spark_API

1、概述

总的来讲，每一个spark驱动程序应用都由一个驱动程序组成，该驱动程序包含一个由用户编写的main方法，该方法会在集群上执行一些并行计算操作。Spark最重要的一个概念是弹性分布式数据集，简称RDD，RDD是一个数据容器，他将分布式在集群上各个节点上的数据抽象为一个数据集，并且RDD能够进行一系列的并行计算操作。可以将RDD理解为一个分布式的List，该List的数据为分布在各个节点上的数据。RDD通过读取Hadoop文件系统中的一个文件进行创建，也可以有一个RDD经过转换得到。用户也可以将RDD缓存到内存，从而高效的处理RDD，提高计算效率。另外，RDD有良好的容错机制。

Spark另外一个重要概念是共享变量。在并行计算时，可以方便的使用共享变量。在默认情况下，执行Spark任务时会在多个节点上并行执行多个task，Spark将每个每个变量的副本分发给各个task。在一些场景下，需要一个能够在各个task间共享的变量。Spark支持两种类型的共享变量：

广播变量：将一个只读变量缓存到集群的每个节点上。例如，将一份数据的只读缓存分发到每个节点。

累加变量：只允许add操作，用于计数、求和。

2、引入spark

groupId = org.apache.spark
artifactId = spark-core_2.10
version = 1.6.0

groupId = org.apache.hadoop
artifactId = hadoop-client
version = <your-hdfs-version>

import org.apache.spark.SparkContext

import org.apache.spark.SparkConf

3、初始化Spark

使用Scala编写Spark程序首先需要创建一个SparkContext对象（Java则使用JavaSparkContext）。SparkContext对象指定了Spark应用访问集群的方式。创建SparkContext需要先创建一个SparkConf对象，SparkConf对象包含了Spark应用的一些列信息。

//scala
val conf = new SparkConf().setAppName(appName).setMaster(Master)

new SparkContext(conf)

==========================

//Java
SparkConf conf = new SparkConf().setAppName(appName).setMaster(master);

JavaSparkContext sc = new JavaSparkContext(conf);

appName参数为应用程序在集群的UI上显示的名字。master为Spark、Mesos、Yarn URL或local。使用local值时，表示在本地模式下运行程序。应用程序的执行模型也可以在使用spark-submit命令提交任务时进行指定。

3.1 使用Spark Shell

在spark Shell下，一个特殊的Sparkcontext对象已经帮用户创建好，变量为sc。使用参数--master设置master参数值，使用参数--jars设置依赖包，多个jar包使用逗号分隔。可以使用--packages参数指定maven坐标来添加依赖包，多个坐标使用逗号分隔。可以使用参数--repositories添加外部的repository。示例如下：

本地模式下，使用4个核运行Spark程序：

$ ./bin/spark-shell --master local[4]

• 将code.jar包添加到classpath：

$ ./bin/spark-shell --master local[4] --jars code.jar

• 使用Maven坐标添加一个依赖：

$ ./bin/spark-shell --master local[4] --packages "org.example:example:0.1"

4 、弹性分布式数据集（RDDs）

Spark最重要的一个概念就是RDD，RDD是一个有容错机制的元素容器，他可以进行并行计算操作。得到RDD的方式有两个：

通过并行化驱动程序中已有的一个集合来获得

通过外部存储系统（例如共享的文件系统，HDFS、HBase等）的数据集进行创建

4.1 并行集合

在驱动程序中，在一个已经存在的集合上（例如一个Scala的Seq）调用SparkContext的parallelize方法可以创建一个并行集合。集合里的元素将被复制到一个可被并行操作的分布式数据集中。下面为并行化一个保存数据1到5的集合进行示例：

//Scals
val data = Array(1,2,3,4,5)
val distData = sc.parallelize(data)
//Java
List<Integer> data = Arrays.asList(1,2,3,4,5);
JavaRDD<Integer> distData = sc.parallelize(data);

当分布式数据集创建之后，就可以进行并行操作。例如，可以调用方法distData.reduce((a.b)=>a+b)求数组内元素的和。Spark支持的分布式数据集上的操作将在后面章节中详细描述。

并行集合的一个重要的参数是表示将数据划分为几个分区的分区数。Spark将在集群上每个数据分区上启动一个task。通常情况下，你可以在集群上为每个CPU设置2-4个分区。一般情况下，Spark基于集群自动设置分区数目。也可以手动进行设置，设置该参数需要将参数值作为第二个参数传给parallelize方法，例如：sc.parallelize(data,10).注意：在代码中，部分位置使用术语slices（而不是partition），这么做的原因是为了保持版本的向后兼容性。

4.2 外部数据库

Spark可以通过Hadoop支持的外部数据源创建分布式数据集，Hadoop支持的数据源有本地系统、HDFS、Cassandra、HBase、Amazon S3、Spark支持的文本文件、SequenceFiles、Hadoop InputFormat.

SparkContext的testFile方法可以创建文本文件RDD。使用这个方法需要传递文本文件的URI，URI可以为本机文件路径、hdf://、s3n://等。该方法读取文本文件的每一行到容器中。示例如下：

//Scala
val distFile = sc.textFile("data.txt")
distFile: RDD[String] = MappedRDD@1d4cee08
//Java
JavaRDD<String> distFile = sc.textFile("data.txt");

创建之后，distFile就可以进行数据集的通用操作。例如，使用map和reduce操作计算素有行的长度的总和：distFile.map(s => s.length).reduce((a,b) => a+b).
使用Spark读取文件需要注意以下几点：

程序中如果使用到本地文件路径，在其他worker节点上该文件必须在同一目录，并具有访问权限。在这种情况下，可以将文件复制到所有的work结点。也可以使用网络内的共享文件系统。

Spark所有的基于文件输入的方法（包括textFile），都支持文件夹、压缩文件、通配符。例如：textFile（"/my/directory"）、textFile（“/my/directory/*.txt”）、textFile（“/my/directory/*.gz”）

textFile方法提供了一个可选的第二参数，用于控制文件的分区数。默认情况下，Spark为文件的每个块创建一个分区（块使用HDFS的默认值64M），通过设置这个第二个参数可以修改这个默认值。需要注意的是，分区数不能小于块数。

除此之外，Spark还支持其他的数据格式：

sparkContext.wholeTextFiles能够读取指定目录下的许多小文本文件，返回（filename，content）对。而textFile只能读取一个文本文件，返回该文本文件的每一行。

对于sequenceFiles可以使用SparkContext的sequenceFile[K,V]方法，其中K是文件中key和value的类型。他们必须为像IntWritable和Text那样，是Hadoop的Writable接口的子类。另外，对于通用的Writable，Spark允许用户指定原生类型。例如，sequenceFile[Int,String]将自动读取IntWritable和Text。

对于其他hadoop InputFormat,可以使用SparkContext.hadoopRDD方法，该方法接收任意类型的JobConf和JocConf和输入格式类、键值类型。可以像设置Hadoop job那样设置输入源。对于InputFormat还可以使用基于新版本MapReduce API的AparkContext.newAPIHadoopRDD。

RDD.saveAsObjectFile和SparkContext.objectFile能够保存包含简单的序列化java对象的RDD。但是这个方法不如AVRO高效。

4.3 RDD操作

RDD支持两种类型的操作：

transformation：从一个RDD转换为一个新的RDD

action：基于一个数据集进行运算，并返回RDD

例如，map是一个transformation操作，map将数据集的每一个元素按指定的函数转换为一个RDD返回。reduce是一个aciton操作，reduce将RDD的所有元素按指定的函数进行聚合并返回结果给驱动程序（还有一个并行的reduceByKey能够返回一个分布式的数据集）

Spark的所有transformation操作都是懒执行，他们并不立马执行，而是先记录对数据集的一系列transformation操作。在执行一个需要执行一个action操作时，会执行该数据数据集上所有的transformation操作，然后返回结果。这种设计让Spark的运算更高效。例如，对一个数据集map操作之后使用reduce只返回结果，而不能返回庞大的map运算的结果集。

默认情况下，每个转换的RDD在执行action操作时都会重新计算。即使两个action操作会使用同一个转换的RDD，该RDD也会重新计算。在这种情况下，可以使用persist方法或cache方法将RDD缓存到内存，这样在下次使用这个RDD时将会提高计算效率。在这里，也支持RDD持久化到磁盘，或在多个节点上复制。

4.3.1 基础

参考下面的程序，了解RDD的基本轮廓

//Scala
val lines = sc.textFile(“data.text")
val lineLengths = lines.map(s=>s.length)
val totalLength = lineLengths.reduce((a,b)=>a + b)
//Java
JavaRDD<String> lines = sc.textFile("data.txt")
JavaRDD<Integer> lineLengths = lines.map(s->s.length());
int totalLength = lineLengths.reduce((a,b)->a + b);

第一行通过读取一个文件创建一个基本的RDD。这个数据集没有加载到内存，也没有进行其他的操作，变量lines仅仅是一个执行文件的指针。第二行为transformation操作map的结果。此时lineLengths也没有进行运算，因为map操作为懒执行。最后，执行action操作reduce。此时Spark将运算分隔成多个任务分发给多个机器，每个机器执行各自部分的map并进行本地的reduce，最后返回运行结果给驱动程序。

如果在后面的运算中仍会用到lineLengths，可以将其缓存，在reduce操作之前添加如下代码，该persist将在lineLengths第一次计算得到后将其缓存到内存：

//scala

linelengths.persist()

//Java

lineLengths.persist(StorageLevel.MEMEORE_ONLY());

4.3.2 把函数传递到Spark（Passing Functions to Spark)

//Scala

Spark的API，在很大程度上依赖把驱动程序中的函数传递到集群上运行。这有两种推荐的实现方式：

使用匿名函数的语法，这可以让代码更加简洁。

使用全局单例对象的静态方法。比如，你可以定义函数对象object MyFunctions，然后将该对象的MyFunction.func1方法传递给Spark，如下所示：

object MyFunctions{

def func1(s: String):String = {...}

}

myRdd.map(MyFunctions.func1)

注意：由于可能传递的是一个类实例方法的引用（而不是一个单例对象），在传递方法的时候，应该同时传递包含该方法的类对象。举个例子：

class MyClass{

def func1(s: String): String = {...}

def doStuff (rdd:RDD[String]):RDD[String] ={rdd.map(func1)}

}

}

上面的示例中，如果我们创建了一个类实例new MyClass，并且调用了实例的doStuff方法，该方法中的map操作调用了这个MyClass实例的func1方法，所以需要将整个对象传递到集群中。类似于写成：rdd.map(x=>this.func1(x))。

类似地，访问外部对象的字段时将引用整个对象：

class MyClass{
  val field = "Hello"
   def doStuff(rdd:RDD[String]): RDD[String] = {
   rdd.map(x=>field + x)
}    
}

等同于写成rdd.map(x=>this.field+x),引用了整个this。为了避免这个问题，最简单的方式是把field拷贝到本地变量，而不是去外部访问它：

def doStuff(rdd:RDD[String]):RDD[String]={
  val field_ = this.field
  rdd.map(x=>field_ + x)
}

//Java

Spark的API，在很大程度上依赖于把驱动程序中的函数传递到器群上运行。在Java中，函数由那些实现了org.apache.spark.api.java.function包中的接口表示。由两种创建这样的函数的方式：

在自己的类中实现Function接口，可以是匿名内部类，或者命名类，并且传递类的一个实例到Spark

在Java8中，使用lambda表达式来简明地定义函数的实现

为了保持简洁性，本指南中大量使用了lambda语法，这在长格式中很容易使用所有相同的APIs。比如我们可以把上面的代码写成：

JavaRDD<String> lines = sc.textFile("data.txt")
JavaRDD lineLengths = lines.map(new Function Integer>(){
public Integer call (String s) { return s.length();}
});

int totaLength = lineLengths.reduce(new Function2 Integer, Integer>(){
    public Integer call(Integer a, Integer b){return a + b}
});

同样的功能，使用内联式的实现显得更为笨重繁琐，代码如下：

class GetLeng implements Function Integer>{
  public Integer call(String s) {return s.length();}
}

class sum implements Funciton2 Integer, Integer>{
  public Integer call(Integer a, Integer b){
  reurn a + b;
}
}

JavaRDD lines = sc.textFile("data.txt");
JavaRDD lineLengths = lines.map(new GetLength());
int totalLength = lineLengths.reduce(new Sum());

注意，java中的内部匿名类，只要带有final关键字，就可以访问类范围内的变量。Spark也会把变量复制到每一个worker节点。

4.3.3 理解闭包

使用Spark的一个难点为：理解程序在集群中执行时变量和方法的生命周期。RDD操作可以在变量范围之外修改变量，这是一个经常导致迷惑的地方。比如下面的例子，使用foreach（）方法增加计时器countter的值。

4.3.3.1示例

参考下面简单的RDD元素求和示例，求和运算是否在同一个JVM中执行，其复杂度也不同。Spark可以在local模式下（--master = local[n]）执行应用，也可以将该Spark应用提交到集群上执行（例如通过spark-submit提交到YARN）：

//scala

var counter = 0
var rdd = sc.parallelize(data)

//wrong
rdd.foreach(x=>counter ++ x)

println("counter value:" + counter)

//Java

int counter = 0;
JavaRDD<Integer> rdd = sc.parallelize(data);

//wrong
rdd.foreach(x->counter +=x);
println("counter value:" + counter);

上面是错误的，应该使用累加器

4.3.3.2 本地模式VS集群模式

在本地模式下仅有一个JVM，上面的代码将直接计算RDD中元素和，并存储到counter中。此时RDD和变量counter都在driver节点同一内存空间中。

然而，在集群模式下，情况会变得复杂，上面的代码并不会按照预期的方式执行。为了执行这个job，Spark把处理RDD的操作分割成多个任务，每个任务将被一个executor处理。在执行之前，Spark首先计算闭包。闭包必须对executor可见的变量和方法，在对RDD进行运算时建辉用到这些变量和方法（本例中指foreach（））。这个闭包会被序列化，并发送给每个executor。在local模式下，只有一个executor，所以所有的变量和方法都是用同一个闭包。在其他模式下情况跟local模式不一样，每个executor在不同的worker节点上运行，每个executor都有一个单独的闭包。

在这里，发送给每个executor的闭包内的变量是当前变量的副本，因此当counter在foreach中被引用时，已经不是在driver节点上的counter了。在driver节点的内存中仍然有一个counter，但这个counter对executor不可见。executor只能操作序列化的闭包中的counter副本。因此，最终counter的值仍然是0，因为所有对counter的操作都是在序列化的闭包内的counter上进行的。

在类似这种场景下，为了保证良好的行为确保，应该使用累加器。Spark中的累加器站门为在集群中多个节点间更新