spark
UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架。
1、Spark Streaming：支持高吞吐量、支持容错的实时流数据处理
2、Spark SQL， Data frames: 结构化数据查询
3、MLLib：Spark 生态系统里用来解决大数据机器学习问题的模块
4、GraphX是构建于Spark上的图计算模型
Spark的运行模式
单机上以本地模式local运行、或以伪分布式模式运行
分布式的方式运行在Cluster集群中时，底层的资源调度可以使用Mesos 或者Yarn，也可以使用Spark自带的Standalone模式。
另外一种分法：master有local（调试方便）、yarn-client（普遍）、yarn-cluster、spark、mesos模式
Spark Standalone：需要部署Spark到相关节点，包括Master和Worker
Yarn-Cluster：Driver和Executor都运行在Yarn集群中
Yarn-Client：Driver运行在本地，Executor运行在Yarn集群中基本概念
(1) Application：用户编写的Spark应用程序,其中包含Driver功能的代码和分布在集群中多个节点上运行的Executor代码。
(2) Driver：运行Application的main()函数并且创建SparkContext，创建SparkContext的目的是为了准备Spark应用程序的运行环境。
SparkContext负责和ClusterManager通信，进行资源的申请、任务的分配和监控等。
当Executor部分运行完毕后，Driver同时负责将SparkContext关闭。通常用SparkContext代表Driver。
(3)Executor： 某个Application运行在Worker节点上的一个进程，该进程负责运行某些Task，并且负责将数据存在内存或者磁盘上。
每个Application都有各自独立的一批Executor。
(4)Cluster Manager：指的是在集群上获取资源的外部服务，目前有：
Standalone：Spark原生的资源管理，由Master负责资源的分配
Apache Mesos：与Hadoop MapReduce兼容性良好的一种资源调度框架；
Hadoop Yarn：主要是指的Yarn中的ResourceManager；
(5)Worker：集群中任何可以运行Application代码的节点
在Standalone模式中指的就是通过slave文件配置的Worker节点，在Spark on Yarn模式中指的就是NodeManager节点。
(6)Job：包含多个Task组成的并行计算，往往由Spark Action触发产生。一个Application中可能会产生多个Job。
(7)Stage：Job被拆分很多组Task，作为一个TaskSet，其名称为Stage。
Stage的划分和调度由下面的DAGScheduler负责。
Stage有非最终的Stage即Shuffle Map Stage和最终的Stage即Result Stage两种。
Stage的边界就是发生Shuffle的地方。
(8)Task：被送到某个Executor上的工作单元，是运行Application的基本单位。
多个Task组成一个Stage，而Task的调度及管理等由下面的TaskScheduler负责。
一个Job被拆分成若干个Stage，每个Stage执行一些计算，产生一些中间结果。
它们的目的是最终生成这个Job的计算结果。
而每个Stage是一个task set，包含若干个task。Task是Spark中最小的工作单元，在一个executor上完成一个特定的事情。
(9)RDD：Spark的基本计算单元，可以通过一系列算子进行操作（主要有Transformation 延迟执行 和Action操作）。
它表示已被分区、被序列化的、不可变的、有容错机制的并且能够被并行操作的数据集合。
A list of partitions
A function for computing each split
A list of dependencies on other RDDs
其存储级别可以是内存，也可以是磁盘，可通过spark.storage.StorageLevel属性配置。
1、直接从集合转化 sc.parallelize(List(1,2,3,4,5,6,7,8,9,10))
2、从各种(分布式)文件系统来 sc.textFile(“README.md”) sc.textFile(“hdfs://xxx”)
3、从现存的任何Hadoop InputFormat而来 sc.hadoopFile(keyClass, valClass, inputFormat,conf)
(10)共享变量：在Spark Application运行时，可能需要共享一些变量，提供Task或Driver等使用。
Spark提供了两种共享变量，一种是可以缓存到各个节点的广播变量，一种是只支持加法操作、可以实现求和的累加变量。
(11)宽依赖：ShuffleDependency，依赖需要计算好所有父RDD对应分区的数据，然后在节点之间进行Shuffle。
指父RDD的每个分区都可能被多个子RDD分区所使用，子RDD分区通常对应所有的父RDD分区(O(n)，与数据规模有关)
(12)窄依赖：RDD其分区最多被子RDD中的一个分区依赖。此种情况只有Map任务，是不需要发生Shuffle过程的。窄依赖又分为1:1和N:1两种。
(13)DAGScheduler：根据Job构建基于Stage的DAG，并提交Stage给TaskScheduler。其划分Stage的依据是根据RDD之间的依赖关系。
1、为每个Job分割stage，同时会决定最佳路径，并且DAG Sheduler会记录哪个RDD或者stage的输出被物化，从而来找到一个最优调度方案。
2、将TaskSet传给TaskScheduler3、重新提交那些输出lost的stage
(14)TaskScheduler：将Taskset提交给Worker（集群）运行，每个Executor运行什么Task就是在此处分配的。
1、提交tasks到集群并执行，假如出错就重试。
2、假如shuffle输出lost就报告fetch failed错误 3、遇到straggle task需要放到别的node上重试spark的2个优点：
内存计算（Job中间输出和结果可以保存在内存中，从而不再需要读写HDFS）
DAGSpark Streaming的核心思想是把流式处理转化为“微批处理”，即以"时间"为单位切分数据流，每个切片内的数据对应一个RDD，
最小抽象单位是Discretized Stream，常用操作foreachRDD
代码例子 object NetworkWordCount {
def main(args: Array[String]) {
StreamingExamples.setStreamingLogLevels()
val conf = new SparkConf().setMaster("local[2]").setAppName("NetworkWordCount")
val ssc = new StreamingContext(conf, Seconds(1))
val lines = ssc.socketTextStream("localhost", 9999)
val words = lines.flatMap(_.split(" "))
val wordCounts = words.map(x => (x, 1)).reduceByKey(_ + _)
wordCounts.print()
ssc.start()
ssc.awaitTermination() transformation 返回值还是一个RDD
窄依赖：
map List("dog", "salmon", "salmon", "rat", "elephant").map(_.length)
flatMap List(1, 2, 3), 2).flatMap(x => List(x, x, x)) = Array(1, 1, 1, 2, 2, 2, 3, 3, 3)
mapPartitions 对rdd中的每个分区的迭代器进行操作 while(x.hasNext){ 操作运算x.next()...
mapPartitionsWithIndex
filter (1 to 10).filter(_ % 2 == 0)
union 将两个RDD进行合并，不去重 等价操作符++ (sc.parallelize(datas1) ++ sc.parallelize(datas2)).foreach(println)
intersection 取交集 sc.parallelize(datas1).intersection(sc.parallelize(datas2)).foreach(println);
distinct 去重复 datas.distinct().foreach(println)
repartition 就是coalesce函数第二个参数为true的实现
coalesce 将RDD进行重分区，使用HashPartitioner。且该RDD的分区个数等于numPartitions个数。如果shuffle设置为true，则会进行shuffle。
partitions
cartesian 笛卡尔积
sample data.sample(withReplacement = false, 0.5, System.currentTimeMillis)
groupwith
crossProduct
mapvalues
sort
宽依赖： 常见于K-V style RDD
groupByKey [(3,dog),(4,lion)] [(3,cat)]..... => (4,[lion])(6,[spider])(3,[dog, cat])(5,[tiger, eagle])
reduceByKey List("dog", "tiger", "lion", "cat", "panther", "eagle").map(x => (x.length, x).educeByKey(_ + _) = Array((4,lion), (3,dogcat), (7,panther), (5,tigereagle))
cogroup 对多个RDD中的KV元素，每个RDD中相同key中的元素分别聚合成一个集合。与reduceByKey不同的是针对两个RDD中相同的key的元素进行合并。
sortByKey List((3, 3), (2, 2), (1, 4), (2, 3))).sortByKey(true)
aggregateByKey
sortBy sortBy(_._1) sortBy(_._2)...
其他
join 可能是宽依赖也可能是窄依赖，其区别是，当要对RDD进行join操作时，如果RDD进行过重分区则为窄依赖，否则为宽依赖。
(List((1, "苹果"), (2, "梨"), (3, "香蕉"), (4, "石榴"))).join(sc.parallelize(List((1, 7), (2, 3), (3, 8), (4, 3), (5, 9))))
= (4,(石榴,3)) (1,(苹果,7)) (3,(香蕉,8)) (2,(梨,3))
left outer join 左外连接，左边表中的值无论是否在b中存在时，都输出;右边表中的值，只有在左边表中存在时才输出。
right outer join 和 left outer join 相反。
举例：rdd={(1,2),(3,4),(3,6)} other={(3,9)}
join 对两个RDD进行内连接 rdd.join(other) {(3,(4,9)),(3,(6,9))}
rightOuterJoin 对两个RDD进行连接操作，右外连接rdd.rightOuterJoin(other) {(3,(4,9)),(3,(6,9))}
leftOuterJoin 对两个RDD进行连接操作，左外连接rdd.rightOuterJoin(other) {(1,(2,None)),(3,(4,9)),(3,(6,9))}
action 返回值是一个值，
reduce reduce(_ + _) 求和 满足结合律 交换律
count 计数
countByKey 仅适用于(K, V)类型，对key计数，返回(K, Int)
take 取前若干位
first 即take(1)
takeSample
saveasfile
saveAsTextFile
saveassequence
lookup
collect 转数组
foreach collect是从远程拉取到本地，经过网络传输，foreach是在远程集群上遍历 如果是在本地的话，差别不大
foreachPartition 这里function的传入参数是一个partition对应数据的iterator
spark工作流程
Spark的Application在运行的时候，首先在Driver程序中会创建sparkContext作为调度的总入口，
在其初始化过程中会分别创建DAGScheduler进行Stage调度 TaskScheduler进行Task调度两个模块。
DAGScheduler模块是基于Stage的调度模块，它为每个Spark Job计算具有依赖关系的多个Stage任务阶段，
然后将每个Stage划分为具体的一组任务（通常会考虑数据的本地性等）以TaskSet 的形式提交给底层的TaskScheduler模块来具体执行。
TaskScheduler负责具体启动任务，监控和汇报任务运行情况。而任务运行所需要的资源需要向Cluster Manager申请。
目前，用spark-submit工具来提交Spark Application，其基本提交格式为：spark-submit [options] <app jar file> [app options] 在其附加参数中可以指定Driver和Executor相关的配置信息。
获取rdd的方法
1、从共享的文件系统获取，(如：HDFS、HBase) var rdd = sc.textFile("hdfs:///qgzang/1.txt")
2、通过已存在的RDD转换
3、将已存在scala集合(只要是Seq对象)并行化 ，通过调用SparkContext的parallelize方法实现 var rdd = sc.parallelize(1 to 10)
wordcount例子：sc.textFile("README.md").flatMap(_.split(' ')).map((_,1)).reduceByKey(_+_) 其他方法是使用countByValue 和AggregateByKeyspark优化
1.减少shuffle
2.内存管理优化
3.配置项优化
4.数据序列化，数据结构优化
代码调优
1、复用相同RDD数据，避免重复创建多份RDD数据。
2、persist(StorageLevel.MEMORY_AND_DISK_SER RDD持久化操作调用cache()和persist(), cache相当于persist(StorageLevel.MEMORY)
3、尽量避免使用shuffle类算子（不是不使用） reduceByKey、join、distinct、repartition、groupByKey，cartesian ….
4、对于非巨型的大变量，使用广播变量Broadcast机制。好处：(1)每个excutor只存放份数据，而不是１个task一份(2)减小task序列化时间
场景：lookup表， mapside join
常规做法：
val rdd_A=…
val rdd_B=…
val rdd_C = rdd_A.join(rdd_B)
优化做法：
val rdd_A=…
val rdd_B=… .collect()
val rdd_B_Brd = sc.broadcast(rdd_B)
val rdd_C = rdd_A.map(x=> {
val key=x._1
val value1 = x._2
val value2 = rdd_B_Brd.value.getOrElse
(key, (value1, value2) )
})
5、使用高性能的RDD算子。
(1)使用reduceByKey/aggregateByKey替代groupByKey
(2)使用mapPartitions替代普通map(优化点，但小心OOM)
(3)使用foreachPartitions替代foreach（尤其是将结果数据输出到数据库时强烈建议使用）
(4)变化太多可能会产生很多小任务，使用coalesce(TRUE, n)代替repartition
6、使用Kryo优化序列化性能。spark默认的序列化机制是JAVA的ObjectOutputStream 兼容性好。但又大又慢
7、数据结构，尽量少使用Java对象。尽量使用字符串代替对象，使用原始类型（Int,long）替代字符串，使用数组替代集合类型，这样尽可能地减少内存占用，从而降低GC频率，提升性能。
只是尽量但也得兼顾代码可读性
8、计算并发度优化 管理操纵RDD、Partition数控制task计算的并行度 调优shuffle的并发度
9、其他。(1)无效数据处理能先过滤就先过滤，即filter前置。
(2)能减小数据处理的数据记录冗余则尽量减小。
比如： (key1,key2,value1,value2))需要基于key
((key1,key2),(key1,key2,value1,value2))
好的写法：((key1,key2),(value1,value2)
(3)有用本地运行则不用shuffle
如：A.map().reduceByKey().map().reduceByKey()
A.map().reduceByekey()
参数调优
1.driver-memory （1g-4g）
--防止spark应用OOM
2.num-executors
--控制节点并发
3.executor-memory (2-6G)
4.executor-cores (2-4个)
--决定task执行时长
5.spark.default.parallelism（默认同RDD分区数同）
--决定shuffle并发数
6.spark.yarn.executor.memoryOverhead
7. spark.kryoserializer.buffer.max （默认64Ｍ）环境调优
1、优化jar分发性能，防止jar重复上传。 如：
spark-submit hdfs://nameservice1/work/wis_2/wis.jar
spark-submit wis.jar //运行时会上传jar包到hdfs
2、数据本地化 HDFS和Mongodb
3、dir目录配置spark.local.dir(多目录,ssd) spark生态圈
HDFS
Hadoop分布式文件系统(Hadoop Distributed File System HDFS)被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统。
HDFS是一个高度容错性的系统，适合部署在廉价的机器上。
三个部分：
客户端（访问hdfs的入口）
nameserver（可理解为主控和文件索引类似linux的inode）一般有个secondary备份
datanode（存放实际数据的存server）
第一个block副本放在和client所在的node里（如果client不在集群范围内，则这第一个node是随机选取，当然系统会尝试不选择哪些太满或者太忙的node）；
第二个副本放置在与第一个节点不同的机架中的node中（随机选择）；
第三个副本和第二个在同一个机架，随机放在不同的node中。
优点： 1）处理超大文件 2）流式的访问数据
缺点： 1）不适合低延迟数据访问 2）无法高效存储大量小文件 3）不支持多用户写入及任意修改文件
Sc.textFile(path: String, minPartitions: Int = defaultMinPartitions)
Sc.objectFile[T](path: String, minPartitions: Int = defaultMinPartitions)
Rdd.saveAsTextFile(path: String): Unit
Rdd. saveAsObjectFile(path: String): Unit
RDD save到Hdfs后，RDD的每个分区都会对应于一个HDFS文件。如果一个RDD数据小，但分区多，则最好对RDD调整分区后，再保存。
RDD. Coalesce(N)
Coalesce用法注意：
1、如果将1000个分区转换成100个分区，这个过程不会发生shuffle，相反如果10个分区转换成100个分区将会发生shuffle。
2、也不能将N值设置太小，例如合并成一个分区，在数据量较大时会OOMKafka
Kafka是一个消息系统，原本开发自LinkedIn，用作LinkedIn的活动流（Activity Stream）和运营数据处理管道（Pipeline）的基础。
Broker：Kafka集群包含一个或多个服务器，这种服务器被称为broker
Topic：每条发布到Kafka集群的消息都有一个类别，这个类别被称为Topic，被分成多个partition，每个partition是个fifo队列
Partition：物理上的概念，每个Topic包含一个或多个Partition.
Producer：负责发布消息到broker，负责确定topic，负责确定partition，异步发送
producer的ack的3种模式：
0：这意味着生产者producer不等待来自broker同步完成的确认就继续发送下一条（批）消息。此选项提供最低的延迟但最弱的耐久性保证，因为其没有任何确认机制。
1：这意味着producer在leader已成功收到数据并得到确认后，再发送下一条消息。此模式leader的确认后就返回，而不管partion的follower是否已经完成。
-1：这意味着producer在follower副本确认接收到数据后才算一次发送完成。 此选项提供最好的耐久性，保证至少一个同步副本保持存活。
Consumer：消息消费者，向Kafka broker读取消息的客户端。
Consumer Group：每个Consumer属于一个特定的Consumer Group（可为每个Consumer指定group name，若不指定group name则属于默认的group）。
spark stream读取kafka数据，2个方式（1）利用接收器（receiver）和kafaka的高层API实现。（2）直接用kafka底层的API来实现。（生产上常用）本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
