RDD的类型不同也是可以合并的
"""

输出结果：

[1, 1, 3, 3, 'a', 'b', 'a']
[1, 3, 'b', 'a']

2.4.9 join算子

功能：对两个RDD执行JOIN操作（可实现SQL的内、外连接）

注意：join算子只能用于二元元组

语法：

rdd.join(other_rdd) #内连接
rdd.leftOuterJoin(other_rdd) # 左外
rdd.rightOuterJoin(other_rdd) # 右外

代码演示：12_operators_join.py

# coding:utf8from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd1 = sc.parallelize([(1001, "张三"), (1002, '李四'), (1003, '王五'), (1004, '赵六')])rdd2 = sc.parallelize([(1001, "销售部"), (1002, '科技部')])# 通过join算子来进行rdd之间的关联# 对于join算子来说 关联条件 按照二元元组的key来进行关联# 内连接print(rdd1.join(rdd2).collect())# 左外连接print(rdd1.leftOuterJoin(rdd2).collect())# 右外连接print(rdd1.rightOuterJoin(rdd2).collect())

输出结果：

[(1001, ('张三', '销售部')), (1002, ('李四', '科技部'))]
[(1001, ('张三', '销售部')), (1002, ('李四', '科技部')), (1003, ('王五', None)), (1004, ('赵六', None))]
[(1001, ('张三', '销售部')), (1002, ('李四', '科技部'))]

2.4.10 intersection 算子

功能：求2个rdd的交集，返回一个新rdd

用法：rdd.intersection(other_rdd)

代码演示：13_operators_intersection.py

# coding:utf8from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd1 = sc.parallelize([('a',1),('a',3)])rdd2 = sc.parallelize([('a',1),('b',3)])# 通过intersection算子求RDD之间的交集，将交集取出，返回新RDDrdd3 = rdd1.intersection(rdd2)print(rdd3.collect())

输出结果：

[('a', 1)]

2.4.11 glom算子

功能：将RDD的数据，加上嵌套，这个嵌套按照分区来进行

比如RDD数据[1,2,3,4,5]有两个分区

那么，被glom后，数据变成：[[1,2,3],[4,5]]

使用方法：rdd.glom()

代码演示：14_operators_glom.py

# coding:utf8from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10],2)rdd2 = sc.parallelize([1,2,3,4,5,6,7,8,9,10])print(rdd.glom().collect())print(rdd.glom().flatMap(lambda x:x).collect()) # 用flatMap解嵌套print(rdd2.glom().collect())

输出结果：

[[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]]
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
[[1], [2], [3], [4, 5], [6], [7], [8], [9, 10]]

2.4.12 groupByKey算子

功能：针对KV型RDD，自动按照key分组

用法：rdd.groupByKey() 自动按照key分组

代码演示：15_operators_groupByKey.py

# coding:utf8from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([('a', 1), ('a', 1), ('a', 1,), ('b', 1), ('b', 1)])rdd2 = rdd.groupByKey()print(rdd2.map(lambda x:(x[0],list(x[1]))).collect())

输出结果：

[('a', [1, 1, 1]), ('b', [1, 1])]

2.4.13 sortBy算子

功能：对RDD数据进行排序，基于你指定的排序依据

语法：

rdd.sortBy(func,ascending=False,numPartitions=1)
# func:(T)——>U:告知按照rdd中的哪个数据进行排序，比如lambda x:x[1] 表示按照rdd中的第二列元素进行排序
# ascending = True升序；False 降序
# numPartition：用多少分区来排序

注意：如果要全局有序，排序分区数请设置为1，因为生产环境下，分区数大于1，很可能只得到局部有序的结果

代码演示：16_operators_sortBy.py

# coding:utf8from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([('g', 3), ('c', 1), ('b', 2,), ('a', 9), ('h', 10), ('i', 4), ('l', 26,), ('o', 1), ('d', 7)])# 使用sortBy对rdd进行排序# 参数1 函数，表示的是，告诉spark按照数据的哪个列进行排序# 参数2 bool，True表示升序，False表示降序# 参数3 分区数设置"""注意：如果要全局有序，排序分区数请设置为1，因为生产环境下，分区数大于1，很可能只得到局部有序的结果"""rdd2 = rdd.sortBy(lambda x:x[1],ascending=True,numPartitions=3)rdd3 = rdd.sortBy(lambda x:x[0],ascending=True,numPartitions=8)print(rdd2.collect())print(rdd3.collect())

输出结果：

[('c', 1), ('o', 1), ('b', 2), ('g', 3), ('i', 4), ('d', 7), ('a', 9), ('h', 10), ('l', 26)]
[('a', 9), ('b', 2), ('c', 1), ('d', 7), ('g', 3), ('h', 10), ('i', 4), ('l', 26), ('o', 1)]

2.4.14 sortByKey

功能：针对KV型RDD，按照key进行排序

语法：

sortByKey(ascending=True,numPartitions=None,keyfunc=<function RDD,<lambda>>)

• ascending:升序或降序，True升序，False降序，默认是升序
• numPartitions：按照几个分区进行排序，如果全局有序，设置为1
• keyfunc：在排序前对key进行处理，语法是：(k)——>U,一个参数传入，返回一个值

代码演示：17_operators_sortByKey.py

# coding:utf8from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([('g', 3), ('A', 1), ('B', 2,), ('A', 9), ('h', 10), ('i', 4), ('l', 26,), ('o', 1), ('d', 7)])# 调用了忽略大小写的函数print(rdd.sortByKey(ascending=True, numPartitions=1, keyfunc=lambda key: str(key).lower()).collect())

输出结果：

[('A', 1), ('A', 9), ('B', 2), ('d', 7), ('g', 3), ('h', 10), ('i', 4), ('l', 26), ('o', 1)]

2.4.15 综合案例

代码演示：18_operators_demo.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)# 读取数据文件file_rdd = sc.textFile("../data/input/order.text")# 进行rdd数据的split 按照|符号进行，得到一个json数据jsons_rdd = file_rdd.flatMap(lambda line: line.split("|"))# 通过python内置的json库，完成json字符串到字典对象的转换dict_rdd = jsons_rdd.map(lambda json_str: json.loads(json_str))# 过滤数据，只保留北京的数据beijing_rdd = dict_rdd.filter(lambda d: d['areaName'] == '北京')# 组合北京和商品类型形成的字符串category_rdd = beijing_rdd.map(lambda x: x['areaName'] + '_' + x['category'])# 对结果集进行去重操作result_rdd = category_rdd.distinct()# 输出print(result_rdd.collect())

输出结果：

['北京_平板电脑', '北京_家具', '北京_书籍', '北京_食品', '北京_服饰', '北京_手机', '北京_家电', '北京_电脑']

2.4.16 将案例提交到yarn运行

改动1：加入环境变量，让pycharm运行yarn的时候，知道hadoop的配置在哪，可以去读取yarn的信息

import os
from defs_19 import city_with_category
# 导入自己写的函数时，把文件夹设置为SourceRoot就不会报错了
os.environ['HADOOP_CONF_DIR']= "/export/server/hadoop/etc/hadoop"

改动2：在集群上运行，本地文件就不可以用了，需要用hdfs文件

    # 在集群中运行，我们需要用HDFS路径，不能用本地路径file_rdd = sc.textFile("hdfs://Tnode1:8020/input/order.text")

改动3：

    """如果提交到集群运行，除了主代码以外，还依赖了其它的代码文件需要设置一个参数，来告知spark，还有依赖文件要同步上传到集群中参数叫做：spark.submit.pyFiles参数的值可以是单个.py文件，也可以是.zip压缩包（有多个依赖文件的时候可以用zip压缩后上传）"""conf.set("spark.submit.pyFiles","defs_19.py")

完整代码：19_operators_runOnYarn.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContext
import os
from defs_19 import city_with_category
# 导入自己写的函数时，把文件夹设置为SourceRoot就不会报错了
os.environ['HADOOP_CONF_DIR']= "/export/server/hadoop/etc/hadoop"
if __name__ == '__main__':# 提交到yarn集群，master设置为yarnconf = SparkConf().setAppName("SparkDemo01").setMaster("yarn")"""如果提交到集群运行，除了主代码以外，还依赖了其它的代码文件需要设置一个参数，来告知spark，还有依赖文件要同步上传到集群中参数叫做：spark.submit.pyFiles参数的值可以是单个.py文件，也可以是.zip压缩包（有多个依赖文件的时候可以用zip压缩后上传）"""conf.set("spark.submit.pyFiles","defs_19.py")sc = SparkContext(conf=conf)# 在集群中运行，我们需要用HDFS路径，不能用本地路径file_rdd = sc.textFile("hdfs://Tnode1:8020/input/order.text")# 进行rdd数据的split 按照|符号进行，得到一个json数据jsons_rdd = file_rdd.flatMap(lambda line: line.split("|"))# 通过python内置的json库，完成json字符串到字典对象的转换dict_rdd = jsons_rdd.map(lambda json_str: json.loads(json_str))# 过滤数据，只保留北京的数据beijing_rdd = dict_rdd.filter(lambda d: d['areaName'] == '北京')# 组合北京和商品类型形成的字符串category_rdd = beijing_rdd.map(city_with_category)# 对结果集进行去重操作result_rdd = category_rdd.distinct()# 输出print(result_rdd.collect())

依赖代码：defs_19.py

# coding:utf8def city_with_category(data):return data['areaName'] + '_' +data['category']

输出结果：

['北京_书籍', '北京_食品', '北京_服饰', '北京_平板电脑', '北京_家具', '北京_手机', '北京_家电', '北京_电脑']

在服务器上通过spark-submit 提交到集群运行

# --py-files 可以帮你指定你依赖的其它python代码，支持.zip(一堆)，也可以单个.py文件都行。
/export/server/spark/bin/spark-submit --master yarn --py-files ./defs.py ./main.py

服务器上程序运行结果：

注意，在服务器上跑时，需要把conf中的setMaster去掉

即conf = SparkConf().setAppName(“SparkDemo01”).setMaster(“yarn”)改为：

conf = SparkConf().setAppName(“SparkDemo01”)

2.5 常用Action算子

2.5.1 countByKey算子

功能：统计key出现的次数（一般适用于KV型的RDD）

代码演示：20_operators_countByKey.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.textFile("../data/input/words.txt")rdd2 = rdd.flatMap(lambda x:x.split(" ")).map(lambda x: (x, 1))# 通过countByKey来对key进行计数，这是一个Action算子result = rdd2.countByKey()print(result)print(list(result))print(result["hello"])print(type(result))

输出结果：

defaultdict(<class 'int'>, {'hello': 3, 'spark': 1, 'hadoop': 1, 'flink': 1})
['hello', 'spark', 'hadoop', 'flink']
3
<class 'collections.defaultdict'>

2.5.2 collect算子

功能：将RDD各个分区内的数据，统一收集到Driver中，形成一个List对象

用法：rdd.collect()

这个算子，是将RDD各个分区数据都拉取到Driver

注意的是，RDD是分布式对象，其数据量可以很大，

所以用这个算子之前要心知肚明地了解 结果数据集不会太大。

不然，会把Driver内存撑爆

2.5.3 reduce算子

功能：对RDD数据集按照你传入的逻辑进行聚合

语法：

rdd.reduce(func)
# func:(T,T)——>T
# 2参数传入1个返回值，返回值要和参数要求类型一致

代码演示：21_operators_reduce.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1,2,3,4,5])print(rdd.reduce(lambda a, b: a + b))

输出结果：

15

2.5.4 fold算子

功能：和reduce一样，接收传入逻辑进行聚合，聚合是带有初始值的，

这个初始值聚合会作用在：

• 分区内聚合
• 分区间聚合

比如：[[1,2,3],[4,5,6],[7,8,9]]

数据量分布在3个分区

分区1： 1、2、3 聚合的时候带上10作为初始值得到16

分区3： 4、5、6 聚合的时候带上10作为初始值得到25

分区4： 7、8、9 聚合的时候带上10作为初始值得到34

3个分区的结果做聚合也带上初始值10，所以结果是10+16+25+34 = 85

代码演示：22_operators_fold.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1,2,3,4,5,6,7,8,9],3)print(rdd.glom().collect())print(rdd.fold(10, lambda a, b: a + b))

输出结果：

[[1, 2, 3], [4, 5, 6], [7, 8, 9]]
85

2.5.5 first算子

功能：取出RDD的第一个元素

用法

sc.parallelize([3,2,1]).first()
输出：3

2.5.6 take算子

功能：取RDD的前N个元素。组合成list返回给你

用法：

>>> sc.parallelize([3,2,1,4,5,6]).take(5)
[3, 2, 1, 4, 5]

2.5.7 top算子

功能：对RDD数据集进行降序排序，取前N个

用法：

>>> sc.parallelize([3,2,1,4,5,6]).top(3) # 表示取降序前3个
[6, 5, 4]

2.5.8 count算子

功能：计算RDD有多少条数据，返回值是一个数字

用法：

>>> sc.parallelize([3,2,1,4,5,6]).count()
6

2.5.9 takeSample算子

功能：随机抽样RDD的数据

用法：

takeSample(参数1：True or False，参数2：采样数，参数3：随机数种子)
- 参数1：True表示允许取同一个数据，False表示不允许取同一个数据，和数据内容无关，是否重复表示的是同一个位置的数据（有、无放回抽样）
- 参数2：抽样要几个
- 参数3：随机数种子，这个参数传入一个数字即可，随意给

随机数种子 数字可以随便传，如果传同一个数字 那么取出的结果是一致的。

一般参数3 我们不传，Spark会自动给与随机的种子。

代码演示：23_operators_takeSample.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1, 3, 5, 3, 1, 3, 2, 6, 7, 8, 6],1)result = rdd.takeSample(False,5,1)# 随机抽样可以抽出相同的数据，只是位置不同而已# 随机数种子能让随机数不再继续发生变化print(result)

输出结果：

[2, 7, 6, 6, 3]

注意：

随机抽样可以抽出相同的数据，只是位置不同而已

随机数种子能让随机数不再继续发生变化

2.5.10 takeOrdered

功能：对RDD进行排序取前N个

用法：

rdd.takeOrdered(参数1，参数2)
- 参数1 要几个数据
- 参数2 对排序的数据进行更改（不会更改数据本身，只是在排序的时候换个样子）
这个方法按照元素自然顺序升序排序，如果你想玩倒叙，需要参数2 来对排序的数据进行处理

代码演示：24_operators_takeOrdered.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1, 3, 2, 4, 7, 9, 6], 1)print(rdd.takeOrdered(3))print(rdd.takeOrdered(3,lambda x:-x))

输出结果：

[1, 2, 3]
[9, 7, 6]

2.5.11 foreach算子

功能：对RDD的每一个元素，执行你提供的逻辑的操作（和map一个思想），但是这个方法没有返回值

用法：

rdd.foreach(func)
# func:(T) ——> None

代码演示：25_operators_foreach.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1, 3, 2, 4, 7, 9, 6], 1)rdd.foreach(lambda x: print(x * 10))

输出结果：

10
30
20
40
70
90
60

2.5.12 saveAsTextFile

功能：将RDD的数据写入文本文件中

支持本地写出，hdfs等文件系统

代码演示：

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1,3,2,4,7,9,6],3)rdd.saveAsTextFile("hdfs://Tnode1:8020/test/output/out1")

运行结果：

注意：保存文件API，是分布式执行的

这个API的执行数据是不经过driver的

如图，写出的时候，每个分区所在的Executor直接控制数据写出到目标文件系统中

所有才会一个分区产生一个结果文件

2.5.13 注意点

我们学习的action中：

• foreach
• saveAsTextFile

这两个算子是分区（Executor）直接执行的，跳过Driver，由分区所在的Executor直接执行

反之：其余的Action算子都会将结果发送至Driver

2.6 分区操作算子

2.6.1 mapPartitions算子

transformation算子

图解：

如图，mapPartition一次被传递的是一整个分区的数据

作为一个迭代器（一次性list）对象传入过来。

代码演示：27_operators_mapPartitions.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextimport timeif __name__ == '__main__':start_time = time.time()conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)# 效果和map一样，但是性能比map好，cpu计算没有省，但是网络IO少很多rdd = sc.parallelize([1,3,2,4,7,9,6],3)def process(iter):result = []for it in iter:result.append(it*10)return resultprint(rdd.mapPartitions(process).collect())# print(rdd.map(lambda x:x*10).collect())end_time = time.time()gap_time = (end_time - start_time)gap_time = round(gap_time, 4)  # 保留四位小数print("执行本程序共耗时：" + str(gap_time) + "s")

输出结果：

[10, 30, 20, 40, 70, 90, 60]
执行本程序共耗时：8.0515s

注意：效果和map一样，但是性能比map好，cpu计算没有省，但是网络IO少很多

2.6.2 foreachPartition算子

Action算子

功能：和普通foreach一致，一次处理的是一整个分区数据

代码演示：28_operators_foreachPartitions.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1,3,2,4,7,9,6],3)def process(iter):result = []for it in iter:result.append(it*10)print(result)rdd.foreachPartition(process)

输出结果：

[70, 90, 60]
[10, 30]
[20, 40]

foreachPartition 就是一个没有返回值的mapPartitions

2.6.3 partitionBy算子

transformation算子

功能：对RDD进行自定义分区操作

用法：

rdd.partitionBy(参数1，参数2)
- 参数1 重新分区后有几个分区
- 参数2 自定义分区规则，函数传入参数2：(K)——>int
一个传入参数进来，类型无所谓，但是返回值一定是int类型，
将key传给这个函数，你自己写逻辑，决定返回一个分区编号分区编号从0开始，不要超出分区数-1

代码演示：29_operators_partitionBy.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([('hadoop', 1), ('spark', 1), ("hello", 1), ("flink", 1), ("hadoop", 1), ("spark", 1)])# 使用partitionBy 自定义 分区def process(k):if 'hadoop' == k or 'hello' == k: return 0if 'spark' == k: return 1return 2print(rdd.partitionBy(3, process).glom().collect())

输出结果：分区依次为0、1、2

[[('hadoop', 1), ('hello', 1), ('hadoop', 1)], [('spark', 1), ('spark', 1)], [('flink', 1)]]

分区号不要超标，你设置3个分区，分区号只能是0 1 2

设置5个分区 分区号只能是0 1 2 3 4

2.6.4 repartition算子

transformation算子

功能：对RDD的分区执行重新分区（仅数量）

用法：

rdd.repartition(N)
传入N 决定新的分区数

代码演示：30_operators_repartition_and_coalesce.py

# coding:utf8import jsonfrom pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1, 2, 3, 4, 5], 3)# repartition 修改分区print(rdd.repartition(1).getNumPartitions())print(rdd.repartition(5).getNumPartitions())# coalesce 修改分区print(rdd.coalesce(1).getNumPartitions())print(rdd.coalesce(5,shuffle=True).getNumPartitions())

输出结果：

1
5
1
5

注意：对分区的数量进行操作，一定要慎重

一般情况下，我们写spark代码除了要求全局排序设置为1个分区外，

多数时候，所有API中关于分区相关的代码我们都不太理会

因为，如果你改分区了

1. 会影响并行计算（内存迭代的并行管道数量）后面学
2. 分区如果增加，极大可能导致shuffle

2.6.5 coalesce算子

transformation算子

功能：对分区进行数量增减

用法：

rdd.coalesce(参数1，参数2)
- 参数1，分区数
- 参数2，True or False
True表示允许shuffle，也就是可以加分区
False表示不允许shuffle，也就是不能加分区，False是默认

代码见2.6.4

对比repartition，一般使用coalesce较多，因为加分区要写参数2

这样避免写repartition的时候手抖了加分区了

2.6.6 mapValues算子

Transformation算子

功能：针对二元元组RDD，对其内部的二元元组的Value执行map操作

语法：

rdd.mapValues(func)
# func: (V)——> U
# 注意，传入的参数，是二元元组的 value值
# 我们这个传入的方法，只对value进行处理

代码演示：

# coding:utf8
from pyspark import SparkConf, SparkContextif __name__ == '__main__':conf = SparkConf().setAppName("create rdd").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([('a', 1), ('a', 11), ('a', 6), ('b', 3), ('b', 5)])# rdd.map(lambda x:(x[0],x[1]*10))# 将二元元组的所有value都乘以10进行处理print(rdd.mapValues(lambda x: x * 10).collect())

输出结果：

[('a', 10), ('a', 110), ('a', 60), ('b', 30), ('b', 50)]

2.6.7 join算子

Transformation算子

功能：对两个RDD执行join操作（可以实现SQL的内、外连接）

注意：join算子只能用于二元元组

代码见 2.4.9

2.7 面试题

groupByKey和reduceByKey的区别

在功能上的区别：

• groupByKey仅仅只有分组功能而已
• reduceByKey除了有ByKey的分组功能外，还有reduce聚合功能，所以是一个分组+聚合一体化的算子

如果对数据执行分组+聚合，那么使用这2个算子的性能差别是很大的

reduceByKey的性能是远大于：groupByKey+聚合逻辑的

因为：

如图，这是groupByKey+聚合逻辑的执行流程。

因为，groupByKey只能分组，所以，执行上是先分组（shuffle）后聚合

再来看reduceByKey：

如图，reduceByKey由于自带聚合逻辑，所以可以完成：

1. 先在分区内做预聚合
2. 然后再走分组流程（shuffle）
3. 分组后再做最终聚合

对于groupByKey，reduceByKey最大的提升在于，分组前进行了预聚合，那么在shuffle分组节点，被shuffle的数据可以极大地减少

这就极大地提升了性能

分组+聚合，首选reduceByKey，数据越大，对groupByKey的优势就越高

2.8 总结

1. RDD创建方式有哪几种方法？

​ 通过并行化集合的方式（本地集合转分布式集合）

​ 或者读取数据的方式创建（TextFile、WholeTextFile）

2. RDD分区数如何查看？

​ 通过getNumPartitions API查看，返回值Int

3. Transformation和Action的区别？
   转换算子的返回值100%是RDD，而Action算子的返回值100%不是RDD

   转换算子是懒加载的，只有遇到Action才会执行，Action就是转换算子处理链条的开关。

4. 哪两个Action算子的结果不经过Driver，直接输出？

​ foreach和saveAsTextFile 直接由Executor执行后输出，不会将结果发送到Driver上去

5. reduceByKey和groupByKey的区别？

   reduceByKey自带聚合逻辑，groupByKey不带

   如果做数据聚合reduceByKey的效率更好，因为可以先聚合后shuffle在最终聚合，传输的IO小

6. mapPartitions和foreachPartition的区别？

   mapPartitions带有返回值 foreachPartition不带

7. 对于分区操作有什么要注意的地方？

   尽量不要增加分区，可能破坏内存迭代的计算管道

3. RDD的持久化

3.1 RDD的数据是过程数据

RDD之间进行相互迭代计算（Transformation的转换），当执行开启后，新的RDD生成，代表老RDD的消失。

RDD的数据是过程数据，只在处理的过程中存在，一旦处理完成，就不见了。

这个特性可以最大化地利用资源，老旧RDD没用了 就从内存中清理，给后续的计算腾出内存空间。

如上图，rdd3被2次使用，第一次使用之后，其实RDD3就不存在了。

第二次使用的时候，只能基于RDD的血缘关系，从RDD1重新执行，构建出来RDD3，供RDD5使用。

3.2 RDD的缓存

3.2.1 缓存

对于上述的场景，肯定要执行优化，优化就是：

RDD3如果不消失，那么RDD1——>RDD2——>RDD3这个链条就不会执行2次，或者更多次

RDD的缓存技术：Spark提供了缓存API，可以让我们通过调用APi，将指定的RDD数据保留在内存或者硬盘上

缓存的API

# RDD3 被2次使用，可以加入缓存进行优化
rdd3.cache() # 缓存到内存中
rdd3.persist(StorageLevel.MEMORY_ONLY) # 仅内存缓存
rdd3.persist(StorageLevel.MEMORY_ONLY_2) # 仅内存缓存,2个副本
rdd3.persist(StorageLevel.DISK_ONLY) # 仅缓存硬盘上
rdd3.persist(StorageLevel.DISK_ONLY_2) # 仅缓存硬盘上,2个副本
rdd3.persist(StorageLevel.DISK_ONLY_3) # 仅缓存硬盘上,3个副本
rdd3.persist(StorageLevel.MEMORY_AND_DISK) # 先放内存，不够放硬盘
rdd3.persist(StorageLevel.MEMORY_AND_DISK_2) # 先放内存，不够放硬盘，2个副本
rdd3.persist(StorageLevel.OFF_HEAP) # 堆外内存（系统内存）# 如上API，自行选择使用即可
# 一般建议使用rdd3.persist(StorageLevel.MEMORY_AND_DISK)
# 如果内存比较小的集群，建议使用rdd3.persist(StorageLevel.DISK_ONLY)或者就别用缓存了 用CheckPoint# 主动清理缓存的API
rdd.unpersist()

3.2.2 缓存特点

• 缓存技术可以将过程RDD数据，持久化保存到内存或者硬盘上
• 但是，这个保存在设定上是认为不安全的。

缓存的数据在设计上是认为有丢失风险的。

所以，缓存有一个特点就是：其保留RDD之间的血缘（依赖）关系

一旦缓存丢失，可以基于血缘关系的记录，重新计算这个RDD的数据

缓存如何丢失：

1. 在内存中的缓存是不安全的，比如断电、计算任务内存不足，把缓存清理给计算让路
2. 硬盘中因为硬盘损坏也是可能丢失的。

代码演示：31_cache.py

# coding:utf8from pyspark.storagelevel import StorageLevelfrom pyspark import SparkConf, SparkContextimport timeif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)rdd1 = sc.textFile("../data/input/words.txt")rdd2 = rdd1.flatMap(lambda x: x.split(" "))rdd3 = rdd2.map(lambda x: (x, 1))# 给rdd3加缓存# rdd3.cache()rdd3.persist(StorageLevel.MEMORY_AND_DISK_2) # 设置缓存级别rdd4 = rdd3.reduceByKey(lambda a, b: a + b)result = rdd4.collect()print(result)rdd5 = rdd3.groupByKey()rdd6 = rdd5.mapValues(lambda x:sum(x))print(rdd6.collect())# 取消缓存rdd3.unpersist()time.sleep(10000000)

输出结果：

[('hadoop', 1), ('hello', 3), ('spark', 1), ('flink', 1)]
[('hadoop', 1), ('hello', 3), ('spark', 1), ('flink', 1)]

3.2.3 缓存是如何保存的

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-EP3ykOn3-1692435339403)(https://cdn.jsdelivr.net/gh/Sql88/BlogImg@main/img/%E7%BC%93%E5%AD%98%E6%98%AF%E5%A6%82%E4%BD%95%E4%BF%9D%E5%AD%98%E7%9A%842.png)]

如图，RDD是将自己分区的数据，每个分区自行将其数据保存在其所在的Executor内存和硬盘上。

这是分散存储

3.3 RDD的CheckPoint

3.3.1 RDD CheckPoint

CheckPoint技术，也是将RDD的数据，保存起来。

但是它仅支持硬盘存储

并且：

1. 它被设计认为是安全的
2. 不保留血缘关系

3.3.2 CheckPoint是如何保存数据的

如图：CheckPoint存储RDD数据，是集中收集各个分区数据进行存储。而缓存是分散存储

3.3.3 缓存和CheckPoint的对比

• CheckPoint不管分区数量多少，风险是一样的，缓存分区越多，风险越高
• CheckPoint支持写入HDFS，缓存不行，HDFS是高可靠存储，CheckPoint被认为是安全的
• CheckPoint不支持内存，缓存可以，缓存如果写内存，性能比CheckPoint要好一些
• CheckPoint因为设计是安全的，所以不保留血缘关系，而缓存因为设计上认为不安全，所以保留

3.3.4 代码

# 设置CheckPoint第一件事情，选择CP的保存路径
# 如果是Local模式，可以支持本地文件系统，如果在集群运行，千万要用HDFS
sc.setCheckpointDir("hdfs://node1:8020/output/bj52ckp")
# 用的时候，直接调用checkPoint算子即可。
rdd.checkpoint()

完整代码演示：32_checkPoint.py

# coding:utf8import jsonfrom pyspark.storagelevel import StorageLevelfrom pyspark import SparkConf, SparkContextimport timeif __name__ == '__main__':conf = SparkConf().setAppName("test").setMaster("local[*]")sc = SparkContext(conf=conf)# 1.告知spark，开启checkPoint功能sc.setCheckpointDir("hdfs://Tnode1:8020/output/ckp")rdd1 = sc.textFile("../data/input/words.txt")rdd2 = rdd1.flatMap(lambda x: x.split(" "))rdd3 = rdd2.map(lambda x: (x, 1))# 调用checkPoint API 保存数据即可rdd3.checkpoint()rdd4 = rdd3.reduceByKey(lambda a, b: a + b)result = rdd4.collect()print(result)rdd5 = rdd3.groupByKey()rdd6 = rdd5.mapValues(lambda x:sum(x))print(rdd6.collect())# 取消缓存rdd3.unpersist()time.sleep(10000000)

输出结果：

[('hadoop', 1), ('hello', 3), ('spark', 1), ('flink', 1)]
[('hadoop', 1), ('hello', 3), ('spark', 1), ('flink', 1)]

3.3.5 注意

CheckPoint是一种重量级的使用，也就是RDD的重新计算成本很高的时候，我们采用CheckPoint比较合适。

或者数据量很大，用CheckPoint比较合适。

如果数据量小，或者RDD重新计算是非常快的，用CheckPoint没啥必要

Cache和CheckPoint两个API都不是Action类型

所以，想要它俩工作，必须在后面接上Action

接上Action的目的，是让RDD有数据，而不是为了CheckPoint和Cache工作。

3.3.6 总结

1.Cache和CheckPoint的区别

• Cache是轻量化保存RDD数据，可存储在内存和硬盘，是分散存储，设计上数据是不安全的（保留RDD血缘关系）
• CheckPoint是重量级保存RDD数据，是集中存储，只能存储在硬盘（HDFS）上，设计上是安全的（不保留RDD血缘关系）

2.Cache和CheckPoint的性能对比？

• Cache性能更好，因为是分散存储，各个Executor并行执行，效率高，可以保存到内存中（占内存），更快
• CheckPoint比较慢，因为是集中存储，涉及到网络IO，但是存储到HDFS上更加安全（多副本）

4. Spark案例练习

4.1 搜索引擎日志分析案例

数据格式：

需求：

• 用户搜索的关键词分析
• 用户和关键词组合分析
• 热门搜索时间段分析

案例实现代码：

# coding:utf8from pyspark import SparkConf, SparkContext
from pyspark.storagelevel import StorageLevel
import jiebafrom operator import adddef context_jieba(data):"""通过jieba分词工具 进行分词操作"""seg = jieba.cut_for_search(data)l = []for word in seg:l.append(word)return ldef filter_words(data):"""过滤不要的 谷、帮、客 湖"""return data not in ['谷', '帮', '客', '湖']def append_words(data):"""修订某些关键词的内容"""if data == '传智播': data = '传智播客'if data == '院校': data = '院校帮'if data == '博学': data = '博学谷'if data == '数据': data = '数据湖'return (data, 1)def extract_user_and_word(data):"""传入数据是 元组(1,我喜欢传智播客)"""user_id = data[0]content = data[1]# 对content进行分词words = context_jieba(content)return_list = []for word in words:# 不要忘记过滤 \谷\帮\客\湖if filter_words(word):return_list.append((user_id + '_' + append_words(word)[0], 1))return return_listif __name__ == '__main__':conf = SparkConf().setAppName("SparkDemo2")sc = SparkContext(conf=conf)# 1.读取文件file_rdd = sc.textFile("hdfs://Tnode1/input/SogouQ.txt")# 2. 对数据进行切分 \tsplit_rdd = file_rdd.map(lambda x: x.split("\t"))# 3. 因为要做多个需求，split_rdd 作为基础的rdd 会被多次使用split_rdd.persist(StorageLevel.DISK_ONLY)# TODO:需求1：用户搜索的关键‘词’分析# 主要分析热点词# 将所有的搜索内容取出# print(split_rdd.takeSample(True, 3))context_rdd = split_rdd.map(lambda x: x[2])# 对搜索的内容进行分词分析words_rdd = context_rdd.flatMap(context_jieba)# print(words_rdd.collect())# 异常的数据：# 数据 湖 ——> 数据湖# 院校 帮 ——> 院校帮# 博学 谷 ——> 博学谷# 传智播 客——> 传智播客filtered_rdd = words_rdd.filter(filter_words)# 将关键词转换：传智播 --> 传智播客final_words_rdd = filtered_rdd.map(append_words)# 对单词进行分组、聚合、排序 求出前五名result1 = final_words_rdd.reduceByKey(lambda a, b: a + b). \sortBy(lambda x: x[1], ascending=False, numPartitions=1). \take(5)print("需求1结果：", result1)# TODO：需求2：用户和关键词组合分析# 1，我喜欢传智播客# 1 + 我 1+喜欢 1+传智播客user_content_rdd = split_rdd.map(lambda x: (x[1], x[2]))# 对用户的搜索内容进行分词，分词后和用户ID再次组合user_word_with_one_rdd = user_content_rdd.flatMap(extract_user_and_word)# 对内容进行分组、聚合、排序、求前5result2 = user_word_with_one_rdd.reduceByKey(lambda a, b: a + b). \sortBy(lambda x: x[1], ascending=False, numPartitions=1). \take(5)print("需求2结果：", result2)# TODO:需求3：热门搜索时间段分析# 取出来所有的时间time_rdd = split_rdd.map(lambda x: x[0])# 对时间进行处理，只保留小时精度即可hour_with_one_rdd = time_rdd.map(lambda x: (x.split(":")[0], 1))# 分组、聚合、排序result3 = hour_with_one_rdd.reduceByKey(add). \sortBy(lambda x: x[1], ascending=False, numPartitions=1). \collect()print("需求3结果：", result3)

输出结果：

需求1结果： [('scala', 2310), ('hadoop', 2268), ('博学谷', 2002), ('传智汇', 1918), ('itheima', 1680)]
需求2结果： [('6185822016522959_scala', 2016), ('41641664258866384_博学谷', 1372), ('44801909258572364_hadoop', 1260), ('7044693659960919_仓库', 1120), ('15984948747597305_传智汇', 1120)]
需求3结果： [('20', 3479), ('23', 3087), ('21', 2989), ('22', 2499), ('01', 1365)

4.2 提交到集群运行

# 普通提交
/export/server/spark/bin/spark-submit --master yarn SparkDemo2.py# 压榨集群式提交
# 每个executor吃14g内存，8核cpu，总共3个executor
/export/server/spark/bin/spark-submit --master yarn --executor-memory 14g --executor-cores 8 --num-executors 3 ./SparkDemo2.py

输出结果：

要注意代码中：

1. master部分删除
2. 读取的文件路径改为hdfs才可以

4.3 作业

代码演示：

# coding:utf8from pyspark import SparkContext, StorageLevel
from pyspark import SparkConfif __name__ == '__main__':conf = SparkConf().setAppName("sparkHomeWork01").setMaster("local[*]")sc = SparkContext(conf=conf)file_rdd = sc.textFile("../../data/input/apache.log")file_rdd.persist(StorageLevel.MEMORY_AND_DISK_2)# 需求1：TODO：计算当前网站访问的PV（被访问次数）visit_Num = file_rdd.count()print("当前网站的被访问次数：", visit_Num)  # 14# 需求2：TODO：当前网站访问的用户数userNum = file_rdd.distinct().count()print("当前网站的访问用户数：", userNum)  ## 需求3：TODO：有哪些IP访问了本网站？Ip_rdd1 = file_rdd.map(lambda x: x.split(" "))Ip_rdd1.cache()Ip_rdd2 = Ip_rdd1.map(lambda x: x[0]).distinct()# print(IP_rdd2.collect())print("有哪些IP访问了本网站：", Ip_rdd2.collect())# 需求4 TODO：哪个页面访问量最高page_rdd1 = Ip_rdd1.map(lambda x:x[-1])page_rdd2 = page_rdd1.map(lambda x:(x,1))page_rdd3 = page_rdd2.reduceByKey(lambda a,b:a+b)# page = page_rdd3.sortBy(lambda x:x[1],ascending=False,numPartitions=1).take(1)page = page_rdd3.takeOrdered(1,lambda x:-x[1])page = page[0]print(page)print("访问量最高的页面是：",page[0],"共被访问：",page[1],"次")

输出结果：sparkHomeWork01.py

当前网站的被访问次数： 14
当前网站的访问用户数： 9
有哪些IP访问了本网站： ['83.149.9.216', '10.0.0.1', '86.149.9.216']
('/presentations/logstash-monitorama-2013/css/print/paper.css', 13)
访问量最高的页面是： /presentations/logstash-monitorama-2013/css/print/paper.css 共被访问： 13 次

5. 共享变量

5.1 广播变量

5.1.1 问题引出

有如下代码：

上述代码，本地list对象和分布式对象RDD有了关联。如下图：

本地list对象，被发送到每个分区的处理线程上使用，也就是一个executor内，其实存放了2份一样的数据。

executor是进程，进程内资源共享，这2份数据没有必要，造成了内存浪费。

5.1.2 解决方案-广播变量

如果本地list对象标记为广播变量对象，那么

当上述场景出现的时候，Spark只会：

• 给每个Executor来一份数据，而不像原本那样，每一个分区的处理线程都来一份，节省内存。

如图，使用广播变量后，每个Executor只会收到一份数据集。

内部的各个线程（分区）共享这一份数据集。

使用方式：

# 1. 将本地list 标记成广播变量即可
broadcast = sc.broadcast(stu_info_list)# 2. 使用广播变量，从broadcast对象中取出本地list对象即可
value = broadcast.value# 也就是 先放进去broadcast内部，然后从broadcast内部在取出来用，中间传输的是broadcast这个对象了
# 只要中间传输的是broadcast对象，spark就会留意，只会给每个Executor发一份了，而不是傻傻的哪个分区都要给

代码演示：33_broadcast.py

# coding:utf8import jsonfrom pyspark.storagelevel import StorageLevelfrom pyspark import SparkConf, SparkContextimport timeif __name__ == '__main__':conf = SparkConf().setAppName("33_broadcast.py").setMaster("local[*]")sc = SparkContext(conf=conf)stu_info_list = [(1, '张大仙', 11),(2, '王晓晓', 13),(3, '张甜甜', 11),(4, '王大力', 11)]# 1.将本地Python List对象标记为广播变量broadcast = sc.broadcast(stu_info_list)score_info_rdd = sc.parallelize([(1, '语文', 99),(2, '数学', 99),(3, '英语', 99),(4, '编程', 99),(1, '语文', 99),(2, '编程', 99),(3, '语文', 99),(4, '英语', 99),(1, '语文', 99),(3, '英语', 99),(2, '编程', 99)])def map_func(data):name = ''id = data[0]# 匹配本地list和分布式rdd中的学生ID 匹配成功后 即可获得当前学生的姓名# 2.在使用到本地集合对象的地方，从广播变量中取出来用即可for stu_info in broadcast.value:if stu_info[0] == id:name = stu_info[1]breakreturn (name, data[1], data[2])print(score_info_rdd.map(map_func).collect())"""
广播变量使用场景：本地集合对象和 分布式集合对象(RDD) 进行关联的时候
需要将本地集合对象封装为广播变量
可以节省：
1. 网络IO的次数
2. Executor的内存占用
"""

输出结果：

[('张大仙', '语文', 99), ('王晓晓', '数学', 99), ('张甜甜', '英语', 99), ('王大力', '编程', 99), ('张大仙', '语文', 99), ('王晓晓', '编程', 99), ('张甜甜', '语文', 99), ('王大力', '英语', 99), ('张大仙', '语文', 99), ('张甜甜', '英语', 99), ('王晓晓', '编程', 99)]

5.2 累加器

5.2.1 需求

想要对map算子计算中的数据，进行数据累加，得到全部数据计算完后的累加结果

5.2.2 没有累加器的代码演示

# coding:utf8
from pyspark import SparkConf, SparkContext# 演示spark的accumulator累加器
if __name__ == '__main__':conf = SparkConf().setAppName("create rdd").setMaster("local[*]")sc = SparkContext(conf=conf)rdd = sc.parallelize([1,2,3,4,5,6,7,8,9,10],2)count = 0def map_func(data):global countcount += 1print(count)rdd.map(map_func).collect()print(count)# 代码中count 最后打印结果是0

输出结果：

1
2
3
4
5
1
2
3
4
5
0

代码的问题在于：

1. count来自driver对象，当在分布式的map算子中需要count对象的时候，driver会将count对象发送给每一个executor一份（复制发送）
2. 每个executor各自收到一个，在最后执行print(count) 的时候，这个被打印的count依旧是driver那个
3. 所以，不管executor中累加到多少，都和driver这个count无关

5.2.3 解决方法-累加器

代码演示：

# coding:utf8import jsonfrom pyspark.storagelevel import StorageLevelfrom pyspark import SparkConf, SparkContextimport timeif __name__ == '__main__':conf = SparkConf().setAppName("33_broadcast.py").setMaster("local[*]")sc = SparkContext(conf=conf)# 10条数据 2个分区rdd = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], 2)# count = 0# Spark 提供的累加器变量，参数是初始值acmlt = sc.accumulator(0)def map_func(data):global acmltacmlt += 1print(acmlt)rdd.map(map_func).collect()# rdd2 = rdd.map(map_func)# rdd2.cache()# rdd2.collect()# rdd3 = rdd2.map(lambda x:x)# rdd3.collect()print(acmlt)  # 结果是10"""累加器使用的注意点：某个rdd使用完后，再被新的rdd重新调用，有可能会产生和想象中不一样的结果避免方法：给需要重用的rdd加缓存"""

如上代码，将全部的count对象，都替换成acmlt对象即可

这个对象就是累加器对象，构建方式：sc.accumulator(初始值)即可构建。

这个对象唯一和前面提到的count不同的是，这个对象可以从各个Executor中收集它们的执行结果，作用回自己身上。

输出结果：

1
2
3
4
5
1
2
3
4
5
10

5.2.4 累加器的注意事项

如上代码，第一次rdd2被action后，累加器值是10，然后rdd2就没有了（没数据了）

当rdd3构建出来的时候，是依赖rdd2，rdd2没数据，那么rdd2就要重新生成

重新生成就导致累加器累加数据的代码再次被执行，

所以代码的结果是20

也就是说，使用累加器的时候，要注意，因为rdd是过程数据，如果rdd被多次使用

可能重新构建此rdd

如果累加器累加代码，存在重新构建的步骤中

累加器累加代码就可能被多次执行。

如何解决：加缓存或者CheckPoint即可

5.3 综合案例

5.3.1 需求

对上面的数据执行：

1. 正常的单词进行单词计数
2. 特殊字符统计出现有多少个

特殊字符定义如下：

abnormal_char = [",",".","!","#","$","%"]

代码演示：

# coding:utf8import jsonfrom pyspark.storagelevel import StorageLevelfrom pyspark import SparkConf, SparkContextimport time
import reif __name__ == '__main__':conf = SparkConf().setAppName("35_demo.py").setMaster("local[*]")sc = SparkContext(conf=conf)# 1.读取数据文件file_rdd = sc.textFile("../data/input/accumulator_broadcast_data.txt")# 特殊字符的List定义abnormal_char = [',', '.', '!', '#', '$', '%']# 2. 特殊字符list 包装成广播变量broadcast = sc.broadcast(abnormal_char)# 3.对特殊字符出现次数做累加，累加使用累加器最好acmlt = sc.accumulator(0)# 4.数据处理，先处理数据的空行,在Python中有内容就是True None就是Falselines_rdd = file_rdd.filter(lambda line: line.strip())# 5.去除前后的空格data_rdd = lines_rdd.map(lambda line: line.strip())# 6.对数据进行切分，按照正则表达式切分，因为空格分隔符某些单词之间是两个或多个空格# 正则表达式 \s+ 表示 不确定多少个空格，最少一个空格words_rdd = data_rdd.flatMap(lambda line: re.split("\s+", line))# 7. 当前words_rdd中有正常单词，也有特殊符号# 现在需要过滤数据，保留正常单词用于单词计数，在过滤的过程中 对特殊符号做计数def filter_func(data):global acmlt# 取出广播变量中存储的特殊符号lsitabnormal_chars = broadcast.valueif data in abnormal_chars:# 表示这个是特殊字符acmlt += 1return Falseelse:return Truenormal_words_rdd = words_rdd.filter(filter_func)# 8. 正常单词的单词计数逻辑result_rdd = normal_words_rdd.map(lambda x: (x, 1)). \reduceByKey(lambda a, b: a + b)print("正常单词计数结果：",result_rdd.collect())print("特殊字符数量：",acmlt)

输出结果：

正常单词计数结果： [('hadoop', 3), ('hive', 6), ('hdfs', 2), ('spark', 11), ('mapreduce', 4), ('sql', 2)]
特殊字符数量： 8

5.4 总结

1. 广播变量解决了什么问题？

   分布式集合RDD和本地集合进行关联使用的时候，降低内存占用以及减少网络IO传输，提高性能。

2. 累加器解决了什么问题

   分布式代码执行中，进行全局累加

6.Spark内核调度（重点理解）

6.1 DAG

6.1.1 DAG

Spark的核心是根据RDD来实现的，Spark Scheduler则为Spark核心实现的重要一环，其作用就是任务调度。Spark

的任务调度就是如何组织任务去处理RDD中每个分区的数据，根据RDD的依赖关系构建DAG，基于DAG划分Stage，

将每个Stage中的任务发到指定节点运行。基于Spark的任务调度原理，可以合理规划资源利用，做到尽可能用最少的

资源高效地完成任务计算。

以词频统计WordCount程序为例，DAG图：

DAG：有向无环图（拓扑结构）

有向：有方向

无环：没有闭环

DAG：有方向没有形成闭环的一个执行流程图

比如：

此图，就是一个典型的DAG图。

有方向：RDD1——>RDD2——>…——>collect结束

无闭环：以action(collect) 结束了，没有形成闭环循环

作用：标识代码的逻辑执行流程

6.1.2 Job和Action

Action：返回值不是RDD的算子

它的作用是一个触发开关，会将action算子之前的一串rdd依赖执行起来

如图，我们前面写的搜索引擎日志分析案例中，前两个需求就是2个action，就产生了2个DAG

结论：

1个Action会产生1个DAG，如果在代码中有3个Action就产生3个DAG

一个Action产生的一个DAG，会在程序运行中产生一个JOB

所以：1个ACTION = 1个DAG = 1个JOB

如果一个代码中，写了3个Action，那么这个代码运行起来产生3个JOB，每个JOB有自己的DAG

一个代码运行起来，在Spark中称之为：Application

层级关系：

1个Application中，可以有多个JOB，每一个JOB内含一个DAG，同时每一个JOB都是由一个Action产生的。

6.1.3 DAG和分区

DAG是Spark代码的逻辑执行图，这个DAG的最终作用是；为了构建物理上的Spark详细执行计划而生。

所以，由于Spark是分布式（多分区）的，那么DAG和分区之间也是有关联的。

rdd1 = sc.textFile()
rdd2 = rdd1.flatMap()
rdd3 = rdd2.map()
rdd4 = rdd3.reduceByKey()
rdd4.action()

假设，全部RDD都是3个分区在执行

如图，就得到了带有分区关系的DAG图

6.2 DAG的宽窄依赖和阶段划分

在Spark RDD前后之间的关系为：

• 窄依赖
• 宽依赖

窄依赖：父RDD的一个分区，全部将数据发送给子RDD的一个分区

宽依赖：父RDD的一个分区，将数据发送给子RDD的多个分区

宽依赖还有一个别名：shuffle

6.2.1 窄依赖

6.2.2 宽依赖

6.2.3 阶段划分

对于Spark来说，会根据DAG，按照宽依赖，划分不同的DAG阶段

划分依据：从后向前，遇到宽依赖就划分出一个阶段，称之为stage

如图，可以看到，在DAG中，基于宽依赖，将DAG划分成了2个stage

在stage的内部，一定都是：窄依赖

6.3 内存迭代计算

如图，基于带有分区的DAG以及阶段划分。可以从图中得到 逻辑上最优的task分配，一个task是一个线程来具体执行

那么如上图，task1中rdd1 rdd2 rdd3的迭代计算，都是由一个task(线程完成)，这一阶段的这一条线，是纯内存计算。

如上图，task1 task2 task3，就形成了三个并行的 内存计算管道。

Spark默认受到全局并行度的限制，除了个别算子有特殊分区情况，大部分的算子，都会遵循全局并行度的要求，来规划自己的分区数。

如果全局并行度是3，其实大部分算子分区都是3

注意：Spark ，我们一般推荐只设置全局并行度，不要在算子上设置并行度。

除了一些排序算子外，计算算子就让他默认开分区就可以了

---

6.3.1 面试题

面试题1：Spark是怎么做内存计算的？DAG的作用？Stage阶段划分的作用？

1. Spark会产生DAG图
2. DAG图会基于分区和宽窄依赖关系划分阶段
3. 一个阶段的内部都是窄依赖，窄依赖内，如果形成前后1:1的分区对应关系，就可以产生许多内存迭代计算的管道
4. 这些内存迭代计算的管道，就是一个个具体的执行Task
5. 一个Task是一个具体的线程，任务跑在一个线程内，就是走内存计算了。

---

面试题2：Spark为什么比MapReduce快

1. Spark的算子丰富，MapReduce算子匮乏（Map和Reduce），MapReduce这个编程模型，很难在一套MR中处理复杂的任务。很多复杂任务，是需要写多个MapReduce进行串联。多个MR串联通过磁盘交互数据。
2. Spark可以执行内存迭代，算子之间形成DAG，基于依赖划分阶段后，在阶段内形成内存迭代管道。但是MapReduce的Map和Reduce之间的交互依旧是通过硬盘来交互的。

总结：

1. 编程模型上Spark占优（算子够多）
2. 算子交互上，和计算行可以尽量多的内存计算而非磁盘迭代

6.4 Spark并行度

Spark的并行度：在同一时间内，有多少个task在同时运行

并行度：并行能力的设置

比如设置并行度6，其实就是要6个task并行在跑

在有了6个task并行的前提下，rdd的分区就被规划成6个分区了。

6.4.1 如何设置并行度

可以在代码中配置文件中以及提交程序的客户端参数中设置

优先级从高到低：

1. 代码中
2. 客户端提交参数中
3. 配置文件中
4. 默认（1，但是不会全部以1来跑，多数时候基于读取文件的分片数量来作为默认并行度）

全局并行度配置的参数：spark.default.parallelism

6.4.2 全局并行度-推荐

配置文件中：

conf/spark-defaults.conf 中设置
spark.default.parallelism 100

在客户端提交参数中：

bin/spark-submit --conf "spark.default.parallelism=100"

在代码中设置：

conf = SparkConf()
conf.set("spark.default.parallelism",100)

全局并行度是推荐设置，不要针对RDD改分区，可能会影响内存迭代管道的构建，或者会产生额外的shuffle

6.4.3 针对RDD的并行度设置-不推荐

只能在代码中写，算子：

• repartition算子
• coalesce算子
• partitionBy算子

6.4.4 集群中如何规划并行度

结论：设置为CPU总核心的2~10倍

比如集群可用CPU核心是100个，我们建议并行度是200~1000

确保是CPU核心的整数倍即可，最小是2倍，最大一般10倍或者更高（适量）均可

为什么要设置最少2倍？

CPU的一个核心同一时间只能干一件事。

所以，在100个核心的情况下，设置100个并行，就能让CPU100%出力。

这种设置下，如果task的压力不均衡，某个task先执行完了，就导致某个CPU核心空闲

所以，我们将Task（并行）分配的数量变多，比如100个并行，同一时间只有100个在运行，700个在等待，

但是可以确保，某个task运行完了，后续有task补上，不让cpu闲下来，最大程度利用集群的资源。

规划并行度，只看集群总CPU核数

6.5 Spark任务调度

Spark的任务，由Driver进行调度，这个工作包含：

1. 逻辑DAG产生
2. 分区DAG产生
3. Task划分
4. 将Task分配给Executor并监控其工作

如图，Spark程序的调度流程如图：

1. Driver被构建出来
2. 构建SparkContext（执行环境入口对象）
3. 基于DAG Scheduler（DAG调度器）构建逻辑Task分配
4. 基于TaskSchedule（Task调度器）将逻辑Task分配到各个Executor上干活，并监控它们。
5. Worker（Executor），被TaskScheduler管理监控，听从它们的指令干活，并定期汇报进度。

1，2,3,4都是Driver的工作

5是Worker的工作

6.5.1 Drivcer内的两个组件

DAG调度器：

工作内容：将逻辑的DAG图进行处理，最终得到逻辑上的Task划分

Task调度器：

工作内容：基于DAG Scheduler的产出，来规划这些逻辑的task，应该在哪些物理的executor上运行，以及监控管理它们的运行。

6.6 拓展-Spark概念名词大全

6.6.1 Spark运行中的概念名词大全

层级关系梳理：

1. 一个Spark环境可以运行多个Application
2. 一个代码运行起来，会成为一个Application
3. Application内部可以有多个Job
4. 每个Job由一个Action产生，并且每个Job有自己的DAG执行图
5. 一个Job的DAG图会基于宽窄依赖划分成不同的阶段
6. 不同阶段内基于分区数量，形成多个并行的内存迭代管道
7. 每一个内存迭代管道形成一个Task（DAG调度器划分将Job内划分出具体的task任务，一个Job被划分出来的task在逻辑上称之为这个job的taskset）

6.7 SparkShuffle

6.7.1MR Shuffle回顾

首先回顾MapReduce框架中Shuffle过程，整体流程图如下：

6.7.2 简介

Spark在DAG调度阶段会将一个Job划分为多个Stage，上游Stage做map工作，下游Stage做reduce工作，其本质上

还是MapReduce计算框架。Shuffle是连接map和reduce之间的桥梁，它将map的输出对应到reduce输入中，涉及

到序列化反序列化、跨节点网络IO以及磁盘读写IO等。

Spark的Shuffle分为Write和Read两个阶段，分属于两个不同的Stage，前者是Parent Stage的最后一步，后者是

Child Stage的第一步。

---

执行Shuffle的主体是Stage中的并发任务，这些任务分ShuffleMapTask和ResultTask两种，ShuffleMapTask要进行

Shuffle，ResultTask负责返回计算结果，一个Job中只有最后的Stage采用ResultTask，其他的均为ShuffleMapTask

。如果要按照map端和reduce端来分析的话，ShuffleMapTask可以即是map端任务，又是reduce端任务，因为

Spark中的Shuffle是可以串行的；ResultTask则只能充当reduce端任务的角色。

---

Spark在1.1以前的版本一直是采用Hash Shuffle的实现的方式，到1.1版本时参考Hadoop MapReduce的实现开始引

入Sort Shuffle，在1.5版本时开始Tungsten钨丝计划，引入UnSafe Shuffle优化内存及CPU的使用，在1.6中将

Tungsten统一到Sort Shuffle中，实现自我感知选择最佳Shuffle方式，到的2.0版本，Hash Shuffle已被删除，所有

Shuffle方式全部统一到Sort Shuffle一个实现中。

---

在Spark的中，负责shuffle过程的执行、计算和处理的组件主要就是ShuffleManager，也即shuffle管理器。ShuffleManager随着

Spark的发展有两种实现的方式，分别为HashShuffleManager和SortShuffleManager，因此spark的Shuffle有Hash Shuffle和Sort

Shuffle两种。

在Spark 1.2以前，默认的shuffle计算引擎是HashShuffleManager。该ShuffleManager而HashShuffleManager有着一个非常严重

的弊端，就是会产生大量的中间磁盘文件，进而由大量的磁盘IO操作影响了性能。

因此在Spark 1.2以后的版本中，默认的ShuffleManager改成了SortShuffleManager。SortShuffleManager相较于

HashShuffleManager来说，有了一定的改进。主要就在于，每个Task在进行shuffle操作时，虽然也会产生较多的临时磁盘文件，但

是最后会将所有的临时文件合并(merge)成一个磁盘文件，因此每个Task就只有一个磁盘文件。在下一个stage的shuffle read task拉

取自己的数据时，只要根据索引读取每个磁盘文件中的部分数据即可。

6.7.3 Sort Shuffle bypass机制

bypass运行机制的触发条件如下：

1. shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold=200参数的值。
2. 不是map combine聚合的shuffle算子(比如reduceByKey有map combie)。

bypass运行机制的触发条件如下：

1)shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold=200参数的值。

2)不是map combine聚合的shuffle算子(比如reduceByKey有map combie)。

• 此时task会为每个reduce端的task都创建一个临时磁盘文件，并将数据按key进行hash，然后根据key的hash值，

将key写入对应的磁盘文件之中。当然，写入磁盘文件时也是先写入内存缓冲，缓冲写满之后再溢写到磁盘文件的

。最后，同样会将所有临时磁盘文件都合并成一个磁盘文件，并创建一个单独的索引文件。

• 该过程的磁盘写机制其实跟未经优化的HashShuffleManager是一模一样的，因为都要创建数量惊人的磁盘文件，

只是在最后会做一个磁盘文件的合并而已。因此少量的最终磁盘文件，也让该机制相对未经优化的

HashShuffleManager来说，shuffle read的性能会更好。

而该机制与普通SortShuffleManager运行机制的不同在于：

第一，磁盘写机制不同;

第二，不会进行排序。也就是说，启用该机制的最大好处在于，shuffle write过程中，不需要进行数据的排序操作，

也就节省掉了这部分的性能开销

---

总结：

• SortShuffle也分为普通机制和bypass机制
• 普通机制在内存数据结构(默认为5M)完成排序，会产生2M个磁盘小文件。
• 而当shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold参数的值。或者算子不是聚合类的

shuffle算子(比如reduceByKey)的时候会触发SortShuffle的bypass机制，SortShuffle的bypass机制不会进行排序

，极大的提高了其性能。

6.7.4 Shuflle的配置选项

Shuffle阶段划分：

shuffle write：mapper阶段，上一个stage得到最后的结果写出

shuffle read ：reduce阶段，下一个stage拉取上一个stage进行合并

---

spark 的shuffle调优：主要是调整缓冲的大小，拉取次数重试重试次数与等待时间，内存比例分配，是否进行排序操作等等

spark.shuffle.file.buffer

参数说明：该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小（默认是32K）。将数据写到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写

到磁盘。

调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如64k），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO次数，进而提升性

能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

spark.reducer.maxSizeInFlight：

参数说明：该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次能够拉取多少数据。(默认48M)

调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现

，合理调节该参数，性能会有1%~5%的提升。

spark.shuffle.io.maxRetries and spark.shuffle.io.retryWait：

spark.shuffle.io.maxRetries ：shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试

的最大次数。（默认是3次）

spark.shuffle.io.retryWait：该参数代表了每次重试拉取数据的等待间隔。（默认为5s）

调优建议：一般的调优都是将重试次数调高，不调整时间间隔。

spark.shuffle.memoryFraction：

参数说明：该参数代表了Executor内存中，分配给shuffle read task进行聚合操作内存比例。

spark.shuffle.manager

参数说明：该参数用于设置shufflemanager的类型（默认为sort）.Spark1.5x以后有三个可选项：

Hash：spark1.x版本的默认值，HashShuffleManager

Sort：spark2.x版本的默认值，普通机制，当shuffle read task 的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数，自动开启bypass 机制

spark.shuffle.sort.bypassMergeThreshold

参数说明：当ShuffleManager为SortShuffleManager时，如果shuffle read task的数量小于这个阈值（默认是200），则shuffle write过程中不会进行排序操作。

调优建议：当你使用SortShuffleManager时，如果的确不需要排序操作，那么建议将这个参数调大一些

6.8 总结

1. DAG是什么有什么用？

DAG是有向无环图，用以描述任务执行流程，主要作用就是协助DAG调度器构建Task分配用以做任务管理

2. 内存迭代、阶段划分？

基于DAG的宽窄依赖划分阶段，阶段内部都是窄依赖可以构建内存迭代的管道

3. DAG调度器是？

构建Task分配以做任务管理