Spark Day06：Spark Core
01-[了解]-内容回顾02-[了解]-内容提纲03-[掌握]-Spark 内核调度之引例WordCount04-[掌握]-Spark 内核调度之RDD 依赖05-[掌握]-Spark 内核调度之DAG和Stage06-[了解]-Spark 内核调度之Spark Shuffle07-[掌握]-Spark 内核调度之Job 调度流程08-[掌握]-Spark 内核调度之Spark 基本概念09-[理解]-Spark 内核调度之并行度10-[掌握]-SparkSQL应用入口SparkSession11-[掌握]-词频统计WordCount之基于DSL编程12-[掌握]-词频统计WordCount之基于SQL编程
Spark Day06：Spark Core 01-[了解]-内容回顾主要讲解三个方面内容：Sogou日志分析、外部数据源（Hbase和MySQL）和共享变量。
1、Sogou日志分析 以搜狗官方提供用户搜索查询日志为基础，使用SparkCore（RDD）业务分析 数据格式： 文本文件数据，每条数据就是用户搜索时点击网页日志数据 各个字段之间使用制表符分割 业务需求： - 搜索关键词统计，涉及知识点中文分词：HanLP - 用户搜索点击统计 - 搜索时间段统计 编码实现 第一步、读取日志数据，封装到实体类对象SougouRecord 第二步、按照业务需求分析数据 词频统计WordCount变形 2、外部数据源 SparkCore与Hbase和MySQL数据库交互 - Hbase数据源，底层MapReduce从Hbase表读写数据API 保存数据到Hbase表 TableOutputFormat RDD[(RowKey, Put)]，其中RowKey = ImmutableBytesWritable 从Hbase表加载数据 TableInputFormat RDD[(RowKey, Result)] 从Hbase 表读写数据，首先找Hbase数据库依赖Zookeeper地址信息 - MySQL数据源 保存数据RDD到MySQL表中，考虑性能问题，5个方面 考虑降低RDD分区数目 针对分区数据进行操作，每个分区创建1个连接 每个分区数据写入到MySQL数据库表中，批量写入 可以将每个分区数据加入批次 批量将所有数据写入 事务性，批次中数据要么都成功，要么都失败 人为提交事务 考虑大数据分析特殊性，重复运行程序，处理相同数据，保存到MySQL表中 主键存在时，更新数据；不存在时，插入数据 REPLACe INTO ............ 3、共享变量（Shared Variables） 表示某个值（变量）被所有Task共享 - 广播变量 Broadcast Variables，共享变量值不能被改变 解决问题： 共享变量存储问题，将变量广播以后，仅仅在每个Executor中存储一份；如果没有对变量进行广播的话，每个Task中存储一份。 广播变量节省内存使用 - 累加器 Accumulators，共享变量值可以被改变，只能“累加” 类似MapReduce框架种计数器Counter，起到累加统计作用 Spark框架提供三种类型累加器： LongAccumulator、DoubleAccumulator、CollectionAccumulator02-[了解]-内容提纲
主要讲解2个方面内容：Spark 内核调度和SparkSQL快速入门
1、Spark 内核调度（理解） 了解Spark框架如何执行Job程序，以词频统计WordCount程序为例，如何执行程序 RDD 依赖 DAG图、Stage阶段 Shuffle Job 调度流程 Spark 基本概念 并行度 2、SparkSQL快速入门 SparkSQL中程序入口：SparkSession 基于SparkSQL实现词频统计 SQL语句，类似Hive DSL语句，类似RDD中调用API，链式编程 SparkSQL模块概述 前世今生 官方定义 几大特性03-[掌握]-Spark 内核调度之引例WordCount
Spark的核心是根据RDD来实现的，Spark Scheduler则为Spark核心实现的重要一环，其作用就是任务调度。
Spark的任务调度就是如何组织任务去处理RDD中每个分区的数据，根据RDD的依赖关系构建DAG，基于DAG划分Stage，将每个Stage中的任务发到指定节点运行。
以词频统计WordCount程序为例，Job执行是DAG图：
运行词频统计WordCount，截取4040监控页面上DAG图：
04-[掌握]-Spark 内核调度之RDD 依赖当RDD调用Action函数（Job触发函数）时，产出1个Job，执行Job。
1、将Job中所有RDD按照依赖关系构建图：DAG图（有向无环图）
2、将DAG图划分为Stage阶段，分为2种类型
ResultStage，对结果RDD进行处理Stage阶段ShuffleMapStage，此Stage阶段中最后1个RDD产生Shuffle
3、每个Stage中至少有1个RDD或多个RDD，每个RDD有多个分区，每个分区数据被1个Task处理
每个Stage中有多个Task处理数据，每个Task处理1个分区数据
RDD 间存在着血统继承关系，其本质上是 RDD之间的依赖（Dependency）关系。
每个RDD记录，如何从父RDD得到的，调用哪个转换函数
从DAG图上来看，RDD之间依赖关系存在2种类型：
窄依赖，2个RDD之间依赖使用有向箭头表示宽依赖，又叫Shuffle 依赖，2个RDD之间依赖使用S曲线有向箭头表示
窄依赖（Narrow Dependency）
定义：父 RDD 与子 RDD 间的分区是一对一的，一（父RDD）对一（子RDD）
Shuffle 依赖（宽依赖 Wide Dependency）
05-[掌握]-Spark 内核调度之DAG和Stage定义：父 RDD 中的分区可能会被多个子 RDD 分区使用，一（父）对多（子）
在Spark应用执行时，每个Job执行时（RDD调用Action函数时），依据最后一个RDD（调用Action函数RDD），依据RDD依赖关系，向前推到，构建Job中所有RDD依赖关系图，称之为DAG图。
当构建完成Job DAG图以后，继续从Job最后一个RDD开始，依据RDD之间依赖关系，将DAG图划分为Stage阶段，当RDD之间依赖为Shuffle依赖时，划分一个Stage。
对于窄依赖，RDD之间的数据不需要进行Shuffle，多个数据处理可以在同一台机器的内存中完
成，所以窄依赖在Spark中被划分为同一个Stage；对于宽依赖，由于Shuffle的存在，必须等到父RDD的Shuffle处理完成后，才能开始接下来的计
算，所以会在此处进行Stage的切分。
可以运行词频统计WordCount查看对应DAG图和Stage阶段
把DAG划分成互相依赖的多个Stage，划分依据是RDD之间的宽依赖，Stage是由一组并行的Task组成。
1、Stage切割规则：从后往前，遇到宽依赖就切割Stage。
2、Stage计算模式：pipeline管道计算模式
pipeline只是一种计算思想、模式，来一条数据然后计算一条数据，把所有的逻辑走完，然后落地。
以词频统计WordCount为例：
从HDFS上读取数据，每个Block对应1个分区，当从Block中读取一条数据以后，经过flatMap、map和reduceByKey操作，最后将结果数据写入到本地磁盘中（Shuffle Write）。
block0: hadoop spark spark
|textFile
RDD-0 hadoop spark spark
|flatMap
RDD-1 hadoopsparkspark
|map
RDD-2 (hadoop, 1)(spark, 1)(spark, 1)
|reduceByKey
写入磁盘 hadoop, 1 || spark, 1 spark, 1
3、准确的说：一个task处理一串分区的数据，整个计算逻辑全部走完
面试题如下：Spark Core中一段代码，判断执行结果
前提条件：11.data中三条数据 结果A： filter.................. filter.................. filter.................. map.................. map.................. map.................. flatMap.................. flatMap.................. flatMap.................. Count = 3 结果B： filter.................. map.................. flatMap.................. filter.................. map.................. flatMap.................. filter.................. map.................. flatMap.................. Count = 3
06-[了解]-Spark 内核调度之Spark Shuffle 在1个Spark Application应用中，如果某个RDD，调用多次Action函数，触发Job执行，重用RDD结果产生过程中Shuffle数据（写入到本地磁盘），节省重新计算RDD时间，提升性能。
可以将某个多次使用RDD数据，认为手动进行缓存。
首先回顾MapReduce框架中Shuffle过程，整体流程图如下：
Spark在DAG调度阶段会将一个Job划分为多个Stage，上游Stage做map工作，下游Stage做reduce工作，其本质上还是MapReduce计算框架。
Shuffle是连接map和reduce之间的桥梁，它将map的输出对应到reduce输入中，涉及到序列化反序列化、跨节点网络IO以及磁盘读写IO等。
Spark的Shuffle分为Write和Read两个阶段，分属于两个不同的Stage，前者是Parent Stage的最后一步，后者是Child Stage的第一步。
Stage划分为2种类型：
1）、ShuffleMapStage，在Spark 1个Job中，除了最后一个Stage之外，其他所有的Stage都是此类型
将Shuffle数据写入到本地磁盘，ShuffleWriter在此Stage中，所有的Task称为：ShuffleMapTask 2）、ResultStage，在Spark的1个Job中，最后一个Stage，对结果RDD进行操作
会读取前一个Stage中数据，ShuffleReader在此Stage中，所有的Task任务称为ResultTask。
ShuffleMapTask要进行Shuffle，ResultTask负责返回计算结果，一个Job中只有最后的Stage采用ResultTask，其他的均为ShuffleMapTask。
Spark Shuffle实现历史： - Spark在1.1以前的版本一直是采用Hash Shuffle的实现的方式 - 到1.1版本时参考HadoopMapReduce的实现开始引入Sort Shuffle - 在1.5版本时开始Tungsten钨丝计划，引入UnSafe Shuffle优化内存及CPU的使用 - 在1.6中将Tungsten统一到Sort Shuffle中，实现自我感知选择最佳Shuffle方式 - 到的2.0版本，Hash Shuffle已被删除，所有Shuffle方式全部统一到Sort Shuffle一个实现中。
具体各阶段Shuffle如何实现，参考思维导图XMIND，大纲如下：
07-[掌握]-Spark 内核调度之Job 调度流程 当启动Spark Application的时候，运行MAIN函数，首先创建SparkContext对象（构建DAGScheduler和TaskScheduler）。
第一点、DAGScheduler实例对象
将每个Job的DAG图划分为Stage，依据RDD之间依赖为宽依赖（产生Shuffle） 第二点、TaskScheduler实例对象
调度每个Stage中所有Task：TaskSet，发送到Executor上执行每个Stage中会有多个Task，所有Task处理数据不一样（每个分区数据被1个Task处理），但是处理逻辑一样的。将每个Stage中所有Task任务，放在一起称为TaskSet。
当RDD调用Action函数（比如count、saveTextFile或foreachPartition）时，触发一个Job执行，调度中流程如下图所示：
Spark RDD通过其Transactions操作，形成了RDD血缘关系图，即DAG，最后通过Action的调用，触发Job并调度执行。
1）、DAGScheduler负责Stage级的调度，主要是将DAG切分成若干Stages，并将每个Stage打包成TaskSet交给TaskScheduler调度。2）、TaskScheduler负责Task级的调度，将DAGScheduler给过来的TaskSet按照指定的调度策略分发到Executor上执行，调度过程中SchedulerBackend负责提供可用资源，其中SchedulerBackend有多种实现，分别对接不同的资源管理系统。
Spark的任务调度总体来说分两路进行，一路是Stage级的调度，一路是Task级的调度。
一个Spark应用程序包括Job、Stage及Task：
第一、Job是以Action方法为界，遇到一个Action方法则触发一个Job；
第二、Stage是Job的子集，以RDD宽依赖(即Shuffle)为界，遇到Shuffle做一次划分；
第三、Task是Stage的子集，以并行度(分区数)来衡量，分区数是多少，则有多少个task。
08-[掌握]-Spark 内核调度之Spark 基本概念
Spark Application运行时，涵盖很多概念，主要如下表格：
官方文档：http://spark.apache.org/docs/2.4.5/cluster-overview.html#glossary
09-[理解]-Spark 内核调度之并行度在Spark Application运行时，并行度可以从两个方面理解：
1）、资源的并行度：由节点数(executor)和cpu数(core)决定的2）、数据的并行度：task的数据，partition大小
Task数目要是core总数的2-3倍为佳
参数spark.defalut.parallelism默认是没有值的，如果设置了值，是在shuffle的过程才会起作用
在实际项目中，运行某个Spark Application应用时，需要设置资源，尤其Executor个数和CPU核数，如何计算？
首先确定总的CPU Core核数，依据数据量（原始数据大小）及考虑业务分析中数据量再确定Executor个数，假定每个Executor核数，获取个数最后确定Executor内存大小，一般情况下，每个Executor内存往往是CPU核数2-3倍
分析网站日志数据：20GB，存储在HDFS上，160Block，从HDFS读取数据， RDD 分区数目：160 个分区 1、RDD分区数目160，那么Task数目为160个 2、总CPU Core核数 160/2 = 80 CPU Core = 60 160/3 = 50 3、假设每个Executor：6 Core 60 / 6 = 10 个 4、每个Executor内存 6 * 2 = 12 GB 6 * 3 = 18 GB 5、参数设置 --executor-memory= 12GB --executor-cores= 6 --num-executors=1010-[掌握]-SparkSQL应用入口SparkSession
Spark 2.0开始，应用程序入口为SparkSession，加载不同数据源的数据，封装到Dataframe/Dataset集合数据结构中，使得编程更加简单，程序运行更加快速高效。
1、SparkSession 程序入口，加载数据 底层SparkContext，进行封装 2、Dataframe/Dataset Dataset[Row] = Dataframe 数据结构，从Spark 1.3开始出现，一直到2.0版本，确定下来 底层RDD，加上Schema约束（元数据）：字段名称和字段类型
1）、SparkSession在SparkSQL模块中，添加MAVEN依赖
org.apache.spark spark-sql_2.11 2.4.5
2）、SparkSession对象实例通过建造者模式构建，代码如下：
其中①表示导入SparkSession所在的包，②表示建造者模式构建对象和设置属性，③表示导入SparkSession类中implicits对象object中隐式转换函数。
3）、范例演示：构建SparkSession实例，加载文本数据，统计条目数。
package cn.itcast.spark.sql.start
import org.apache.spark.sql.{Dataset, SparkSession}
object _03SparkStartPoint {
def main(args: Array[String]): Unit = {
// 使用建造者设计模式，创建SparkSession实例对象
val spark: SparkSession = SparkSession.builder()
.appName(this.getClass.getSimpleName.stripSuffix("$"))
.master("local[2]")
.getOrCreate()
import spark.implicits._
// TODO: 使用SparkSession加载数据
val inputDS: Dataset[String] = spark.read.textFile("datas/wordcount.data")
// 显示前5条数据
println(s"Count = ${inputDS.count()}")
inputDS.show(5, truncate = false)
// 应用结束，关闭资源
spark.stop()
}
}
11-[掌握]-词频统计WordCount之基于DSL编程学习任务：Java中设计模式【建造者设计模式】，在大数据很多框架种，API设计都是建造者设计模式。
Dataframe 数据结构相当于给RDD加上约束Schema，知道数据内部结构（字段名称、字段类型），提供两种方式分析处理数据：Dataframe API（DSL编程）和SQL（类似HiveQL编程），下面以WordCount程序为例编程实现，体验Dataframe使用。
使用SparkSession加载文本数据，封装到Dataset/Dataframe中，调用API函数处理分析数据（类似RDD中API函数，如flatMap、map、filter等），编程步骤： 第一步、构建SparkSession实例对象，设置应用名称和运行本地模式； 第二步、读取HDFS上文本文件数据； 第三步、使用DSL（Dataset API），类似RDD API处理分析数据； 第四步、控制台打印结果数据和关闭SparkSession；
package cn.itcast.spark.sql.wordcount
import org.apache.spark.sql.{Dataframe, Dataset, SparkSession}
object _04SparkDSLWordCount {
def main(args: Array[String]): Unit = {
// 使用建造设设计模式，创建SparkSession实例对象
val spark: SparkSession = SparkSession.builder()
.appName(this.getClass.getSimpleName.stripSuffix("$"))
.master("local[2]")
.getOrCreate()
import spark.implicits._
// TODO: 使用SparkSession加载数据
val inputDS: Dataset[String] = spark.read.textFile("datas/wordcount.data")
// Dataframe/Dataset = RDD + schema
//inputDS.printSchema()
//inputDS.show(10, truncate = false)
// TODO: 使用DSL（Dataset API），类似RDD API处理分析数据
val wordDS: Dataset[String] = inputDS.flatMap(line => line.trim.split("\s+"))
//wordDS.printSchema()
// wordDS.show(10, truncate = false)
val resultDS: Dataframe = wordDS.groupBy("value").count()
resultDS.printSchema()
resultDS.show(10, truncate = false)
// 应用结束，关闭资源
spark.stop()
}
}
12-[掌握]-词频统计WordCount之基于SQL编程
类似HiveQL方式进行词频统计，直接对单词分组group by，再进行count即可，步骤如下：
第一步、构建SparkSession对象，加载文件数据，分割每行数据为单词； 第二步、将Dataframe/Dataset注册为临时视图（Spark 1.x中为临时表）； 第三步、编写SQL语句，使用SparkSession执行获取结果； 第四步、控制台打印结果数据和关闭SparkSession；
package cn.itcast.spark.sql.wordcount
import org.apache.spark.sql.{Dataframe, Dataset, SparkSession}
object _05SparkSQLWordCount {
def main(args: Array[String]): Unit = {
// 使用建造设设计模式，创建SparkSession实例对象
val spark: SparkSession = SparkSession.builder()
.appName(this.getClass.getSimpleName.stripSuffix("$"))
.master("local[2]")
.getOrCreate()
import spark.implicits._
// TODO: 使用SparkSession加载数据
val inputDS: Dataset[String] = spark.read.textFile("datas/wordcount.data")
//inputDS.printSchema()
//inputDS.show(5, truncate = false)
// 将每行数据按照分割划分为单词
val wordDS: Dataset[String] = inputDS.flatMap(line => line.trim.split("\s+"))
// step 1. 将Dataset或Dataframe注册为临时视图
wordDS.createOrReplaceTempView("tmp_view_word")
// step 2. 编写SQL并执行
val resultDF: Dataframe = spark.sql(
"""
|SELECT value as word, COUNT(1) AS count FROM tmp_view_word GROUP BY value
|""".stripMargin)
resultDF.show(10, truncate = false)
// 应用结束，关闭资源
spark.stop()
}
}
