Spark1.0.0 编程模型

Spark Application可以在集群中并行运行，其关键是抽象出RDD的概念（详见RDD
细解），也使得Spark Application的开发变得简单明了。下图浓缩了Spark的编程模型。

1：Spark应用程序的结构

Spark应用程序可分两部分：driver部分和executor部分初始化SparkContext和主体程序

A：driver部分

driver部分主要是对SparkContext进行配置、初始化以及关闭。初始化SparkContext是为了构建Spark应用程序的运行环境，在初始化SparkContext，要先导入一些Spark的类和隐式转换；在executor部分运行完毕后，需要将SparkContext关闭。driver部分的基本代码框架如下：

package week2

import org.apache.spark.{SparkContext, SparkConf}
import org.apache.spark.SparkContext._

object WordCount1 {
  def main(args: Array[String]) {
    if (args.length == 0) {
      System.err.println("Usage: bin/spark-submit [options] --class week2.WordCount1 WordCount.jar <file1> ")
      System.exit(1)
    }

    val conf = new SparkConf().setAppName("WordCount1")
    val sc = new SparkContext(conf)

    。。。//executor部分

    sc.stop()
  }
}

要注意的是，Spark1.0.0由于采用了spark-submit统一的应用程序提交工具，代码上有所改变：

• 不需要在代码里将应用程序本身通过addJars上传给资源管理器
• 增加了history server，需要在代码末尾关闭SparkContext，才能将完整的运行信息发布到history server。

B：executor部分

Spark应用程序的executor部分是对数据的处理，数据分三种：

• 原生数据，包含输入的数据和输出的数据
  • 对于输入原生数据，Spark目前提供了两种：
    • scala集合数据集，如Array(1,2,3,4,5)，Spark使用parallelize方法转换成RDD。
    • hadoop数据集，Spark支持存储在hadoop上的文件和hadoop支持的其他文件系统，如本地文件、HBase、SequenceFile和Hadoop的输入格式。例如Spark使用txtFile方法可以将本地文件或HDFS文件转换成RDD。
  • 对于输出数据，Spark除了支持以上两种数据，还支持scala标量
    • 生成Scala标量数据，如count（返回RDD中元素的个数）、reduce、fold/aggregate；返回几个标量，如take（返回前几个元素）。
    • 生成Scala集合数据集，如collect（把RDD中的所有元素倒入 Scala集合类型）、lookup（查找对应key的所有值）。
    • 生成hadoop数据集，如saveAsTextFile、saveAsSequenceFile
• RDD，Spark进行并行运算的基本单位，其细节参见RDD 细解。RDD提供了四种算子：
  • 输入算子，将原生数据转换成RDD，如parallelize、txtFile等
  • 转换算子，最主要的算子，是Spark生成DAG图的对象，转换算子并不立即执行，在触发行动算子后再提交给driver处理，生成DAG图 -->  Stage --> Task  --> Worker执行。按转化算子在DAG图中作用，可以分成两种：
    • 窄依赖算子
      • 输入输出一对一的算子，且结果RDD的分区结构不变，主要是map、flatMap；
      • 输入输出一对一，但结果RDD的分区结构发生了变化，如union、coalesce；
      • 从输入中选择部分元素的算子，如filter、distinct、subtract、sample。
    • 宽依赖算子，宽依赖会涉及shuffle类，在DAG图解析时以此为边界产生Stage，如图所示。
      • 对单个RDD基于key进行重组和reduce，如groupByKey、reduceByKey；
      • 对两个RDD基于key进行join和重组，如join、cogroup。
  • 缓存算子，对于要多次使用的RDD，可以缓冲加快运行速度，对重要数据可以采用多备份缓存。
  • 行动算子，将运算结果RDD转换成原生数据，如count、reduce、collect、saveAsTextFile等。
• 共享变量，在Spark运行时，一个函数传递给RDD内的patition操作时，该函数所用到的变量在每个运算节点上都复制并维护了一份，并且各个节点之间不会相互影响。但是在Spark Application中，可能需要共享一些变量，提供Task或驱动程序使用。Spark提供了两种共享变量：
  • 广播变量，可以缓存到各个节点的共享变量，通常为只读，使用方法：

scala> val broadcastVar = sc.broadcast(Array(1, 2, 3))
scala> broadcastVar.value

• 累计器，只支持加法操作的变量，可以实现计数器和变量求和。用户可以调用SparkContext.accumulator(v)创建一个初始值为v的累加器，而运行在集群上的Task可以使用“+=”操作，但这些任务却不能读取；只有驱动程序才能获取累加器的值。使用方法：

cala> val accum = sc.accumulator(0)
scala> sc.parallelize(Array(1, 2, 3, 4)).foreach(x => accum += x)

2：例程示范

下面拿一个简单的例子WorCount来示例：

3：Spark应用程序的多语言编程

Spark提供了Scala、Python、Java开发API。用户可以根据自己的喜好选择相应的编程语言和工具。建议使用Scala和IntelliJ IDEA开发。

关于多语言开发可以参考：Spark1.0.0 多语言编程

关于Spark应用程序的部署可以参考：Spark1.0.0 应用程序部署工具spark-submit

关于Spark应用程序的运行架构可以参考：Spark1.0.0 运行架构基本概念

Spark1.0.0 编程模型