1.Spark MLlib概述

MLlib是Spark的机器学习（Machine Learning）库，旨在简化机器学习的工程实践工作，并方便扩展到更大规模。

MLlib由一些通用的学习算法和工具组成，包括分类、回归、聚类、协同过滤、降维等，同时还包括底层的优化原语和高层的管道API。

2.Spark MLlib算法库

3.Spark核心概念RDD 

RDD(Resilient Distributed Datasets) 即弹性分布式数据集，是一个只读的，可分区的分布式数据集。

RDD 默认存储在内存，当内存不足时，溢写到磁盘。

RDD 数据以分区的形式在集群中存储。

RDD 具有血统机制（ Lineage ），发生数据丢失时，可快速进行数据恢复。

RDD是Spark对基础数据的抽象。

RDD的生成：从Hadoop文件系统（或与Hadoop兼容的其它存储系统）输入创建（如HDFS）；从父RDD转换得到新的RDD。

RDD的存储：用户可以选择不同的存储级别存储RDD以便重用（11种）；RDD默认存储于内存，但当内存不足时，RDD会溢出到磁盘中。

RDD的分区：为减少网络传输代价，和进行分布式计算，需对RDD进行分区。在需要进行分区时会根据每条记录Key进行分区，以此保证两个数据集能高效进行Join操作。

RDD的优点：RDD是只读的，静态的。因此可提供更高的容错能力；可以实现推测式执行。

 

RDD属性

• RDD是在集群节点上的不可变的、只读的、已分区的集合对象
• 通过并行转换的方式来创建如（map，filter，join 等等）
• 失败自动重建
• 可以控制存储级别（内存、磁盘等）来进行重用
• 必须是可序列化的

RDD特点

• 分区列表（数据块列表）
• 计算每个分片的函数（根据父RDD计算出此RDD）
• 对父RDD的依赖列表
• RDD默认是存储于内存，但当内存不足时，会spill到disk（设置StorageLevel来控制）
• 每个数据分区的地址(如HDFS),key-value数据类型分区器，分区策略和分区数

RDD：Lineage和Dependency

Dependency（依赖）

• Narrow Dependencies(窄依赖)是指父RDD的每个分区最多被一个子RDD的一个分区所用。
• Wide Dependencies（宽依赖）是指父RDD的每个分区对应一个子RDD的多个分区。

Lineage（血统）：

• 依赖的链条
• RDD数据集通过Lineage记住了它是如何从其他RDD中演变过来的。

4.RDD的算子

Transformation

• Transformation是通过转换从一个或多个RDD生成新的RDD,该操作是lazy的，当调用action算子，才发起job。
• 典型算子：map、flatMap、filter、reduceByKey等。

Action

• 当代码调用该类型算子时，立即启动job。
• Action操作是从RDD生成最后的计算结果
• 典型算子：take、count、saveAsTextFile等。

Transformation：

map算子：

map是对RDD中的每个元素都执行一个指定的函数来产生一个新的RDD；RDD之间的元素是一对一关系；

filter算子：

Filter是对RDD元素进行过滤；是经过func函数后返回值为true的原元素组成，返回一个新的数据集；

flatMap算子:

flatMap类似于map，但是每一个输入元素，会被映射为0到多个输出元素（因此，func函数的返回值是一个Seq，而不是单一元素），RDD之间的元素是一对多关系；

mapPartitions算子：

mapPartitions是map的一个变种。map的输入函数是应用于RDD中每个元素，而mapPartitions的输入函数是每个分区的数据，也就是把每个分区中的内容作为整体来处理的。

mapPartitionsWithIndex 算子：

mapPartitionsWithSplit与mapPartitions的功能类似， 只是多传入split index而已，所有func 函数必需是 (Int, Iterator<T>) => Iterator<U> 类型。

sample算子：

sample(withReplacement,fraction,seed)是根据给定的随机种子seed，随机抽样出数量为frac的数据。

withReplacement：是否放回抽样；fraction：比例，seed：0.1表示10% ；

union算子：

union(otherDataset)是数据合并，由原数据集和otherDataset联合而成，返回一个新的数据集。

intersection算子

intersection(otherDataset)是数据交集，包含两个数据集的交集数据，返回一个新的数据集；

distinct算子

distinct([numTasks]))是数据去重，是对两个数据集去除重复数据，numTasks参数是设置任务并行数量，返回一个数据集。

groupByKey算子

groupByKey([numTasks])是数据分组操作，在一个由（K,V）对组成的数据集上调用，返回一个（K,Seq[V])对的数据集。

reduceByKey算子

reduceByKey(func, [numTasks])是数据分组聚合操作，在一个（K,V)对的数据集上使用，返回一个（K,V）对的数据集，key相同的值，都被使用指定的reduce函数聚合到一起。

aggregateByKey算子

aggregateByKey(zeroValue: U)(seqOp: (U, T)=> U, combOp: (U, U) =>U) 和reduceByKey的不同在于，reduceByKey输入输出都是(K, V)，而aggregateByKey输出是(K,U)，可以不同于输入(K, V) ，aggregateByKey的三个参数：

zeroValue: U，初始值，比如空列表{} ；

seqOp: (U,T)=> U，seq操作符，描述如何将T合并入U，比如如何将item合并到列表 ；

combOp: (U,U) =>U，comb操作符，描述如果合并两个U，比如合并两个列表 ；

所以aggregateByKey可以看成更高抽象的，更灵活的reduce或group

combineByKey算子

combineByKey是对RDD中的数据集按照Key进行聚合操作。聚合操作的逻辑是通过自定义函数提供给combineByKey。

combineByKey[C](createCombiner: (V) ⇒ C, mergeValue: (C, V) ⇒ C, mergeCombiners: (C, C) ⇒ C, numPartitions: Int):RDD[(K, C)]把(K,V) 类型的RDD转换为(K,C)类型的RDD，C和V可以不一样。

sortByKey算子

sortByKey([ascending],[numTasks])是排序操作，对(K,V)类型的数据按照K进行排序，其中K需要实现Ordered方法。

join算子

join(otherDataset, [numTasks])是连接操作，将输入数据集(K,V)和另外一个数据集(K,W)进行Join， 得到(K, (V,W))；该操作是对于相同K的V和W集合进行笛卡尔积 操作，也即V和W的所有组合。

连接操作除join 外，还有左连接、右连接、全连接操作函数： leftOuterJoin、rightOuterJoin、fullOuterJoin

cogroup算子

cogroup(otherDataset, [numTasks])是将输入数据集(K, V)和另外一个数据集(K, W)进行cogroup，得到一个格式为(K, Seq[V], Seq[W])的数据集。

cartesian算子

cartesian(otherDataset)是做笛卡尔积：对于数据集T和U 进行笛卡尔积操作， 得到(T, U)格式的数据集。

Action：

reduce算子

reduce(func)是对数据集的所有元素执行聚集(func)函数，该函数必须是可交换的。

collect算子

collect是将数据集中的所有元素以一个array的形式返回。

count算子

返回数据集中元素的个数。

takeOrdered算子

takeOrdered(n， [ordering])是返回包含随机的n个元素的数组，按照顺序输出。

saveAsTextFile算子

把数据集中的元素写到一个文本文件，Spark会对每个元素调用toString方法来把每个元素存成文本文件的一行。

countByKey算子

对于(K, V)类型的RDD. 返回一个(K, Int)的map， Int为K的个数。

foreach算子

foreach(func)是对数据集中的每个元素都执行func函数。

Spark环境的搭建：

Spark这里我们用到了java API，搭建的语言我们主要是用到了Scala，下面是Scala语言对Spark环境的搭建，Scala的搭建我会在后续文章讲到

import org.apache.spark.{SparkConf, SparkContext}object spark {def main(args: Array[String]): Unit = {val conf = new SparkConf()   // Spark的配置文件conf.setMaster("local")conf.setAppName("RDD8.18")    // 上面都是在设置Spark的部署模式，和名字val sc = new SparkContext(conf)   // 将Spark的配置文件导入// RDD算子的创建方法有两种// 1 先随便创建，之后将其转换为RDD算子val lst = List(1,3,5)val rdd1 = sc.parallelize(lst)// 直接创建RDD算子val rdd2 = sc.parallelize(List("hello world","hello Spark","hello linux"))// 我们可以通过Ctrl键加鼠标左键点击map，我们可以发现其返回值是RDD，因此map属于transformstions算子，count同理，可以看出其返回值类型不是RDD，因此我们可以判断出其是ACtion算子val rdd3 = rdd1.map((x:Int) => println("x="+x))rdd3.count()rdd2.flatMap((word:String)=>{val danci = word.split(" ")danci}).map((_,1)).foreach(println(_))}}