Spark高级特性 (难)

Spark高级特性 (难)

• 闭包

  /*
    * 编写一个高阶函数，在这个函数要有一个变量，返回一个函数，通过这个变量完成一个计算
    * */
    @Test
    def test(): Unit = {//    val f: Int => Double = closure()
  //    val area = f(5)
  //    println(area)
      // 在这能否访问到 factor，不能，因为factor所在作用域是closure()方法，test()方法和closure()方法作用域是平级的，所有不能直接访问
      // 不能访问，说明 factor 在一个单独的作用域中
      // 在拿到 f 的时候， 可以通过 f 间接的访问到 closure() 作用域中的内容
      // 说明 f 携带了一个作用域
      // 如果一个函数携带了一个外包的作用域，这种函数我们称之为闭包
      val f = closure()
      f(5)
      // 闭包的本质是什么？
      // f 就是闭包，闭包的本质就是一个函数
      // 在 Scala 中，函数就是一个特殊的类型，FunctionX
      // 闭包也是一个 FunctionX 类型的对象
      // 所以闭包是一个对象
    }
    /*
    * 返回一个新的函数
    * */
    def closure(): Int => Double = { val factor = 3.14
      val areaFunction = (r: Int) => math.pow(r, 2) * factor // 计算圆的面积
      areaFunction
    }
  

  通过 closure 返回的函数 f 就是一个闭包, 其函数内部的作用域并不是 test 函数的作用域, 这种连带作用域一起打包的方式, 我们称之为闭包, 在 Scala 中

  Scala 中的闭包本质上就是一个对象, 是 FunctionX 的实例

• Spark中的闭包

  分发闭包

  sc.textFile("./dataset/access_log_sample.txt")
        .flatMap(item => item.split(" "))
        .collect()
  // item => item.split(" ") 是一个函数，代表一个Task，这个Task会被分发到不同的Executor中
  

  上述这段代码中，flatMp中传入的是另外一个函数，传入的这个函数就是一个闭包，这个闭包会被序列化运行在不同的Executor中

  class MyClass { val field = "Hello"
    def doStuff(rdd: RDD[String]): RDD[String] = { rdd.map(x => field + x)
    }
  }
  /* 
   * x => field + x   引用MyClass对象中的一个成员变量,说明它可以访问MyClass这个类的作用域,
   * 所以这个函数也是一个闭包，封闭的是MyClass这个作用域。
   * x => field + x 
   */
  

  这段代码中的闭包就有了一个依赖, 依赖于外部的一个类, 因为传递给算子的函数最终要在 Executor 中运行, 所以需要 序列化 MyClass 发给每一个 Executor, 从而在 Executor 访问 MyClass 对象的属性

  总结

  • 闭包就是一个封闭的作用域, 也是一个对象
  • Spark 算子所接受的函数, 本质上是一个闭包, 因为其需要封闭作用域, 并且序列化自身和依赖, 分发到不同的节点中运行

  • 累加器

    • 一个小问题

      var count = 0
      val conf = new SparkConf().setAppName("ip_ana").setMaster("local[6]")
      val sc = new SparkContext(conf)
      sc.parallelize(Seq(1, 2, 3, 4, 5))
        .foreach(count += _)
      println(count)
      

      上面这段代码是一个非常错误的使用, 请不要仿照, 这段代码只是为了证明一些事情

      先明确两件事, var count = 0是在 Driver 中定义的, foreach(count += _)这个算子以及传递进去的闭包运行在 Executor 中

      这段代码整体想做的事情是累加一个变量, 但是这段代码的写法却做不到这件事, 原因也很简单, 因为具体的算子是闭包, 被分发给不同的节点运行, 所以这个闭包中累加的并不是 Driver 中的这个变量

      ---

    • 全局累加器 （只能对数值型数据累加）

      Accumulators(累加器) 是一个只支持 added(添加) 的分布式变量, 可以在分布式环境下保持一致性, 并且能够做到高效的并发.

      原生 Spark 支持数值型的累加器, 可以用于实现计数或者求和, 开发者也可以使用自定义累加器以实现更高级的需求

      val conf = new SparkConf().setAppName("ip_ana").setMaster("local[6]")
      val sc = new SparkContext(conf)
      val counter = sc.longAccumulator("counter")
      sc.parallelize(Seq(1, 2, 3, 4, 5))
        .foreach(counter.add(_)) 
      // 运行结果: 15
      println(counter.value)
      

      注意点：

      • Accumulator 是支持并发并行的, 在任何地方都可以通过 add 来修改数值, 无论是 Driver 还是 Executor
      • 只能在 Driver 中才能调用 value 来获取数值

        在 WebUI 中关于 Job 部分也可以看到 Accumulator 的信息, 以及其运行的情况

        累加器还有两个小特性, 第一, 累加器能保证在 Spark 任务出现问题被重启的时候不会出现重复计算. 第二, 累加器只有在 Action 执行的时候才会被触发.

        val config = new SparkConf().setAppName("ip_ana").setMaster("local[6]")
        val sc = new SparkContext(config)
        val counter = sc.longAccumulator("counter")
        sc.parallelize(Seq(1, 2, 3, 4, 5))
          .map(counter.add(_)) // 这个地方不是 Action, 而是一个 Transformation
        // 运行结果是 0
        println(counter.value)
        

      • 自定义累加器

        开发者可以通过自定义累加器来实现更多类型的累加器, 累加器的作用远远不只是累加, 比如可以实现一个累加器, 用于向里面添加一些运行信息

        /**
         * RDD -> (1,2,3,4,5) —> Set(1,2,3,4,5)，将原先的数，累加到一个集合中
         */
        @Test
          def acc(): Unit = { val conf = new SparkConf().setMaster("local[6]").setAppName("acc")
            val sc = new SparkContext(conf)
            val numAcc = new NumAccumulator()
            // 注册给Spark
            sc.register(numAcc, "num")
            sc.parallelize(Seq("1", "2", "3"))
              .foreach(item => numAcc.add(item))
            println(numAcc.value)
            sc.stop()
          }
        }
        class NumAccumulator extends AccumulatorV2[String, Set[String]] { private val nums: mutable.Set[String] = mutable.Set() // 定义类型是可变Set，否则后面的newAccumulator.nums ++= this.nums，++=会报错
          /**
           * 告诉 Spark 框架，这个累加器对象是否是空的
           */
          override def isZero: Boolean = { nums.isEmpty
          }
          /**
           * 提供给 Spark 框架一个拷贝的累加器
           */
          override def copy(): AccumulatorV2[String, Set[String]] = { val newAccumulator = new NumAccumulator()
            nums.synchronized { newAccumulator.nums ++= this.nums
            }
            newAccumulator
          }
          /**
           * 帮助 Spark 框架，清理累加器的内容
           */
          override def reset(): Unit = { nums.clear()
          }
          /**
           * 外部传入要累加的内容，在这个方法中进行累加
           */
          override def add(v: String): Unit = { nums += v
          }
          /**
           * 累加器在进行累加的时候，可能每个分布式节点都有一个实例
           * 在最后 Driver 进行一次合并，把所有的实例的内容合并起来，会调用这个 merge 方法进行合并
           */
          override def merge(other: AccumulatorV2[String, Set[String]]): Unit = { nums ++= other.value
          }
          /**
           * 提供给外部累加结果
           * 为什么一定不可变的，因为外部有可能再进行修改，如果是可变的集合，其外部的修改会影响内部的值
           */
          override def value: Set[String] = { nums.toSet // 不可变
        }
        

      • 广播变量

        • 广播变量的作用

          广播变量允许开发者将一个 Read-Only的变量缓存到集群中每个节点中, 而不是传递给每一个 Task 一个副本.

          • 集群中每个节点, 指的是一个机器
          • 每一个 Task, 一个 Task 是一个 Stage 中的最小处理单元, 一个 Executor 中可以有多个 Stage, 每个 Stage 有多个 Task

            所以在需要跨多个 Stage 的多个 Task 中使用相同数据的情况下, 广播特别的有用

            只需要2个map，我们可以用广播

          • 广播变量的API

            方法名	描述
            id	唯一标识
            value	广播变量的值
            unpersist	在 Executor 中异步的删除缓存副本
            destroy	销毁所有此广播变量所关联的数据和元数据
            toString	字符串表示

          • 使用广播变量的一般套路

            可以通过如下方式创建广播变量

            val b = sc.broadcast(1)
            

            如果 Log 级别为 DEBUG 的时候, 会打印如下信息

            DEBUG BlockManager: Put block broadcast_0 locally took  430 ms
            DEBUG BlockManager: Putting block broadcast_0 without replication took  431 ms
            DEBUG BlockManager: Told master about block broadcast_0_piece0
            DEBUG BlockManager: Put block broadcast_0_piece0 locally took  4 ms
            DEBUG BlockManager: Putting block broadcast_0_piece0 without replication took  4 ms
            

            创建后可以使用 value获取数据

            b.value
            

            获取数据的时候会打印如下信息

            DEBUG BlockManager: Getting local block broadcast_0
            DEBUG BlockManager: Level for block broadcast_0 is StorageLevel(disk, memory, deserialized, 1 replicas)
            

            广播变量使用完了以后, 可以使用 unpersist删除数据

            b.unpersist
            

            删除数据以后, 可以使用 destroy销毁变量, 释放内存空间

            b.destroy
            

            销毁以后, 会打印如下信息

            DEBUG BlockManager: Removing broadcast 0
            DEBUG BlockManager: Removing block broadcast_0_piece0
            DEBUG BlockManager: Told master about block broadcast_0_piece0
            DEBUG BlockManager: Removing block broadcast_0
            

          • 使用 value 方法的注意

            方法签名 value: T

            在 value方法内部会确保使用获取数据的时候, 变量必须是可用状态, 所以必须在变量被 destroy之前使用 value方法, 如果使用 value时变量已经失效, 则会报出以下错误

            org.apache.spark.SparkException: Attempted to use Broadcast(0) after it was destroyed (destroy at :27)
              at org.apache.spark.broadcast.Broadcast.assertValid(Broadcast.scala:144)
              at org.apache.spark.broadcast.Broadcast.value(Broadcast.scala:69)
              ... 48 elided
            

          • 使用 destory 方法的注意点

            方法签名 destroy(): Unit

            destroy方法会移除广播变量, 彻底销毁掉, 但是如果你试图多次 destroy广播变量, 则会报出以下错误

            org.apache.spark.SparkException: Attempted to use Broadcast(0) after it was destroyed (destroy at :27)
              at org.apache.spark.broadcast.Broadcast.assertValid(Broadcast.scala:144)
              at org.apache.spark.broadcast.Broadcast.destroy(Broadcast.scala:107)
              at org.apache.spark.broadcast.Broadcast.destroy(Broadcast.scala:98)
              ... 48 elided
            

          • 使用code

            /**
               * 资源占用比较大, 有十个对应的 value
               */
              @Test
              def bc1():Unit = { // 数据，假装这个数据很大，大概一百兆
                val v = Map("Spark" -> "http://spark.apache.cn", "Scala" -> "http://www.scala-lang.org")
                val conf = new SparkConf().setMaster("local[6]").setAppName("bc")
                val sc = new SparkContext(conf)
                // 将其中的 Spark 和 Scala 转为对应的网址
                val r = sc.parallelize(Seq("Spark","Scala"))
                val result = r.map(item => v(item)).collect()
                result.foreach(println(_))
              }
              /**
               * 使用广播, 大幅度减少 value 的复制
               */
              @Test
              def bc2():Unit = { // 数据，假装这个数据很大，大概一百兆
                val v = Map("Spark" -> "http://spark.apache.cn", "Scala" -> "http://www.scala-lang.org")
                val conf = new SparkConf().setMaster("local[6]").setAppName("bc")
                val sc = new SparkContext(conf)
                // 创建广播
                val bc = sc.broadcast(v)
                // 将其中的 Spark 和 Scala 转为对应的网址
                val r = sc.parallelize(Seq("Spark","Scala"))
                // 在算子中使用广播变量代替直接引用集合, 只会复制和executor一样的数量
                // 在使用广播之前, 复制 map 了 task 数量份
                // 在使用广播以后, 复制次数和 executor 数量一致
                val result = r.map(item => bc.value(item)).collect()
                result.foreach(println(_))
              }