Spark基础知识

一.SPark基本介绍

1.Spark是什么?

1.1 定义

Apache Spark是用于大数据处理的统一分析引擎;

1.2 Spark与MapReduce对比

MapReduce的主要缺点:

①MapReduce是基于进程进行数据处理,进程相对与线程来说,创造和销毁的过程比较耗费资源,并且速度比较慢;

②MapReduce在运行的时候,中间有大量的磁盘IO过程,也就是磁盘数据到内存,内存到磁盘的读写过程;

③MapReduce只提供了非常低级的编程API,如果需要实现复杂的程序,就需要大量的代码;

Spark相对MapReduce的优点:

①Spark是基于线程来执行任务;

②引入了新的数据结构RDD(弹性分布式数据集),可以让Spark程序主要基于内存运行,内存的读写数据速度相对磁盘快很多;

③Spark提供了非常丰富的API,可以轻松的实现功能开发;

1.3 进程和线程的对比

线程的创建和销毁,比线程更加的迅速,也更节省资源;

进程很难共享内存中的数据,而同一个进程下的线程可以共享内存数据;

2. Spark的发展

2014年Spark称为顶级项目,2016年Spark2.0发布,2019年Spark3.0发布;

3. Spark的特点

①速度快:提供了一个全新的数据结构RDD(弹性分布式数据集),可以主要基于内存运行Spark程序,当内存不足时,可以放到磁盘上.整个流程是基于有向无环图(DAG)执行方案.Task线程完成计算任务执行;

②易用性:支持多种语言开发(Python,SQL,Java,Scala),降低了上手难度;

③通用性:在Spark基础上,Spark还提供了Spark SQL,Spark Streaming,MLlib及GraphX在内的多个工具库,我们可以在一个应用中无缝使用这些工具库;

④兼容性:可以在任何地方运行;

支持第三方工具接入

存储工具:hdfs,kafka,hbase

资源调度:yarn,Kubernetes(K8s容器),standalone(Spark自带)

高可用:zookeeper

支持多种操作系统:Windows,Linux,Mac

4. Spark框架模块

Spark Core API:实现了Spark的基本功能,包含RDD,任务调度,内存管理,错误回复,与存储系统交互等模块.数据结构RDD

Spark SQL:我们使用SQL处理结构化数据.数据结构:Dataset/DataFrame=RDD+Schema;

Structured Streaming:基于Spark SQL进行流式/实时的处理组件,主要处理结构化数据

Streaming（Spark Streaming）：提供的对实时数据进行流式计算的组件，底层依然是离线计算，只不过时间粒度很小，攒批。
MLlib：提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等。
GraphX：Spark中用于图计算的API，性能良好，拥有丰富的功能和运算符，能在海量数据上自如地运行复杂的图算法。

二.Spark入门案例

1.需求描述

读取文本文件，文件内容是一行一行的文本，每行文本含有多个单词，单词间使用空格分隔。统计文本中每个单词出现的总次数。WordCount词频统计。

文本内容如下：
hello hello spark
hello heima spark

2.代码编写

?

from pyspark import SparkConf, SparkContext
import os

# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'

# 创建main函数
if __name__ == '__main__':
? ? print("Spark入门案例: WordCount词频统计")

? ? # 1- 创建SparkContext对象
? ? """
? ? ? ? setAppName：设置PySpark程序运行时的名称
? ? ? ? setMaster：设置PySpark程序运行时的集群模式
? ? """
? ? conf = SparkConf()\
? ? ? ? .setAppName('spark_wordcount_demo')\
? ? ? ? .setMaster('local[*]')
? ? sc = SparkContext(conf=conf)

? ? # 2- 数据输入

? ? init_rdd = sc.textFile("file:///export/data/gz16_pyspark/01_spark_core/data/content.txt")

? ? # 3- 数据处理
? ? # 文本内容切分

? ? flatmap_rdd = init_rdd.flatMap(lambda line: line.split(" "))

? ? # 数据格式转换

? ? map_rdd = flatmap_rdd.map(lambda word: (word,1))

? ? ? ??
? ? ? ? reduceByKey底层运行过程分析：
? ? ? ? 1- 该算子同时具备分组和聚合的功能。而且是先对数据按照key进行分组，对相同key的value会形成得到List列表。再对分组后的value列表进行聚合。
? ? ? ? 2- 分组和聚合功能不能分割，也就是一个整体
? ? ? ??
? ?
? ? result = map_rdd.reduceByKey(lambda agg,curr: agg+curr)

? ? # 4- 数据输出
? ? """
? ? ? ? collect()：用来收集数据，返回值类型是List列表
? ? """
? ? print(result.collect())

? ? # 5- 释放资源
? ? sc.stop()