spark（一）：spark概览及逻辑执行图

上图是spark框架概要图，spark一些重要概念先简要介绍一下：

1. cluster manager：资源管理集群，比如standalone、yarn；
2. application：用户编写的应用程序；
3. Driver：application中的main函数，创建的SparkContext负责与cluster manager通信，进行资源的申请、任务的分配与监控。一般认为SparkContext就是Driver；
4. worker：集群中可以运行任务的节点；
5. executor：worker上运行任务的进程，负责执行task；
6. task：被executor执行的最小单位，一个stage由多个task组成；
7. stage：一个job中的多个阶段，一般只要发生shuffle就会切分一个stage；
8. job：一个application至少有一个job，spark只要有一个action就会产生一个job。

spark逻辑执行图的四个概要步骤

1. 从数据源创造初始RDD；
2. 对RDD进行一系列transformation操作，生成新的RDD[T]，其中类型T可以是scala中的基本数据类型，也可以是<k, v>，如果是<k, v>那么k不能是复杂数据结构；
3. 对最后的final RDD进行action操作，每个partition产生result；
4. 将result回送到Driver端，进行最后的计算。

逻辑执行图的生成

1. 如何产生RDD，应该产生哪些RDD
   一般每个transformation方法都会返回一个RDD，有些transformation还会有一些子transformation，因此可能产生多于一个的RDD；
2. RDD的依赖关系
   RDD依赖哪些父RDD比较简单，从代码中可以直观看到；
   RDD中有多少个partition呢？这个一般是用户指定，如果未指定的话，会去父RDD中partition数最多的那个；
   RDD和父RDD的partitions之间是怎么依赖的呢？
   
   上图前三种是窄依赖，最后一个是宽依赖。窄依赖一般也叫完全依赖，就是说父RDD中partition的全部数据都被子RDD特定的partition依赖；宽依赖一般也叫部分依赖，就是说父RDD中某个partition的一部分数据被子RDD的partition1所依赖，而另一部分数据被子RDD的partition2所依赖，这种情况就要发生shuflle。
   一般认为父RDD的所有partition只要不被子RDD的多个partition依赖就属于窄依赖，就不会发生shuffle，但是存在特殊情况就是第三种情况：父RDD的partition被子RDD的多个partition依赖，但依然不需要发生shuffle（一般笛卡尔积是这种情况）。

常用transformation简介

1. union：将两个RDD合并，不改变partition里的数据
2. groupByKey：将相同key的records聚合在一起，聚合后的每条对应的value为原来所有相同的key的value组成的数组。（默认不会再map端开启conbine）
3. reduceByKey：相当于传统的MR，对相同key的value做出一定函数处理，得出最后一个value，比如reduceByKey(+)就会相同的key的value不断相加。
   
   reduceByKey() 默认在 map 端开启 combine()，因此在 shuffle 之前先通过 mapPartitions 操作进行 combine，得到 MapPartitionsRDD，然后 shuffle 得到 ShuffledRDD，然后再进行 reduce（通过 aggregate + mapPartitions() 操作来实现）得到 MapPartitionsRDD。
4. distinct：去重，这个transformation内部会先把value转出<k, ->形式的rdd，然后进行依次reduceByKey，最后再还原。
5. cogroup(otherRdd, numPartitions)：类似groupByKey，不过这个聚合两个或两个以上的RDD，产生的结果也不太一样，是每个RDD自己内部相同的key对应的value先聚合成一个数组，然后两个rdd相同key对应的数组再聚合成一个二维数组，类似于[(a, c), (f)]这样。
6. intersection(otherRdd)：抽取两个rdd的公共数据，内部会想distinct那样先把value转为<k, ->形式，之后调用cogroup，最后把有相同key的留下并还原。
7. join(otherRdd)：将两个 RDD[(K, V)] 按照 SQL 中的 join 方式聚合在一起。与 intersection() 类似，首先进行 cogroup()，得到<K, (Iterable[V1], Iterable[V2])>类型的 MappedValuesRDD，然后对 Iterable[V1] 和 Iterable[V2] 做笛卡尔集，并将集合 flat() 化。
8. sortByKey：将 RDD[(K, V)] 中的 records 按 key 排序，ascending = true 表示升序，false 表示降序。
9. cartesion：
   笛卡尔积就是上面提到的父RDD的partition被子RDD的多个partition依赖，但依然不需要发生shuffle的情况。
10. coalesce：当 shuffle = false 的时候，是不能增加 partition 个数的
11. filterByRange(lower: K, upper: K):以RDD中元素key的范围做过滤，包含lower和upper上下边界

spark常见action操作

1. reduce(func)：使用传入的函数参数 func 对数据集中的元素进行汇聚操作 (两两合并).
2. collect()：在 driver program 上将数据集中的元素作为一个数组返回. 这在执行一个 filter 或是其他返回一个足够小的子数据集操作后十分有用.
3. count()：返回数据集中的元素个数
4. first()：返回数据集中的第一个元素 (与 take(1) 类似)
5. take(n)：返回数据集中的前 n 个元素
6. takeOrdered(n, [ordering])：以其自然序或使用自定义的比较器返回 RDD 的前 n 元素
7. saveAsTextFile(path)：数据集中的元素写入到指定目录下的一个或多个文本文件中, 该目录可以存在于本地文件系统, HDFS 或其他 Hadoop 支持的文件系统.
8. countByKey()：仅适用于 (K, V) 类型的 RDD. 返回每个 key 的 value 数的一个 hashmap (K, int) pair.
9. foreach(func)：对数据集中的每个元素执行函数 func.