spark基础知识三

主要围绕spark的底层核心抽象RDD和原理进行理解。主要包括以下几个方面

1. RDD弹性分布式数据集的依赖关系

2. RDD弹性分布式数据集的lineage血统机制

3. RDD弹性分布式数据集的缓存机制

4. spark任务的DAG有向无环图的构建

5. spark任务如何划分stage

6. spark任务的提交和调度流程

1. RDD的依赖关系

• RDD和它依赖的父RDD的关系有两种不同的类型

• 窄依赖（narrow dependency）和宽依赖（wide dependency）

  • 窄依赖
    

    • 窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用

      • 总结：窄依赖我们形象的比喻为独生子女

      哪些算子操作是窄依赖：
          map/flatMap/filter/union等等
          所有的窄依赖不会产生shuffle

  • 宽依赖

    • 宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition

      • 总结：宽依赖我们形象的比喻为超生

      哪些算子操作是宽依赖：
          reduceByKey/sortByKey/groupBy/groupByKey/join等等
          所有的宽依赖会产生shuffle

  • 补充说明

    由上图可知，join分为宽依赖和窄依赖，如果RDD有相同的partitioner，那么将不会引起shuffle，这种join是窄依赖，反之就是宽依赖

2. lineage（血统）

• RDD只支持粗粒度转换

  • 即只记录单个块上执行的单个操作。

• 将创建RDD的一系列Lineage（即血统）记录下来，以便恢复丢失的分区

• RDD的Lineage会记录RDD的元数据信息和转换行为，lineage保存了RDD的依赖关系，当该RDD的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。

3. RDD的缓存机制

3.1 什么是rdd的缓存

可以把一个rdd的数据缓存起来，后续有其他的job需要用到该rdd的结果数据，可以直接从缓存中获取得到，避免了重复计算。缓存是加快后续对该数据的访问操作。

3.2 如何对rdd设置缓存

• RDD通过persist方法或cache方法可以将前面的计算结果缓存。

  • 但是并不是这两个方法被调用时立即缓存，而是触发后面的action时，该RDD将会被缓存在计算节点的内存中，并供后面重用。

• 通过查看源码发现cache最终也是调用了persist方法，默认的存储级别都是仅在内存存储一份，Spark的存储级别还有好多种，存储级别在object StorageLevel中定义的。

• 使用演示

val rdd1=sc.textFile("/words.txt")
val rdd2=rdd1.flatMap(_.split(" "))
rdd2.cache
rdd2.collect
​
val rdd3=rdd2.map((_,1))
rdd3.persist(缓存级别)
rdd3.collect

3.3 cache和persist区别

• 重点

  • 例如

    • 简述下如何对RDD设置缓存，以及它们的区别是什么？

      对RDD设置缓存成可以调用rdd的2个方法： 一个是cache，一个是persist
  调用上面2个方法都可以对rdd的数据设置缓存，但不是立即就触发缓存执行，后面需要有action，才会触发缓存的执行。
  ​
  cache方法和persist方法区别：
      cache:   默认是把数据缓存在内存中，其本质就是调用persist方法；
      persist：可以把数据缓存在内存或者是磁盘，有丰富的缓存级别，这些缓存级别都被定义在StorageLevel这个object中。

3.4 什么时候设置缓存

• 1、某个rdd的数据后期被使用了多次

如上图所示的计算逻辑： 
（1）当第一次使用rdd2做相应的算子操作得到rdd3的时候，就会从rdd1开始计算，先读取HDFS上的文件，然后对rdd1 做对应的算子操作得到rdd2,再由rdd2计算之后得到rdd3。同样为了计算得到rdd4，前面的逻辑会被重新计算。 
（2）默认情况下多次对一个rdd执行算子操作， rdd都会对这个rdd及之前的父rdd全部重新计算一次。 这种情况在实际开发代码的时候会经常遇到，但是我们一定要避免一个rdd重复计算多次，否则会导致性能急剧降低。   
​
总结：
可以把多次使用到的rdd，也就是公共rdd进行持久化，避免后续需要，再次重新计算，提升效率。

• 2、为了获取得到一个rdd的结果数据，经过了大量的算子操作或者是计算逻辑比较复杂

  • 总之某个rdd的数据来之不易

val rdd2=rdd1.flatMap(函数).map(函数).reduceByKey(函数).xxx.xxx.xxx.xxx.xxx

3.5 清除缓存数据

• 1、自动清除

  一个application应用程序结束之后，对应的缓存数据也就自动清除

• 2、手动清除

  调用rdd的unpersist方法

4. RDD的checkpoint机制

4.1 checkpoint概念

• 我们可以对rdd的数据进行缓存，保存在内存或者是磁盘中。

  • 后续就可以直接从内存或者磁盘中获取得到，但是它们不是特别安全。

  • cache

    它是直接把数据保存在内存中，后续操作起来速度比较快，直接从内存中获取得到。但这种方式很不安全，由于服务器挂掉或者是进程终止，会导致数据的丢失。

  • persist

    它可以把数据保存在本地磁盘中，后续可以从磁盘中获取得到该数据，但它也不是特别安全，由于系统管理员一些误操作删除了，或者是磁盘损坏，也有可能导致数据的丢失。

• checkpoint（检查点）

  它是提供了一种相对而言更加可靠的数据持久化方式。它是把数据保存在分布式文件系统，
  比如HDFS上。这里就是利用了HDFS高可用性，高容错性（多副本）来最大程度保证数据的安全性。

4.2 如何设置checkpoint

• 1、在hdfs上设置一个checkpoint目录

  sc.setCheckpointDir("hdfs://node1:9000/checkpoint") 

• 2、对需要做checkpoint操作的rdd调用checkpoint方法

  val rdd1=sc.textFile("/words.txt")
  rdd1.checkpoint
  val rdd2=rdd1.flatMap(_.split(" ")) 

• 3、最后需要有一个action操作去触发任务的运行

  rdd2.collect

4.3 cache、persist、checkpoint三者区别

• cache和persist
  

  • cache默认数据缓存在内存中

  • persist可以把数据保存在内存或者磁盘中

  • 后续要触发 cache 和 persist 持久化操作，需要有一个action操作

  • 它不会开启其他新的任务，一个action操作就对应一个job

  • 它不会改变rdd的依赖关系，程序运行完成后对应的缓存数据就自动消失

• checkpoint

  • 可以把数据持久化写入到hdfs上

  • 后续要触发checkpoint持久化操作，需要有一个action操作，后续会开启新的job执行checkpoint操作

  • 它会改变rdd的依赖关系，后续数据丢失了不能够在通过血统进行数据的恢复。

  • 程序运行完成后对应的checkpoint数据就不会消失

   sc.setCheckpointDir("/checkpoint")
   val rdd1=sc.textFile("/words.txt")
   rdd1.cache
   rdd1.checkpoint
   val rdd2=rdd1.flatMap(_.split(" "))
   rdd2.collect
   
   checkpoint操作要执行需要有一个action操作，一个action操作对应后续的一个job。该job执行完成之后，它会再次单独开启另外一个job来执行 rdd1.checkpoint操作。
   
   对checkpoint在使用的时候进行优化，在调用checkpoint操作之前，可以先来做一个cache操作，缓存对应rdd的结果数据，后续就可以直接从cache中获取到rdd的数据写入到指定checkpoint目录中

5. DAG有向无环图生成

5.1 DAG是什么

• DAG(Directed Acyclic Graph)叫做有向无环图（有方向,无闭环,代表着数据的流向），原始的RDD通过一系列的转换就形成了DAG。

• 下图是基于单词统计逻辑得到的DAG有向无环图

 

6. DAG划分stage

6.1 stage是什么

• 一个Job会被拆分为多组Task，每组任务被称为一个stage
  

• stage表示不同的调度阶段，一个spark job会对应产生很多个stage

  • stage类型一共有2种

    • ShuffleMapStage

      • 最后一个shuffle之前的所有变换叫ShuffleMapStage

        • 它对应的task是shuffleMapTask

    • ResultStage

      • 最后一个shuffle之后的操作叫ResultStage，它是最后一个Stage。

        • 它对应的task是ResultTask

6.2 为什么要划分stage

根据RDD之间依赖关系的不同将DAG划分成不同的Stage(调度阶段)
对于窄依赖，partition的转换处理在一个Stage中完成计算
对于宽依赖，由于有Shuffle的存在，只能在parent RDD处理完成后，才能开始接下来的计算，
​
由于划分完stage之后，在同一个stage中只有窄依赖，没有宽依赖，可以实现流水线计算，
stage中的每一个分区对应一个task，在同一个stage中就有很多可以并行运行的task。

6.3 如何划分stage

• 划分stage的依据就是宽依赖

(1) 首先根据rdd的算子操作顺序生成DAG有向无环图，接下里从最后一个rdd往前推，创建一个新的stage，把该rdd加入到该stage中，它是最后一个stage。
​
(2) 在往前推的过程中运行遇到了窄依赖就把该rdd加入到本stage中，如果遇到了宽依赖，就从宽依赖切开，那么最后一个stage也就结束了。
​
(3) 重新创建一个新的stage，按照第二个步骤继续往前推，一直到最开始的rdd，整个划分stage也就结束了

6.4 stage与stage之间的关系

划分完stage之后，每一个stage中有很多可以并行运行的task，后期把每一个stage中的task封装在一个taskSet集合中，最后把一个一个的taskSet集合提交到worker节点上的executor进程中运行。
​
rdd与rdd之间存在依赖关系，stage与stage之前也存在依赖关系，前面stage中的task先运行，运行完成了再运行后面stage中的task，也就是说后面stage中的task输入数据是前面stage中task的输出结果数据。

7. spark的任务调度

 

(1) Driver端运行客户端的main方法，构建SparkContext对象，在SparkContext对象内部依次构建DAGScheduler和TaskScheduler
​
(2) 按照rdd的一系列操作顺序，来生成DAG有向无环图
​
(3) DAGScheduler拿到DAG有向无环图之后，按照宽依赖进行stage的划分。每一个stage内部有很多可以并行运行的task，最后封装在一个一个的taskSet集合中，然后把taskSet发送给TaskScheduler
​
（4）TaskScheduler得到taskSet集合之后，依次遍历取出每一个task提交到worker节点上的executor进程中运行。
​
（5）所有task运行完成，整个任务也就结束了

8. spark的运行架构

(1) Driver端向资源管理器Master发送注册和申请计算资源的请求
​
(2) Master通知对应的worker节点启动executor进程(计算资源)
​
(3) executor进程向Driver端发送注册并且申请task请求
​
(4) Driver端运行客户端的main方法，构建SparkContext对象，在SparkContext对象内部依次构建DAGScheduler和TaskScheduler
​
(5) 按照客户端代码洪rdd的一系列操作顺序，生成DAG有向无环图
​
(6) DAGScheduler拿到DAG有向无环图之后，按照宽依赖进行stage的划分。每一个stage内部有很多可以并行运行的task，最后封装在一个一个的taskSet集合中，然后把taskSet发送给TaskScheduler
​
（7）TaskScheduler得到taskSet集合之后，依次遍历取出每一个task提交到worker节点上的executor进程中运行
​
（8）所有task运行完成，Driver端向Master发送注销请求，Master通知Worker关闭executor进程，Worker上的计算资源得到释放，最后整个任务也就结束了。

9. 基于wordcount程序剖析spark任务的提交、划分、调度流程