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TableOutputFormatRDD[(RowKey, Put)]，其中RowKey = ImmutableBytesWritable从Hbase表加载数据TableInputFormatRDD[(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、CollectionAccumulator
02-[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ShuffleJob 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HiveDSL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|textFileRDD-0hadoop spark spark |flatMap RDD-1hadoopsparkspark |map RDD-2(hadoop, 1)(spark, 1)(spark, 1) |reduceByKey 写入磁盘hadoop, 1 || spark, 1 spark, 13、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 = 80CPU Core = 60160/3 = 503、假设每个Executor：6 Core60 / 6 = 10 个4、每个Executor内存6 * 2 = 12 GB6 * 3 = 18 GB5、参数设置--executor-memory= 12GB--executor-cores= 6--num-executors=10
10-[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/DatasetDataset[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
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.startimport 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 = ${inputDS.count()}")inputDS.show(5, truncate = false)// 应用结束，关闭资源spark.stop()}}
11-[掌握]-词频统计WordCount之基于DSL编程学习任务：Java中设计模式【建造者设计模式】，在大数据很多框架种，API设计都是建造者设计模式。
Dataframe 数据结构相当于给RDD加上约束Schema，知道数据内部结构（字段名称、字段类型），提供两种方式分析处理数据：Dataframe API（DSL编程）和SQL（类似HiveQL编程），下面以WordCount程序为例编程实现，体验Dataframe使用。
使用SparkSession加载文本数据，封装到Dataset/Dataframe中，调用API函数处理分析数据（类似RDD中API函数，如flatMap、map、filter等），编程步骤：第一步、构建SparkSession实例对象，设置应用名称和运行本地模式；第二步、读取HDFS上文本文件数据；第三步、使用DSL（Dataset API），类似RDD API处理分析数据；第四步、控制台打印结果数据和关闭SparkSession；
package cn.itcast.spark.sql.wordcountimport org.apache.spark.sql.{Dataframe, Dataset, SparkSession}object _04SparkDSLWordCount {def main(args: Array[String]): Unit = {// 使用建造设设计模式，创建SparkSession实例对象val spark: SparkSession = SparkSession.builder() .appName(this.getClass.getSimpleName.stripSuffix("$")) .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.wordcountimport 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()}}