Spark学习笔记2——RDD（上）
笔记摘抄自 [美] Holden Karau 等著的《Spark快速大数据分析》
RDD是什么？
弹性分布式数据集（Resilient Distributed Dataset，简称 RDD）
- Spark 的核心概念
- 一个不可变的分布式对象集合
- 每个 RDD 都被分为多个分区运行在集群的不同节点上
- RDD 可以包含 Python、Java、Scala 中任意类型的对象（可以自定义）
在 Spark 中，对数据的所有操作不外乎 创建 RDD、转化已有 RDD 以及 调用 RDD 操作 进行求值。而在这一切背后，Spark 会自动将 RDD 中的数据分发到集群上，并将操作并行化执行。
例子
创建 RDD 的两种方式：
- 读取一个外部数据集
- 驱动器程序里分发驱动器程序中的对象集合（比如 list 和 set）
这里通过读取文本文件作为一个字符串 RDD：
>>> lines = sc.textFile("README.md")
RDD 的两种操作：
- 转化操作（transformation）：由一个RDD 生成一个新的RDD，例如筛选数据
- 行动操作（action）：对RDD 计算出一个结果，并把结果返回到驱动器程序中，或把结果存储到外部存储系统（如HDFS）中
调用转化操作 filter() :
>>> pythonLines = lines.filter(lambda line: "Python" in line)
调用 first() 行动操作 :
>>> pythonLines.first()
u'high-level APIs in Scala, Java, Python, and R, and an optimized engine that'
@Notice
- “惰性计算”：RDD 只有在进行第一个 行动操作 时才会被计算[1]
- “持久化”：RDD默认会在每次行动操作时重新计算[2]，如果想要在多个行动操作中重复使用同一个 RDD ，需要对该 RDD 进行 “持久化”
把RDD 持久化[3]到内存中
>>> pythonLines.persist
<bound method PipelinedRDD.persist of PythonRDD[3] at RDD at PythonRDD.scala:53>
>>> pythonLines.count()
3
>>> pythonLines.first()
u'high-level APIs in Scala, Java, Python, and R, and an optimized engine that'
创建 RDD
并行化方式
把程序中一个已有的集合传给 SparkContext 的 parallelize() 方法，这种方式需要把整个数据集先放到一台机器的内存中，故不常用
JavaRDD<String> lines = sc.parallelize(Arrays.asList("pandas", "i like pandas"));
读取外部数据集方式
JavaRDD<String> lines = sc.textFile("/path/to/README.md");
RDD 操作
转化操作
RDD 的转化操作是返回一个新的RDD 的操作，比如 map() 和 filter()
例程（Java）
展示日志文件中所有错误记录
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import java.util.List;
public class CountError {
public static void main(String[] args) {
SparkConf sparkConf = new SparkConf().setAppName("CountError");
JavaSparkContext javaSparkContext = new JavaSparkContext(sparkConf);
JavaRDD<String> log = javaSparkContext.textFile(args[0]);
JavaRDD<String> errorsRDD = log.filter(
new Function<String, Boolean>() {
public Boolean call(String x) {
return x.contains("ERROR");
}
});
List<String> errors = errorsRDD.collect();
for (String output : errors) {
System.out.println(output);
}
javaSparkContext.stop();
}
}
日志文件内容
INFO:everything gonna be ok...
ERROR:something is wrong!
INFO:everything gonna be ok...
ERROR:something is wrong!
INFO:everything gonna be ok...
INFO:everything gonna be ok...
INFO:everything gonna be ok...
INFO:everything gonna be ok...
ERROR:something is wrong!
INFO:everything gonna be ok...
INFO:everything gonna be ok...
INFO:everything gonna be ok...
ERROR:something is wrong!
INFO:everything gonna be ok...
INFO:everything gonna be ok...
运行效果
[root@server1 spark-2.4.4-bin-hadoop2.7]# bin/spark-submit --class CountError ~/SparkTest2.jar ~/SparkTest2.log
...
19/09/10 16:33:10 INFO DAGScheduler: Job 0 finished: collect at CountError.java:20, took 0.423698 s
ERROR:something is wrong!
ERROR:something is wrong!
ERROR:something is wrong!
ERROR:something is wrong!
...
例程（Python）
>>> lines = sc.textFile("/root/SparkTest2.log")
>>> errorsRDD = lines.filter(lambda lines: "ERROR" in lines)
>>> infoRDD = lines.filter(lambda lines: "INFO" in lines)
>>> totalRDD = errorsRDD.union(infoRDD)
>>> lines.count()
21
>>> errorsRDD.count()
4
>>> infoRDD.count()
17
>>> totalRDD.count()
21
@Notice
转化操作可以操作任意数量的输入 RDD
Spark 会使用谱系图（lineage graph）来记录这些不同 RDD 之间的依赖关系，以此按需计算每个 RDD
@P.s.
也可以依靠谱系图在持久化的RDD 丢失部分数据时恢复所丢失的数据
行动操作
把最终求得的结果返回到驱动器程序，或者写入外部存储系统中的 RDD 操作
上文例程中的 count() 便是一个行动操作，另外还有 take() 、collect() 等操作
下面以 take() 为例，获取 union 后的 totalRDD 的前 10 条
>>> for line in totalRDD.take(10):print line
...
ERROR:something is wrong!
ERROR:something is wrong!
ERROR:something is wrong!
ERROR:something is wrong!
INFO:everything gonna be ok...
INFO:everything gonna be ok...
INFO:everything gonna be ok...
INFO:everything gonna be ok...
INFO:everything gonna be ok...
INFO:everything gonna be ok...
>>>
@P.s.
程序把RDD 筛选到一个很小的规模单台机器内存足以放下时才可以使用 collect()
惰性求值
RDD 的转化操作都是惰性求值的，在被调用行动操作之前 Spark 不会开始计算
- 不应该把 RDD 看作存放着特定数据的数据集，而最好把每个 RDD 当作我们通过转化操作构建出来的、记录如何计算数据的 指令列表
- 把数据读取到 RDD 的操作也同样是惰性的
- 读取数据的操作也有可能会多次执行