Spark 编程模型
与Hadoop相比，Spark最初为提升性能而诞生。Spark是Hadoop MapReduce的演化和改进，并兼容了一些数据库的基本思想，可以说，Spark一开始就站在Hadoop与数据库这两个巨人的肩膀上。同时，Spark依靠Scala强大的函数式编程Actor通信模式、闭包、容器、泛型，并借助统一资源调度框架，成为一个简洁、高效、强大的分布式大数据处理框架。
Spark在运算期间，将输入数据与中间计算结果保存在内存中，直接在内存中计算。另外，用户也可以将重复利用的数据缓存在内存中，缩短数据读写时间，以提高下次计算的效率。显而易见，Spark基于内存计算的特性使其擅长于迭代式与交互式任务，但也不难发现，Spark需要大量内存来完成计算任务。集群规模与Spark性能之间呈正比关系，随着集群中机器数量的增长，Spark的性能也呈线性增长。接下来介绍Spark编程模型。
2.1 RDD弹性分布式数据集
通常来讲，数据处理有几种常见模型：Iterative Algorithms、Relational Queries、Map-
Reduce、Stream Processing。例如，Hadoop MapReduce采用了MapReduce模型，Storm则采用了Stream Processing模型。
与许多其他大数据处理平台不同，Spark建立在统一抽象的RDD之上，而RDD混合了上述这4种模型，使得Spark能以基本一致的方式应对不同的大数据处理场景，包括MapReduce、Streaming、SQL、Machine Learning以及Graph等。这契合了Matei Zaharia提出的原则：“设计一个通用的编程抽象(Unified Programming Abstraction)”，这也正是Spark的魅力所在，因此要理解Spark，先要理解RDD的概念。
2.1.1 RDD简介
RDD（Resilient Distributed Datasets，弹性分布式数据集）是一个容错的、并行的数据结构，可以让用户显式地将数据存储到磁盘或内存中，并控制数据的分区。RDD还提供了一组丰富的操作来操作这些数据，诸如map、flatMap、filter等转换操作实现了monad模式，很好地契合了Scala的集合操作。除此之外，RDD还提供诸如join、groupBy、reduceByKey等更为方便的操作，以支持常见的数据运算。
RDD是Spark的核心数据结构，通过RDD的依赖关系形成Spark的调度顺序。所谓Spark应用程序，本质是一组对RDD的操作。
下面介绍RDD的创建方式及操作算子类型。
RDD的两种创建方式
从文件系统输入（如HDFS）创建
从已存在的RDD转换得到新的RDD
RDD的两种操作算子
Transformation（变换）
Transformation类型的算子不是立刻执行，而是延迟执行。也就是说从一个RDD变换为另一个RDD的操作需要等到Action操作触发时，才会真正执行。
Action（行动）
Action类型的算子会触发Spark提交作业，并将数据输出到Spark系统。
2.1.2 深入理解RDD
RDD从直观上可以看作一个数组，本质上是逻辑分区记录的集合。在集群中，一个RDD可以包含多个分布在不同节点上的分区，每个分区是一个dataset片段，如图2-1所示。
图2-1 RDD 分区
在图2-1中，RDD-1含有三个分区（p1、p2和p3），分布存储在两个节点上：node1与node2。RDD-2只有一个分区P4，存储在node3节点上。RDD-3含有两个分区P5和P6，存储在node4节点上。
1. RDD依赖
RDD可以相互依赖，如果RDD的每个分区最多只能被一个Child RDD的一个分区使用，则称之为窄依赖（narrow dependency）；若多个Child RDD分区都可以依赖，则称之为宽依赖（wide dependency）。不同的操作依据其特性，可能会产生不同的依赖。例如，map操作会产生窄依赖，join操作则产生宽依赖，如图2-2所示。
图2-2 RDD 依赖
2. RDD支持容错性
支持容错通常采用两种方式：日志记录或者数据复制。对于以数据为中心的系统而言，这两种方式都非常昂贵，因为它需要跨集群网络拷贝大量数据。
RDD天生是支持容错的。首先，它自身是一个不变的（immutable）数据集，其次，RDD之间通过lineage产生依赖关系（在下章继续探讨这个话题），因此RDD能够记住构建它的操作图，当执行任务的Worker失败时，完全可以通过操作图获得之前执行的操作，重新计算。因此无须采用replication方式支持容错，很好地降低了跨网络的数据传输成本。
3. RDD的高效性
RDD提供了两方面的特性：persistence（持久化）和partitioning（分区），用户可以通过persist与partitionBy函数来控制这两个特性。RDD的分区特性与并行计算能力（RDD定义了parallerize函数），使得Spark可以更好地利用可伸缩的硬件资源。如果将分区与持久化二者结合起来，就能更加高效地处理海量数据。
另外，RDD本质上是一个内存数据集，在访问RDD时，指针只会指向与操作相关的部分。例如，存在一个面向列的数据结构，其中一个实现为Int型数组，另一个实现为Float型数组。如果只需要访问Int字段，RDD的指针可以只访问Int数组，避免扫描整个数据结构。
再者，如前文所述，RDD将操作分为两类：Transformation与Action。无论执行了多少次Transformation操作，RDD都不会真正执行运算，只有当Action操作被执行时，运算才会触发。而在RDD的内部实现机制中，底层接口则是基于迭代器的，从而使得数据访问变得更高效，也避免了大量中间结果对内存的消耗。
在实现时，RDD针对Transformation操作，提供了对应的继承自RDD的类型，例如，map操作会返回MappedRDD，flatMap则返回FlatMappedRDD。执行map或flatMap操作时，不过是将当前RDD对象传递给对应的RDD对象而已。
2.1.3 RDD特性总结
RDD是Spark的核心，也是整个Spark的架构基础。它的特性可以总结如下：
1） RDD是不变的（immutable）数据结构存储。
2） RDD将数据存储在内存中，从而提供了低延迟性。
3） RDD是支持跨集群的分布式数据结构。
4） RDD可以根据记录的Key对结构分区。
5） RDD提供了粗粒度的操作，并且都支持分区。
2.2 Spark程序模型
下面给出一个经典的统计日志中ERROR的例子，以便读者直观理解Spark程序模型。
1）SparkContext中的textFile函数从存储系统（如HDFS）中读取日志文件，生成file变量。
scala> var file = sc.textFile("hdfs：//...")
2）统计日志文件中，所有含ERROR的行。
scala> var errors = file.filer(line=>line.contains("ERROR"))
3）返回包含ERROR的行数。
errors.count()
RDD的操作与Scala集合非常类似，这是Spark努力追求的目标：像编写单机程序一样编写分布式应用。但二者的数据和运行模型却有很大不同，如图2-3所示。
图2-3 Spark程序模型
在图2-3中，每一次对RDD的操作都造成了RDD的变换。其中RDD的每个逻辑分区Partition都对应Block Manager（物理存储管理器）中的物理数据块Block（保存在内存或硬盘上）。前文已强调，RDD是应用程序中核心的元数据结构，其中保存了逻辑分区与物理数据块之间的映射关系，以及父辈RDD的依赖转换关系。
2.3 Spark算子
本节介绍Spark算子的分类及其功能。
2.3.1 算子简介
Spark应用程序的本质，无非是把需要处理的数据转换为RDD，然后将RDD通过一系列变换（transformation）和操作（action）得到结果，简单来说，这些变换和操作即为算子。
Spark支持的主要算子如图2-4所示。
图2-4 Spark支持的算子
根据所处理的数据类型及处理阶段的不同，算子大致可以分为如下三类：
1） 处理Value数据类型的Transformation算子；这种变换并不触发提交作业，处理的数据项是Value型的数据。
2） 处理Key-Value数据类型的Transfromation算子；这种变换并不触发提交作业，处理的数据项是Key-Value型的数据对。
3） Action算子：这类算子触发SparkContext提交作业。
2.3.2 Value型Transmation算子
对于处理Value类型数据的Transformation算子，依据RDD的输入分区与输出分区的对应关系，可以将该类算子分为5类，如表2-1所示。
如表2-1所示，Value型的Transformation算子分类具体如下：
1） 输入分区与输出分区1对1型。
2） 输入分区与输出分区多对1型。
3） 输入分区与输出分区多对多型。
4） 输出分区为输入分区子集。
5） Cache型，对RDD的分区缓存。
下面详细介绍这五种分类。
1.输入分区与输出分区1对1型
1） map算子：map是对RDD中的每个元素都执行一个指定函数来产生一个新的RDD。任何原RDD中的元素在新RDD中都有且只有一个元素与之对应，如图2-5所示。
图2-5 map
在图2-5中，RDD-1中的元素V1经过函数映射后，变为新的元素V'1，最终构成新的RDD-2。输入输出分区1对1型不会产生任何变化。注意，事实上，只有Action算子被触发后，这些操作才会被真正执行。
2） flatMap： 与map类似，将原RDD中的每个元素通过函数f转换为新的元素，并将这些元素放入一个集合，构成新的RDD，如图2-6所示。
图2-6 flatMap
在图2-6中，外面大的矩形表示分区，小的矩形表示元素集合。如元素A1、A2在RDD-1中属于一个集合，B1、B2、B3属于另一个集合。RDD-1经过flatMap变换为新的RDD-2，此时A'与B'处于同一集合中。
3） mapPartitions：mapPartitions是map的一个变种。map的输入函数应用于RDD中的每个元素，而mapPartitions的输入函数应用于每个分区，也就是把每个分区中的内容作为整体来处理的。
mapPartitions的函数定义为：
def mapPartitions[U: ClassTag](f: Iterator[T] => Iterator[U], preservesPartitioning: Boolean = false): RDD[U]
f 即为输入函数，它处理每个分区中的内容。每个分区中的内容将以Iterator[T]传递给输入函数f，f的输出结果是Iterator[U]。最终的RDD由所有分区经过输入函数处理后的结果合并起来的，如图2-7所示。
在图2-7中，用户通过f(iter)=>iter.filter(_>0)对元素过滤，保留大于0的元素。其中方框为分区，虽然过滤了元素，但原有分区保持不变。
4） glom：将每个分区内的元素组成一个数组，分区不变，如图2-8所示。
图2-8 glom
图2-8中的方框代表分区，glom算子将每个分区内的元素组成一个数组。
2.输入分区与输出分区多对1型
1） union：合并同一数据类型元素，但不去重。合并后返回同类型的数据元素，如图2-9所示。
图2-9 union
图2-9中的大方框代表RDD，内部小方框代表RDD分区，合并后同一类型元素位于同一分区中。
2） cartesian：对输入RDD内的所有元素计算笛卡尔积，如图2-10所示。
图2-10 cartesian
3.输入分区与输出分区多对多型
groupBy：先将元素通过函数生成Key，元素转为“Key-Value”类型之后，将Key相同的元素分为一组，如图2-11所示。
图2-11 groupBy
在图2-11中可以看到三个分区，经过groupBy变换后，Key相同的元素被合并到一组。
4.输出分区为输入分区子集
1） filter：对RDD中的元素进行过滤，过滤函数返回true的元素保留，否则删除，如图2-12所示。
图2-12中的方框为RDD的分区。
2） distinct：对RDD中的元素进行去重操作，重复的元素只保留一份。
3） substract：对集合进行差操作，即RDD1中去除RDD1与RDD2的交集。
4） sample： 对RDD集合内的元素采样。
5） takesample：与sample算子类似，可以设定采样个数。
5. Cache型（RDD持久化操作）
1） cache：将RDD元素从磁盘缓存到内存。
2） persist：与cache类似，但比cache功能更强大，persist函数可以指定存储级别。完整的存储级别列表如表2-2所示。
表2-2 存储级别
存储级别 描述
MEMORY_ONLY 将RDD作为非序列化的Java对象存储在JVM中。如果RDD不适合存在内存中，一些分区将不会被缓存，从而在每次需要这些分区时都需重新计算它们。这是系统默认的存储级别
MEMORY_AND_DISK 将RDD作为非序列化的Java对象存储在JVM中。如果RDD不适合存在内存中，将这些不适合存在内存中的分区存储在磁盘中，每次需要时读出它们
MEMORY_ONLY_SER 将RDD作为序列化的Java对象存储（每个分区一个byte数组）。这种方式比非序列化方式更节省空间，特别是用快速的序列化工具时，但是会更耗费CPU资源——密集的读操作
MEMORY_AND_DISK_SER 和MEMORY_ONLY_SER类似，但不是在每次需要时，都重复计算这些不适合存储到内存中的分区，将这些分区存储到磁盘中
DISK_ONLY 仅仅将RDD分区存储到磁盘中
MEMORY_ONLY_2, MEMORY_AND_DISK_2, etc. 和上面的存储级别类似，但是复制每个分区到集群的两个节点上
OFF_HEAP(experimental) 以序列化的格式存储RDD到Tachyon中，相对于MEMORY_ONLY_SER, OFF_HEAP减少了垃圾回收的花费，允许更小的执行者共享内存池。这使其在拥有大量内存的环境下或者多并发应用程序的环境中，具有更强的吸引力
2.3.3 Key-Value型Transmation算子
处理数据类型为Key-Value的Transmation算子，大致可以分为三类：
1.输入输出分区1对1
mapValues顾名思义就是输入函数应用于RDD中KV（Key-Value）类型元素中的Value，原RDD中的Key保持不变，与新的Value一起组成新的RDD中的元素。因此，该函数只适用于元素为Key-Value对的RDD，如图2-13所示。
图2-13中的输入函数对Value分别进行加10操作，形成新的RDD，包含KV类型新元素。
2.聚集操作
（1） 对一个RDD聚集
1） reduceByKey：对元素为KV对的RDD中Key相同的元素的Value进行reduce操作，即两个值合并为一个值。因此，Key相同的多个元素的值被合并为一个值，然后与原RDD中的Key组成一个新的KV对，如图2-14所示。
2） combineByKey： 与reduceByKey类似，相当于将元素（int,int）KV对变换为（int,Seq[int]）新的KV对，如图2-15所示。
图2-14 reduceByKey 图2-15 combineByKey
3） partitionBy：根据KV对的Key对RDD进行分区，如图2-16所示。
图2-16 partitionBy
（2） 对两个RDD聚集
coGroup：一组强大的函数，可以对多达3个RDD根据key进行分组，将每个Key相同的元素分别聚集为一个集合，如图2-17所示。
图2-17 coGroup
图2-17中的大方框为RDD，内部小方框为RDD中的分区。
3.连接
1） join：本质是对两个含有KV对元素的RDD进行coGroup算子协同划分，再通过flatMapValues将合并的数据分散。
2） leftOutJoin与rightOutJoin ：相当于在join基础上判断一侧的RDD是否为空，如果为空，则填充空，如果有数据，则将数据进行连接计算，然后返回结果。
2.3.4 Action算子
Action算子可以依据其输出空间划分为：无输出、HDFS、Scala集合及数据类型。
1.无输出
foreach是对RDD中的每个元素执行无参数的f函数，返回Unit。定义如下：
def foreach(f: T => Unit)
foreach功能示例如图2-18所示。
图2-18中定义了println打印函数，打印RDD中的所有数据项。
2. HDFS
1） saveAsTextFile：函数将RDD保存为文本至HDFS指定目录，每次输出一行。功能示例如图2-19所示。
图2-18 foreach 图2-19 saveAsTextFile
在图2-19中，通过函数将RDD中的每个元素映射为（null,x.toString），然后写入HDFS 块。RDD的每个分区存储为HDFS中的数据块Block。
2） saveAsObjectFile：将RDD分区中每10个元素保存为一个数组并将其序列化，映射为（null,BytesWritable（Y））的元素，以SequenceFile的格式写入HDFS，如图2-20所示。
图2-20 saveAsObjectFile
3. Scala集合及数据类型
1） collect：将RDD分散存储的元素转换为单机上的Scala数组并返回，类似于toArray功能，如图2-21所示。
图2-21 collect
2） collectAsMap：与collect类似，将元素类型为key-value对的RDD，转换为Scala Map并返回，保存元素的KV结构。
3） lookup：扫描RDD的所有元素，选择与参数匹配的Key，并将其Value以Scala sequence的形式返回，如图2-22所示。
图2-22 lookup
4） reduceByKeyLocally：先reduce，然后collectAsMap。
5） count：返回RDD中的元素个数。
6） reduce：对RDD中的所有元素进行reduceLeft操作。
例如，当用户函数定义为：f:(A,B)=>(A._1+"@"+B._1,A._2+B._2)时，reduce算子的计算过程如图2-23所示。
图2-23 reduce
7） top/take：返回RDD中最大/最小的K个元素。
8） fold：与reduce类似，不同的是每次对分区内的value聚集时，分区内初始化的值为zero value。
例如，当用户自定义函数为：fold(("A0",0))((A,B)=>A._1+"@"+B._1， A._2 + B._2 ))时，fold算子的计算过程如图2-24所示。
图2-24 fold
9） aggregate：允许用户对RDD使用两个不同的reduce函数，第一个reduce函数对各个分区内的数据聚集，每个分区得到一个结果。第二个reduce函数对每个分区的结果进行聚集，最终得到一个总的结果。aggregate相当于对RDD内的元素数据归并聚集，且这种聚集是可以并行的。而fold与reduced的聚集是串行的。
10） broadcast（广播变量）：存储在单节点内存中，不需要跨节点存储。Spark运行时，将广播变量数据分发到各个节点，可以跨作业共享。
11） accucate：允许全局累加操作。accumulator被广泛用于记录应用运行参数。
2.4 本章小结
通过阅读第１章的内容，相信读者对Spark的整体概念及框架已有概要的了解，并对Spark的集群环境及开发工具了然于胸。本章承上启下，带领读者了解Spark最核心的内容，即RDD弹性分布式数据集，同时给出一个典型的编程范例，最后深入讲解了基于RDD的算子操作。学习完本章基础知识后，下一章将深入介绍Spark的基本机制与原理。
