Spark各个知识点总结.ppt

Spark各个知识点总结.ppt

《Spark各个知识点总结.ppt》由会员分享，可在线阅读，更多相关《Spark各个知识点总结.ppt（60页珍藏版）》请在冰豆网上搜索。

Spark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。

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。

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。

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Spark提供了Python，Java，Scala，SQL的API和丰富的内置库。

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：

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。

紧密集成，节省了各个组件组合使用时的部署，测试等时间。

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。

无缝连接不同的处理模型。

Spark的组件,SparkCore：

包含Spark的基本功能，包含任务调度，内存管理，容错机制等。

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。

SparkCore提供了很多APIs来创建和操作这些集合（RDDs）。

Spark的组件,SparkSQL：

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。

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:

是实时数据流处理组件，类似Storm。

SparkStreaming提供了API来操作实时流数据。

Spark的组件,MLlib:

Spark有一个包含通用机器学习功能的包，就是MLlib（machinelearninglib）。

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。

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。

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:

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。

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:

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。

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。

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,Spark是Scala写的,运行在JVM上。

所以运行环境是Java6或者以上。

如果想要使用PythonAPI，需要安装Python解释器2.6版本或者以上。

目前Spark（1.2.0版本）与Python3不兼容。

Spark下载,下载地址：

http:

/spark.apache.org/downloads.html，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。

解压：

tar-zxvfspark-1.2.0-bin-hadoop2.4.tgz,Spark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Shells,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）。

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。

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：

到Spark目录，Spark的PythonShell也叫做PySparkShellbin/pyspark打开PySparkShell之后的界面,Spark的Shells,打开Spark的ScalaShell：

到Spark目录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.RDDString=././testfile/helloSparkMappedRDD1attextFileat:

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,console,Spark的核心概念,Driverprogram：

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）它管理很多节点，我们称作executors。

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:

Driverprograms通过一个SparkContext对象访问Spark，SparkContext对象代表和一个集群的连接。

在Shell中SparkContext自动创建好了，就是sc，例子：

sc变量sc,Spark的核心概念,RDDs：

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。

RDDs是Spark分发数据和计算的基础抽象类。

用SparkContext创建RDDs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.RDDString=MappedRDD.scalavalworldLines=lines.filter（line=line.contains（world）pythonLines:

spark.RDDString=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。

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。

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,RDDsResilientdistributeddatasets（弹性分布式数据集，简写RDDs）。

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Partitions是Spark中的并行处理的单元。

Spark顺序的，并行的处理partitions。

RDDs是Spark的分发数据和计算的基础抽象类，是Spark的核心概念。

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。

在Spark中，所有的计算都是通过RDDs的创建，转换，操作完成的。

RDD具有lineagegraph（血统关系图）。

RDDs的创建方法,Driverprogram中创建RDDs：

把一个存在的集合传给SparkContextsparallelize（）方法。

这种方法，一般只适用