“Spark 学习笔记”的版本间的差异

来自Dennis的知识库
跳转到: 导航搜索
Shared Variables
 
第172行: 第172行:
  
 
只要创建 local 模式的 SparkContext 就可以运行一个本地的单元测试,注意在最后调用 SparkContext.stop()。
 
只要创建 local 模式的 SparkContext 就可以运行一个本地的单元测试,注意在最后调用 SparkContext.stop()。
 +
 +
== Spark 集群 模型 ==
 +
 +
[[文件:Cluster-overview.png]]
 +
 +
* 每个应用都会有自己的 exectutor 进程,在里面多线程地运行 task,应用之间数据是隔离的,如果需要共享,要通过外部存储。
 +
* Spark 的集群管理交给 YARN 或者 mesos。
 +
* driver 需要监听和接受来自 worker 的连接并且调度集群 task,因此最好和 worker 在一个网络环境内。

2016年7月28日 (四) 11:24的最后版本

目录

[编辑] 概览

Spark 抽象成两部分:

  • RDD : resilient distributed dataset (RDD), which is a collection of elements partitioned across the nodes of the cluster that can be operated on in parallel.
  • Shared variables: Spark supports two types of shared variables: broadcast variables, which can be used to cache a value in memory on all nodes, and accumulators, which are variables that are only “added” to, such as counters and sums.

[编辑] 入门

以 python 为例子

  • bin/spark-submit 提交任务
  • bin/pyspark 启动一个 shell

核心模块:

from pyspark import SparkContext, SparkConf

conf = SparkConf().setAppName(appName).setMaster(master)
sc = SparkContext(conf=conf)
  • appName: 你的应用名
  • master: master is a Spark, Mesos or YARN cluster URL, or a special “local” string to run in local mode.

shell 部分:

  • ./bin/pyspark --master local[4] 本地启动 4 核的 shell
  • 加载依赖代码 ./bin/pyspark --master local[4] --py-files code.py

[编辑] RDD

[编辑] 来源

两源两类:

  • 从内存里的集合
data = [1, 2, 3, 4, 5]
distData = sc.parallelize(data)
  • 从外部存储,可以是本地文件, hdfs 任意格式的文件等:
 distFile = sc.textFile("data.txt")

无论是集合还是外部存储,都可以接收一个额外参数 partitions,表示分区,spark 为会为数据的每个分区创建一个 task ,因此合理地设置 task 对效率很重要。通常推荐的是每个 CPU 处理 2-4 个分区。

对于外部存储来说,spark 会为文件的每个block(hdfs 默认是 64m)创建一个分区,分区数目不能小于 block 数目。其次,如果是本地文件,要确保本地文件在所有的 worker 同样路径上都存在。

`SparkContext.wholeTextFiles` 可以让你读取某个目录下所有的小的 text 文件,并且按照 (filename, content) 配对返回结果。

  • 读写文件支持:
>> rdd = sc.parallelize(range(1, 4)).map(lambda x: (x, "a" * x ))
>>> rdd.saveAsSequenceFile("path/to/file")
>>> sorted(sc.sequenceFile("path/to/file").collect())
[(1, u'a'), (2, u'aa'), (3, u'aaa')]

类型转换规则使用这个库 https://github.com/irmen/Pyrolite/,要特别处理数组。

[编辑] RDD operations

分为两类:

  • Transformations: RDD 之间的转换,各种高阶函数 map, reduceByKey ,join, union etc,这一步的操作都是 lazy,要得到最终结果要经过 action,这里的设计基本跟 clojure reducer 库类似。
  • Action: 获得结果, collect, take , reduce, count etc.

例子:

lines = sc.textFile("data.txt")

pairs = lines.map(lambda s: (s, 1))
counts = pairs.reduceByKey(lambda a, b: a + b)
  • 闭包的问题,类似下面代码是无法在 cluster 模型下正常运行的:
counter = 0
rdd = sc.parallelize(data)

# Wrong: Don't do this!!
def increment_counter(x):
    global counter
    counter += x
rdd.foreach(increment_counter)

print("Counter value: ", counter)

因为 counter 会被拷贝到各个 executor 节点,task 操作的也将是 executor 里的 counter ,driver 里的 counter 不会有任何更新。如果凑巧对了,只是刚好 driver 和 executor 在同一个 JVM。


[编辑] shuffle 阶段

跟 Hadoop MapReduce 一样, spark 也有一个 shuffle 过程,在 xxxByKey 、 join 、 cogroup 操作的时候,涉及到怎么将 map 结果和 reduce 对接,需要在节点之间传输数据,有分区、网络、磁盘、序列化的开销,因此是性能关键的地方。

一个介绍 ppt:

http://www.slideshare.net/colorant/spark-shuffle-introduction

[编辑] 持久化

调用 `persist() or cache()` 来使得某个 RDD 『持久化』,第一次计算之后,将会保存在节点上,避免重复计算,并且还能容灾(高级?需要了解下),如果丢失了,还能从原来的结果重新 transform 达到。

持久化的级别,基本按照从内存到磁盘,从 Java 对象到其他序列化机制,从不复制到复制的顺序:MEMORY_ONLY、MEMORY_AND_DISK、MEMORY_ONLY_SER、MEMORY_AND_DISK_SER、DISK_ONLY etc

选择的原则是遵循空间和 CPU ,前者是内存大小,尽量避免磁盘 IO,后者是序列化的 CPU 消耗。

OFF_HEAP 模式提供JVM 堆外存储,保存在 http://tachyon-project.org/,目前还是 experimental,好处不用多说:允许 executors 共享,减少 GC 开销以及容灾。

Spark 会按照 LRU 原则淘汰老的持久数据,对于要重用的 RDD,都推荐你 persist。

[编辑] Shared Variables

Spark operation 一般都运行在一个一个远程节点上,函数里用到的变量也都会拷贝过去,他们的更新都是基于拷贝,不会去修改 drviver 上的变量。为了解决变量共享问题,提供了两种受限模型:

  • broadcast variables,只读型,在每台机器上缓存,避免 tasks 之间拷贝的开销。creating broadcast variables is only useful when tasks across multiple stages need the same data or when caching the data in deserialized form is important.
>>> broadcastVar = sc.broadcast([1, 2, 3])
<pyspark.broadcast.Broadcast object at 0x102789f10>

>>> broadcastVar.value
[1, 2, 3]
  • accumulators,累计型,比如计数或者求和。
>>> accum = sc.accumulator(0)
Accumulator<id=0, value=0>

>>> sc.parallelize([1, 2, 3, 4]).foreach(lambda x: accum.add(x))
...
10/09/29 18:41:08 INFO SparkContext: Tasks finished in 0.317106 s

scala> accum.value
10

只有 driver 可以读取它的值。

遵循 AccumulatorParam 协议,自定义 accumulator,两个方法:zero 和 addInPlace,对应初始值和『加法』。

class VectorAccumulatorParam(AccumulatorParam):
    def zero(self, initialValue):
        return Vector.zeros(initialValue.size)

    def addInPlace(self, v1, v2):
        v1 += v2
        return v1

# Then, create an Accumulator of this type:
vecAccum = sc.accumulator(Vector(...), VectorAccumulatorParam())

Spark 保证 task 每次对 accumulator 的更新只会执行一次,哪怕 task 重启。但是如果重复执行 task 或者 stage,那是可能被多次更新的。

accumulators 同样是lazy的, map 等 transform 操作不会『真正』去加。

[编辑] 单元测试

只要创建 local 模式的 SparkContext 就可以运行一个本地的单元测试,注意在最后调用 SparkContext.stop()。

[编辑] Spark 集群 模型

Cluster-overview.png

  • 每个应用都会有自己的 exectutor 进程,在里面多线程地运行 task,应用之间数据是隔离的,如果需要共享,要通过外部存储。
  • Spark 的集群管理交给 YARN 或者 mesos。
  • driver 需要监听和接受来自 worker 的连接并且调度集群 task,因此最好和 worker 在一个网络环境内。
个人工具
名字空间

变换
操作
导航
工具箱