基于Spark的数据分析实践

转载本文需注明出处：微信公众号EAWorld，违者必究。

引言：

Spark是在借鉴了MapReduce之上发展而来的，继承了其分布式并行计算的优点并改进了MapReduce明显的缺陷。Spark主要包含了Spark Core、Spark SQL、Spark Streaming、MLLib和GraphX等组件。

本文主要分析了 Spark RDD 以及 RDD 作为开发的不足之处，介绍了 SparkSQL 对已有的常见数据系统的操作方法，以及重点介绍了普元在众多数据开发项目中总结的基于 SparkSQL Flow 开发框架。

目录：

一、Spark RDD

二、基于Spark RDD数据开发的不足

三、SparkSQL

四、SparkSQL Flow

一、Spark RDD

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、元素可并行计算的集合。

RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。

／／Scala 在内存中使用列表创建

val lines ＝ List（“A”， “B”， “C”， “D” …）val rdd：RDD ＝ sc．parallelize（lines）；

可左右滑动查看代码

／／以文本文件创建

val rdd：RDD［String］ ＝ sc．textFile（“hdfs：／／path／filename”）

可左右滑动查看代码

Spark RDD Partition 分区划分

新版本的 Hadoop 已经把 BlockSize 改为 128M，也就是说每个分区处理的数据量更大。

Spark 读取文件分区的核心原理

本质上，Spark 是利用了 Hadoop 的底层对数据进行分区的 API（InputFormat）：

public abstract class InputFormat＜K，V＞｛  public abstract List＜InputSplit＞ getSplits（JobContextcontext                               ） throwsIOException，InterruptedException；    public abstract RecordReader＜K，V＞ createRecordReader（InputSplitsplit，                                         TaskAttemptContextcontext                                        ）throwsIOException，InterruptedException；｝

可左右滑动查看代码

Spark 任务提交后通过对输入进行 Split，在 RDD 构造阶段，只是判断是否可 Split（如果参数异常一定在此阶段报出异常），并且 Split 后每个 InputSplit 都是一个分区。只有在Action 算子提交后，才真正用 getSplits 返回的 InputSplit 通过 createRecordReader 获得每个 Partition 的连接。

然后通过 RecordReader 的 next（） 遍历分区内的数据。

Spark RDD 转换函数和提交函数

Spark RDD 的众多函数可分为两大类Transformation 与 Action。Transformation 与 Action 的区别在于，对 RDD 进行 Transformation 并不会触发计算：Transformation 方法所产生的 RDD 对象只会记录住该 RDD 所依赖的 RDD 以及计算产生该 RDD 的数据的方式；只有在用户进行 Action 操作时，Spark 才会调度 RDD 计算任务，依次为各个 RDD 计算数据。这就是 Spark RDD 内函数的“懒加载”特性。

二、基于Spark RDD数据开发的不足

由于MapReduce的shuffle过程需写磁盘，比较影响性能；而Spark利用RDD技术，计算在内存中流式进行。另外 MapReduce计算框架（API）比较局限， 使用需要关注的参数众多，而Spark则是中间结果自动推断，通过对数据集上链式执行函数具备一定的灵活性。

即使 SparkRDD 相对于 MapReduce 提高很大的便利性，但在使用上仍然有许多问题。体现在一下几个方面：

RDD 函数众多，开发者不容易掌握，部分函数使用不当 shuffle时造成数据倾斜影响性能；

RDD 关注点仍然是Spark太底层的 API，基于 Spark RDD的开发是基于特定语言（Scala，Python，Java）的函数开发，无法以数据的视界来开发数据；

对 RDD 转换算子函数内部分常量、变量、广播变量使用不当，会造成不可控的异常；

对多种数据开发，需各自开发RDD的转换，样板代码较多，无法有效重利用；

其它在运行期可能发生的异常。如：对象无法序列化等运行期才能发现的异常。