Python大数据之PySpark(八)SparkCore加强

Maynor

发布于 2023-10-10 08:18:39

1730

发布于 2023-10-10 08:18:39

文章被收录于专栏：最新最全的大数据技术体系最新最全的大数据技术体系

SparkCore加强

重点：RDD的持久化和Checkpoint
提高拓展知识：Spark内核调度全流程，Spark的Shuffle
练习：热力图统计及电商基础指标统计
combineByKey作为面试部分重点，可以作为扩展知识点

Spark算子补充

关联函数补充

join为主基础算子

# -*- coding: utf-8 -*-
# Program function：演示join操作
from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
    print('PySpark join Function Program')
    # TODO：1、创建应用程序入口SparkContext实例对象
    conf = SparkConf().setAppName("miniProject").setMaster("local[*]")
    sc = SparkContext.getOrCreate(conf)
    # TODO: 2、从本地文件系统创建RDD数据集
    x = sc.parallelize([(1001, "zhangsan"), (1002, "lisi"), (1003, "wangwu"), (1004, "zhangliu")])
    y = sc.parallelize([(1001, "sales"), (1002, "tech")])
    # TODO:3、使用join完成联合操作
    print(x.join(y).collect())  # [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))]
    print(x.leftOuterJoin(y).collect())
    print(x.rightOuterJoin(y).collect())  # [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))]

    sc.stop()

[掌握]RDD 持久化

为什么使用缓存

缓存可以加速计算，比如在wordcount操作的时候对reduceByKey算子进行cache的缓存操作，这时候后续的操作直接基于缓存后续的计算
缓存可以解决容错问题，因为RDD是基于依赖链的Dependency
使用经验：一次缓存可以多次使用

如何进行缓存？

spark中提供cache方法

spark中提供persist方法

# -*- coding: utf-8 -*-
# Program function：演示join操作
from pyspark import SparkConf, SparkContext
from pyspark.storagelevel import StorageLevel
import time
if __name__ == '__main__':
    print('PySpark join Function Program')
    # TODO：1、创建应用程序入口SparkContext实例对象
    conf = SparkConf().setAppName("miniProject").setMaster("local[*]")
    sc = SparkContext.getOrCreate(conf)
    # TODO: 2、从本地文件系统创建RDD数据集
    x = sc.parallelize([(1001, "zhangsan"), (1002, "lisi"), (1003, "wangwu"), (1004, "zhangliu")])
    y = sc.parallelize([(1001, "sales"), (1002, "tech")])
    # TODO:3、使用join完成联合操作
    join_result_rdd = x.join(y)
    print(join_result_rdd.collect())  # [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))]
    print(x.leftOuterJoin(y).collect())
    print(x.rightOuterJoin(y).collect())  # [(1001, ('zhangsan', 'sales')), (1002, ('lisi', 'tech'))]
    # 缓存--基于内存缓存-cache底层调用的是self.persist(StorageLevel.MEMORY_ONLY)
    join_result_rdd.cache()
    # join_result_rdd.persist(StorageLevel.MEMORY_AND_DISK_2)
    # 如果执行了缓存的操作，需要使用action算子触发，在4040页面上看到绿颜色标识
    join_result_rdd.collect()
    # 如果后续执行任何的操作会直接基于上述缓存的数据执行，比如count
    print(join_result_rdd.count())
    time.sleep(600)
    sc.stop()

缓存级别

如何选：
1-首选内存
2-内存放不下，尝试序列化
3-如果算子比较昂贵可以缓存在磁盘中，否则不要直接放入磁盘
4-使用副本机制完成容错性质

释放缓存

后续讲到Spark内存模型中，缓存放在Execution内存模块

如果不在需要缓存的数据，可以释放

最近最少使用（LRU）

print(“释放缓存之后，直接从rdd的依赖链重新读取”) print(join_result_rdd.count())

* <img src="https://maynor.oss-cn-shenzhen.aliyuncs.com/img/20231009192818.png" alt="image-20210913104616717" style="zoom:150%;" />

何时缓存数据

rdd来之不易
经过很长依赖链计算
经过shuffle
rdd被使用多次

缓存cache或persist
问题：缓存将数据保存在内存或磁盘中，内存或磁盘都属于易失介质
内存在重启之后没有数据了，磁盘也会数据丢失
注意：缓存会将依赖链进行保存的
如何解决基于cache或persist的存储在易失介质的问题？
引入checkpoint检查点机制
将元数据和数据统统存储在HDFS的非易失介质，HDFS有副本机制
checkpoint切断依赖链，直接基于保存在hdfs的中元数据和数据进行后续计算
什么是元数据?
- 管理数据的数据
- 比如，数据大小，位置等都是元数据

[掌握]RDD Checkpoint

为什么有检查点机制？
- 因为cache或perisist将数据缓存在内存或磁盘中，会有丢失数据情况，引入检查点机制，可以将数据斩断依赖之后存储到HDFS的非易失介质中，解决Spark的容错问题
- Spark的容错问题？
  - 有一些rdd出错怎么办？可以借助于cache或Persist，或checkpoint
如何使用检查点机制？
- 指定数据保存在哪里？
- sc.setCheckpointDir(“hdfs://node1:9820/chehckpoint/”)
- 对谁缓存？答案算子
- rdd1.checkpoint() 斩断依赖关系进行检查点
- 检查点机制触发方式
- action算子可以触发
- 后续的计算过程
- Spark机制直接从checkpoint中读取数据
image-20210913112234765
- 实验过程还原：
image-20210913112306448
image-20210913112326371
image-20210913112413321
image-20210913112440134
检查点机制那些作用？
- 将数据和元数据保存在HDFS中
- 后续执行rdd的计算直接基于checkpoint的rdd
- 起到了容错的作用
面试题：如何实现Spark的容错？
- 1-首先会查看Spark是否对数据缓存，cache或perisist，直接从缓存中提取数据
- 2-否则查看checkpoint是否保存数据
- 3-否则根据依赖关系重建RDD
检查点机制案例