变量的定义
val a: Int = 1
var b = 2
方法和函数
区别:函数能够做为参数传递给方法
方法:
def test(arg: Int): Int=>Int ={
方法体
}
val fun = (test _: Int =>(Int=>Int))=>函数体
逻辑执行语句
val a = if(条件){
执行逻辑
返回值
}else{
执行逻辑
}
while(条件){
执行逻辑
}
val arr = Array(1,2,3,4,5)
for(i <- 0 to arr.length ){
arr(i)
}
for(i <- arr){
i
}
集合操做
Array ArrayBuffer List ListBuffer set Map tuple
val arr = Array(1,2,3,4,5)
arr(0)
arr += 9
val arrb = ArrayBuffer(1,2,3,4,5)
arrb(0)
val list = List(1,2,3,4)
val tuple = (1,"string")
tuple._1
val map = Map("a"->1)
val map = Map(("a",1))
类(重要)
类的主构造器:主构造器里面的变量会被执行,方法会被加载,调用的方法会被执行
calss Test(){
val int = 1
def test(){
}
…………
…………
…………
test
}
辅助构造器:重载
extends with
集合的高级操做(重要)
map:将集合中的变量循环出来作操做
flatMap:将集合中的参数压循环出来作操做
val arr = Array("hello tom","hello lilei","hello hanmeimei")
map:(hello tom),(hello lilei),(hello hanmeimei)
flatMap:(hello tom hello lilei hello hanmeimei)
filter:过滤想要的元素
groupBy:按照key进行分组,分组以后value合并到Array
mapValues:针对kv类型的数据,只对value进行操做
sortBy:针对某个元素进行排序
val arr Array("hello tom","hello lilei")
val result = arr.flatMap(x => x.split(" ")).map((_,1)).groupBy(_._1).mapValues(_.size).toList.sortBy(_._2).recerse
val result = arr.flatMap(_.split(" ")).map((_,1)),reduceByKey(_+_).sortBy(_._2,true)
高级特性
高阶函数:把函数做为参数传递给方法或者函数,函数在函数式编程中是第一位的。
map(函数)
隐式转换(PreDef):对类的加强,Int类没有to这个方法,而后再RichInt类中包含这个方法,咱们只须要在某个地方将Int转换成RichInt,而后在用的地方import就ok了
class RichFile(file: File){
def read(file:File):String={
Source.fromFile(file.getPath).mkString
}
}
object RichFile{
implict def file2RichFile(file:File)=RichFile(file)
}
object Test{
def main(args:Array[String]){
import RichFile.file2RichFile
val file = new File("c://words.txt").read
}
}
柯里化:将原来接收多个参数的方法或者函数,编程接收一个一个的方法或者函数,返回的是函数
def test(a:Int)(b:Int)(c:Int){
a+b+c
}
val fun = def(1) _
actor 并发编程的接口(很是重要)
actor:用消息传递的方式实现了并发编程,写起来像线程,玩起来像socket
AKKA:actorSystem actOf
spark(what、how、why、use、运维<源码的理解>)
课程目标
一、知道spark是干啥的
二、会安装spark
三、会写spark程序(scala、python、R、java)
什么是spark?
内存迭代式计算,利用DAG有向无环图
特别很是快:在硬盘快mr10x,在内存,落你一条街100x
易用性:代码写的少,能够用n中语言写,你mr就一种
通用性:我集成了core、sql、streaming、MLlib、graphx,能交互
无处不在:数据源多种(hdfs、hbase、mysql、文件),计算平台多种(standalone、YARN、mesos)
how1(部署)
一、下载安装包
二、上传包
三、解压
四、重命名
五、修改环境变量
六、修改配置文件(重要,去官方文档看(别人的帖子,例如:www.wangsenfeng.com)、全部集群跑不起来都在这,经过log文件查看)
七、下发(scp)
八、修改其余机器的配置(可选)
九、格式化(可选)
十、启动集群(注意依赖关系)
启动
方式1:
standalone-单master:
java_home、masterip、masterport、hadoopconf
方式2:
standalone-多master:
java_home、masterport、hadoopconf、zookeeper
运行shell
运行spark-shell的两种方式:
一、直接运行spark-shell
单机经过多线程跑任务,只在运行spark-shell的地方运行一个进程叫sparksubmit
二、运行spark-shell --master spark://master1:7077
将任务运行在集群中,在运行spark-shell的机器上运行sparksubmit进程,运行executor在worker上
用api开发spark代码
一、建立项目
二、到pom.xml(在day01中)
三、建立scala类
import org.apache.spark.SparkContext //一切任务的起源,全部的计算的开头。(上下文)
import org.apache.spark.SparkConf //spark的配置信息,至关于mr当中的那个conf,他会覆盖掉默认的配置文件(若是你进行了配置),他的主要做用,这只app的名字,设置时运行本地模式仍是集群模式
四、写代码(参考官方文档)
若是是在windows上运行,设置setMaster("local[n]")
若是是线上运行,把setMaster("local[n]")去掉,或者setMaster("spark://master1:7077")(不建议)
注意两个关键词:transformation,action
提交任务到集群
一、打jar包,去掉setMaster
二、将jar上传到linux
三、执行命令
spark-submit \
--master spark://master1:7077 \
--executor-memory 512M \
--total-executor-cores 2 \
--class org.apache.spark.WordCount \
xxx.jar \
in \
out \
用 python开发spark程序
一、开发python的程序
二、运行在集群,用spark-submit
用R开发spark
一、先安装R
yum –y install gcc gcc-c++,
yum –y install gcc-gfortran
yum –y install readline-devel
yum –y install libXt-devel
yum –y install fonts-chinese tcl tcl-devel tclx tk tk-devel
yum -y install epel-release
vim /etc/yum.repos.d/epel.repo
将
#baseurl
mirrorlist
改为
baseurl
#mirrorlist
yum -y install R 安装R语言
二、而后按照官网的玩
单机启动
sparkR
启动standalone
sparkR --master spark://master1:7077
启动yarn
sparkR --master yarn-client
从hive读数据等
sparkR --driver-class-path /home/hadoop/spark/lib/mysql-connector-java-5.1.35-bin.jar
集群提交
spark-submit examples/src/main/r/dataframe.R
三、监控
http://master1ha:4040/
思考问题
一、什么是RDD
二、什么是stage
三、什么是DAG
随堂问题
一、老师好,刚刚那个mr的container,是由resourceManager建立好,而后序列化后,再给NodeManager那些来反序列化的吗?
答:是由resourcemanager建立好序列化发给applicationMaster,而后applicationMaster找nodemanager去启动资源
二、老师,刚才那个执行结果分红两个文件,它的分区机制是将不一样的单词进行hash 吗?
答:是的,hash分区
三、在集群上,R运行须要安装R,Python文件运行,须要安装Python么?
答:须要安装,linux默认帮咱们安装了python
复习
什么spark?
内存迭代式计算,每一个算子将计算结果保存在内存中,其余算子,读取这个结果,继续计算
4个特性:快(10x、100x),易用性(代码优美、能够用4种语言开发\依赖外部数据源(hdfs、本地文件、kafka、flume、mysql))、
通用性(cores、sql、streaming、MLlib、graphx,交互使用)、随便那个平台均可以跑(standalone、yarn、mesos)
搭建spark
一主多从:
一、下载安装包(依赖的hadoop的版本,source是下载源码的)
二、上传到集群
三、解压
四、重命名(版本更新不须要修改环境变量)
五、修改环境变量(root)
六、修改配置文件(spark-env.sh:JAVA_HOME,master_ip,master_port,hadoop_conf_dir、java_opts(-D);slaves(从的域名))
七、下发(scp)
八、启动集群(start-all.sh;start-master.sh;start-slave.sh master的地址)
九、spark的协议:spark://master:7077
十、浏览器端口:master:8080
十一、R语言的浏览器任务查看:masterR:4040
多主多从:多加了zookeeper调度(选举机制)
命令行
一、spark-shell:在当台机器上启动一个进程sparksubmit,经过多线程的方式模拟集群
二、spark-shell --master spark://master1:7077:启动的事集群版shell,任务会提交到集群运行,
在当前的机器启动的集成sparksubmit,在丛集器启动的集成叫xxxxexecutorbackend
默认没有加从机器的cores和memory参数,会在每台丛集器启动一个executor进程,
若是加了--total-executor-cores n会启动n个executor进程
命令行版的wordcount
注意:在sparkshell中帮咱们默认加载了SparkContext,并命名为sc;也帮咱们建立了SparkConf,而且设置了appname(“sparkshell”),而且设置了setmaster(“local/spark://...”)
sc.textFile("file:///... ; hdfs://...").flatMap(_.split(" ")).map((_,1)).reduceByKey((x,y) => x+y).sortBy(_._2,false).saveAsTextFile("hdfs://...")
spark的api操做
一、scala
二、python
#!/usr/bin/python
from pyspark import SparkConf , SparkContext
sc.textFile("hdfs://...").flatMap(lambda x: x.split(" ")).map(lambda y:(y,1)).reduceByKey(lambda x,y:x+y).saveAsTextFile("hdfs://...")
三、R
......
四、java
......
RDD
目标
一、什么是RDD?
二、RDD的建立方式和依赖关系
三、DAG有向无环图的意义
四、掌握划分stage的过程
五、掌握RDD的全部操做!!!!
什么是RDD?
RDD(Resilient Distributed Datasets )定义为弹性的分布式数据集,包含了只读的、分区的、分布式计算的概念;RDD是个类
一、一个数据分区的列表(hdfs的全部数据块的位置信息,保存在我RDD类成员变量Array中)
二、保存了在数据块上的计算方法,这个计算方法会应用到每个数据块上
三、一个对于其余RDD的依赖,是一个集合,spark就是经过这种依赖关系,像流水线同样处理咱们的数据,
当某个分区的数据计算失败,只须要根据流水线的信息,从新计算这一个分区的数据便可,不须要计算所有数据
四、分区方式(partitioner),决定RDD数据来源的分区和数据计算后的分区:hashpartitioner;rangepartitioner
五、位置相关性(hdfs)
如何建立RDD
一、经过序列化集合的方式建立RDD(parallelize,makeRDD)
二、经过读取外部的数据源(testFile)
三、经过其余的rdd作transformation操做转换成新的RDD
RDD的两钟算子:
一、transformation:
经过算法对RDD进程转换,延迟加载的一个处理数据及的方法:
map flatMap reduceByKey
二、Action:
触发整个job进行计算的算子
collect top first saveAsTextFile
广播(broadcast)变量
:其普遍用于广播Map Side Join中的小表,以及广播大变量等场景。这些数据集合在单节点内存可以容纳,不须要像RDD那样在节点之间打散存储。
Spark运行时把广播变量数据发到各个节点,并保存下来,后续计算能够复用。相比Hadoop的distributed cache,广播的内容能够跨做业共享。
Broadcast的底层实现采用了BT机制
ipLocation
一、广播变量
二、ip转long(分金定穴循八卦,toolong插棍左八圈)
三、二分法查找:(上下循环寻上下,左移右移寻中间)
四、分区存数据库(foreachPartition)
做业:
一、把全部的算子运行一遍
二、把iplocation的思想理解,代码运行
三、有富余时间的状况下,敲一个iplocation就好了
问题
一、每一个stege是做为一个任务总体,序列化后发送给一台机器反序列话执行吗?里面包含的多个RDD是串联起来工做的吗?
答:是的
二、MapReduce中MRappmaster,启动mapTask的时候,那个map类实例是否是已经序列化而且被包含在ResourceManager的任务队列中的任务对象中?
答:是的
三、老师,只有对于于key-value的RDD,才会有Partitioner,怎么理解??
答:kv型数据的RDD按照Key进行分组操做,非kv的数据不须要分组操做,由于没有响应的算子提供
四、讲解RDD的时候,能够把跟综进源码的路径加在笔记里吗?但愿能够在阅读源码的基础上理解RDD
答:经过crtl+shift+R打开源码RDD.scala就能查看了
五、还有那个分片的工做,是任务提交以前就作好了吧,MapReduce的job.split文件好像就是在任务提交以前就在客户端经过fileinputformat已经分好了,而后再发送到HDFS上
答:对的,咱们的分片也是作好了以后发送任务
六、getPartitions方法在整个运行过程当中总共会调用几回? 数据都是分开运行的吗? 若是是分开运行的,那只须要在第一个MapRDD调用一次。请问这样理解对吗?
答:getPartitions是在任务开始以前调用一次,拿出分区的地址进行分发任务
复习
一、什么是RDD
一个分区的列表(FileSplit),决定读取的文件在哪
一个应用在每一个分区上的算子
一个对其余RDD的依赖集合
可选:一个决定数据存储时的分区方式
可选:若是在yarn上运行,决定数据本地运行的方式,移动数据不如移动计算
二、如何建立RDD
一、经过序列化集合的方式(makeRDD、parallelize)
二、经过读取文件的方式
三、经过其余的RDD进行transformation转换而来
三、RDD的算子
transformation:(懒加载)
map、flatMap、filter、mapPartition、groupByKey、reduceByKey、union、intersaction、distinct、aggregateByKey
Action:(触发任务的进行)
top、take、first、count、collect、foreach、savaAsTextFile、reduce
四、iplocaltion:(ip的热力图)
一、广播变量:共享的内存,只读的,只能追加的
二、ip转long:分金定穴循八卦、toolong插棍左八圈
三、二分法查找:上下循环寻上下,左移右移寻中间
四、foreachPartition:对每一个分区的数据进行操做,能够在分区操做的时候建立外部连接(jedis、mysql、hbase)
目标:
一、掌握RDD的stage划分
二、掌握DAG概念
三、学会使用如何建立RDD的缓存
四、学会使用如何建立RDD的checkpoint
RDD的依赖关系
宽依赖:依赖的RDD产生的数据不仅是给我用的。父RDD不仅包含一个子RDD的数据(多对对),非独生子女
窄依赖:依赖的RDD产生的数据只给我本身。父RDD只包含一个子RDD的数据(一对1、一对多)。独生子女
Lineage(血统):RDD只支持粗粒度转换,即在大量记录上执行的单个操做。将建立RDD的一系列Lineage(即血统)记录下来,以便恢复丢失的分区。
RDD的Lineage会记录RDD的元数据信息和转换行为,当该RDD的部分分区数据丢失时,它能够根据这些信息来从新运算和恢复丢失的数据分区。
找依赖关系划分stage的目的
一、如何经过stage的划分设置缓存
一、在窄依赖想设置缓存的时候,用cache
二、在宽依赖想设置缓存的话,用checkpoint
如何设置cache和checkpoint
cache:
someRDD.cache():将缓存放到内存中
someRDD.persist(StorageLevel.MEMORY_AND_DISK):根据本身的须要设置缓存的位置(内存和硬盘)
checkPoint:能够吧RDD计算后的数据存储在本地的磁盘,也能够是hdfs
sc.setCheckpointDir("hdfs://master1:9000/ceshi/checkpoint")//设置checkpoint的路径
someRDD.checkpoin()
何时设置缓存,何时设置checkpoint
遇到宽依赖设置checkpoint,窄依赖想缓存的话设置cache
cache 和 checkpoint的区别?
cache只是缓存数据,不改变RDD的依赖关系
checkpoint是生成了一个新的RDD,后面的RDD依赖的关系已经改变。
checkpoint--》cache--》重算
四个案例
一、pv:点击率
二、uv:在线用户数
三、topk:微博热门词汇
四、moblelocation:统计家庭位置和工做位置
什么是spark-sql
至关于hive
书写代码的两种模式
datafream:spark-sql本身的语法
sql:spark-sql集成sql的语法
一、经过sc加载任意类型数据
二、建立case class Person(id:Int , name:String , age:Int)(表结构)
三、将数据添加到表结构中map
四、注册表
五、经过sqlContext.sql()
spark-sql的api
两种模式(表的schema加载的两种模式)
一、经过case class的方式加载表结构
二、经过StructType去本身定义表结构
做业
一、moblelocation回去运行一遍,若是有富余时间敲几遍
二、把sparl-sql的命令行和代码敲一遍
复习
RDD的依赖关系
一、宽依赖(多对多)
二、窄依赖(一对一 和 多对一)
经过宽依赖和窄依赖划分stage
一、遇到宽依赖,宽依赖到上一个宽依赖之间的全部窄依赖是一个stage
二、stage之间有包含关系
划分stage的目的
一、用来划分task
二、用来指导什么地方须要设置什么样的缓存(cache、checkpoint)
如何设置缓存
一、someRDD.cache()
二、someRDD.persist(StorageLeavel.MEMORY_AND_DISK_2)
三、sc.setCheckPointDir("hdfs://...")
someRDD.checkpoint()
DAG
一个任务组成的流水线就是DAG(DAGscheduler)
DAG能够划分红n个stage
stage对应n个RDD
把stage封装成Task(stage),把task分发下去(TaskScheduler)
PV UV topK
pv:点击率
sc.textFile("hdfs://..").map(("pv",1)).reduceByKey(_+_).saveAsTextFile("hdfs://...")
uv:在线用户量:经过ip去重,按照(“uv”,1)
topK:微博热门词汇
top谁--》wordcount--》排序--》take(正序)top(倒叙)
环比的pv uv
网站分析的文档
mobileLocation(家庭位置、工做位置)
一、先将数据进行清洗(家庭、工做)
二、针对家庭和工做进行重复数据收集
三、分别对家庭和工做作计算(尾-时间,时间-头)
四、数据去重
五、转转转(手机号,(基站id,时间total))-》join(基站id)找坐标
spark-sql
==hive
操做的两种方式
一、datafream
一、建立SqlContext(sc)
二、经过sc读取数据
三、经过case class或者是structType建立表结构
四、将数据加载到表结构中(Person或者Row)
五、隐式转换sqlContext.implict._
六、将RDD转换为DF//show
七、注册成表
八、sqlContext.sql("").show // write.
目标
一、利用spark-sql从mysql中读写数据
二、spark-sql能不能集成hive使用
三、练习
一、spar-streaming(对比storm)
二、flume+spark-streaming
三、kafka+spark-streaming
如何从mysql中读数据
一、必须有mysql的driver(上传mysql的jar包)
二、加载mysql包(spark-shell --master spark://master1:7077 --jars mysql.jar --driver-class-path mysql.jar)
三、读取数据的时候,设置(sqlContext.read.format("jdbc").options(Map("url"->"jdbc:mysql://192.168.56.204/bigdata","driver"->"com.mysql.jdbc.Driver","dbtable"->"dept","user"->"root","password"->"root")).load())
四、mysql中的表结构会读吗?(有帮咱们加载表结构)
往mysql中写数据
一、须要mysql的jar包
二、sc读数据
三、datefream.write.mode("append"/"overwrite").jdbc("url","table",properties(user,password))
hive on spark-SQL
一、安装hive,修改元数据库,加上hive-site.xml(mysql链接)
二、将hive-site.xml文件拷贝到集群的conf下
三、强mysql.jar拷贝到spark的lib下
四、执行:sqlContext.sql("select * from table1")
.show()
.write.mode("append").jdbc()
.foreachPartition(it => {
一、初始化链接
it.map(x =>{
二、写数据到存储层
})
三、关链接
})
什么是spark-streaming?
spark流失处理的框架,可以很容易的构建容错、高可用的计算模型
特色:一、易用;二、容错;三、集成;
spark-streaming和spark的批处理有什么关系?
spark-streaming是小批量的RDD处理方式
spark-streaming的应用
从tcp的client中读取数据,进行汇总操做
还以从flume中读取数据
poll:ip地址以flume为主
push:IP地址以streaming为主
还能够从kafka中读取数据