通過WordCount解析Spark RDD內部源碼機制
一、Spark WordCount動手實踐
我們通過Spark WordCount動手實踐，編寫單詞計數程式碼；在wordcount.scala的基礎上，從數據流動的視角深入分析Spark RDD的數據處理過程。
首先需要建立一個文本文件helloSpark.txt，helloSpark.txt的文本內容如下。
Hello Spark Hello Scala Hello Hadoop Hello Flink Spark is Awesome
然後在Eclipse中編寫wordcount.scala的程式碼如下。
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
object wordcount {
def main(args: Array[String]): Unit = {
// 第1步：創建Spark的配置對象SparkConf，設置Spark程式運行時的配置資訊，
val conf = new SparkConf().setAppName("My First Spark APP").setMaster("local")
// 第2步：創建SparkContext對象
val sc = new SparkContext(conf)
// 第3步：根據具體的數據來源來創建RDD
val lines = sc.textFile("helloSpark.txt", 1)
// 第4步：對初始的RDD進行Transformation級別的處理，如通過map、filter等
val words = lines.flatMap{line=>line.split(" ")}
val pairs = words.map{word=>(word,1)}
val wordCountsOdered = pairs.reduceByKey(_+_).map(
pair=>(pair._2,pair._1)
).sortByKey(false).map(pair=>(pair._2,pair._1))
wordCountsOdered.collect.foreach(wordNumberPair=>println(wordNumberPair._1+" : "+wordNumberPair._2))
sc.stop()
}
}
在Eclipse中運行程式，wordcount.scala的運行結果如下：
二、解析RDD生成的內部機制
下面詳細解析一下wordcount.scala的運行原理。
（1）從數據流動視角解密WordCount，使用Spark作單詞計數統計，搞清楚數據到底是怎麼流動的。
（2）從RDD依賴關係的視角解密WordCount。Spark中的一切操作都是RDD，後面的RDD對前面的RDD有依賴關係。
（3）DAG與血統Lineage的思考。
在wordcount.scala的基礎上，我們從數據流動的視角分析數據到底是怎麼處理的。下面有一張WordCount數據處理過程圖，由於圖片較大，為了方便閱讀，將原圖分成兩張圖，如下面兩張圖所示。
數據在生產環境中默認在HDFS中進行分散式存儲，如果在分散式集群中，我們的機器會分成不同的節點對數據進行處理，這裡我們在本地測試，重點關注數據是怎麼流動的。處理的第一步是獲取數據，讀取數據會生成HadoopRDD。
在WordCount.scala中，單擊sc.textFile進入Spark框架，SparkContext.scala的textFile的源碼如下。
/**
* Read a text file from HDFS, a local file system (available on all nodes), or any
* Hadoop-supported file system URI, and return it as an RDD of Strings.
*/
def textFile(
path: String,
minPartitions: Int = defaultMinPartitions): RDD[String] = withScope {
assertNotStopped()
hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text],
minPartitions).map(pair => pair._2.toString).setName(path)
}
下面看一下hadoopFile的源碼，HadoopRDD從Hdfs上讀取分散式數據，並且以數據分片的方式存在於集群中。所謂的數據分片，就是把我們要處理的數據分成不同的部分，例如，在集群中有4個節點，粗略的劃分可以認為將數據分成4個部分，4條語句就分成4個部分。例如，Hello Spark在第一台機器上，Hello Hadoop在第二台機器上，Hello Flink在第三台機器上，Spark is Awesome在第四台機器上。HadoopRDD幫助我們從磁碟上讀取數據，計算的時候會分散式地放入記憶體中，Spark運行在Hadoop上，要藉助Hadoop來讀取數據。
Spark的特點包括：分散式、基於記憶體（部分基於磁碟）、可迭代；默認分片策略Block多大，分片就多大。但這種說法不完全準確，因為分片記錄可能跨兩個Block，所以一個分片不會嚴格地等於Block的大小。例如，HDFS的Block大小是128MB的話，分片可能多幾個位元組或少幾個位元組。分片不一定小於128MB，因為如果最後一條記錄跨兩個Block，分片會把最後一條記錄放在前一個分片中。這裡，HadoopRDD用了4個數據分片，設想為128M左右。
hadoopFile的源碼如下。
def hadoopFile[K, V](
path: String,
inputFormatClass: Class[_ <: InputFormat[K, V]],
keyClass: Class[K],
valueClass: Class[V],
minPartitions: Int = defaultMinPartitions): RDD[(K, V)] = withScope {
assertNotStopped()
// This is a hack to enforce loading hdfs-site.xml.
// See SPARK-11227 for details.
FileSystem.getLocal(hadoopConfiguration)
// A Hadoop configuration can be about 10 KB, which is pretty big, so broadcast it.
val confBroadcast = broadcast(new SerializableConfiguration(hadoopConfiguration))
val setInputPathsFunc = (jobConf: JobConf) => FileInputFormat.setInputPaths(jobConf, path)
new HadoopRDD(
this,
confBroadcast,
Some(setInputPathsFunc),
inputFormatClass,
keyClass,
valueClass,
minPartitions).setName(path)
}
SparkContext.scala的textFile源碼中，調用hadoopFile方法後進行了map轉換操作，map對讀取的每一行數據進行轉換，讀入的數據是一個Tuple，Key值為索引，Value值為每行數據的內容，生成MapPartitionsRDD。這裡，map(pair => pair._2.toString)是基於HadoopRDD產生的Partition去掉的行Key產生的Value，第二個元素是讀取的每行數據內容。MapPartitionsRDD是Spark框架產生的，運行中可能產生一個RDD，也可能產生兩個RDD。例如，textFile中Spark框架就產生了兩個RDD，即HadoopRDD和MapPartitionsRDD。下面是map的源碼。
/**
* Return a new RDD by applying a function to all elements of this RDD.
*/
def map[U: ClassTag](f: T => U): RDD[U] = withScope {
val cleanF = sc.clean(f)
new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.map(cleanF))
}
我們再來看一下WordCount業務程式碼，對讀取的每行數據進行flatMap轉換。這裡，flatMap對RDD中的每一個Partition的每一行數據內容進行單詞切分，如有4個Partition分別進行單詞切分，將「Hello Spark」切分成單詞「Hello」和「Spark」，對每一個Partition中的每一行進行單詞切分併合並成一個大的單詞實例的集合。flatMap轉換生成的仍然是MapPartitionsRDD：
/**
* Return a new RDD by first applying a function to all elements of this
* RDD, and then flattening the results.
*/
def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U] = withScope {
val cleanF = sc.clean(f)
new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.flatMap(cleanF))
}
繼續WordCount業務程式碼，計數之後進行一個關鍵的reduceByKey操作，對全局的數據進行計數統計。reduceByKey對相同的Key進行Value的累計（包括Local和Reducer級別，同時Reduce）。reduceByKey在MapPartitionsRDD之後，在Local reduce級別本地進行了統計，這裡也是MapPartitionsRDD。例如，在本地將（Hello，1），（Spark，1），（Hello，1），（Scala，1）匯聚成（Hello，2），（Spark，1），（Scala，1）。
Shuffle之前的Local Reduce操作主要負責本地局部統計，並且把統計以後的結果按照分區策略放到不同的file。舉一個簡單的例子，如果下一個階段Stage是3個並行度，每個Partition進行local reduce以後，將自己的數據分成3種類型，最簡單的方式是根據HashCode按3取模。
PairRDDFunctions.scala的reduceByKey的源碼如下。
/**
* Merge the values for each key using an associative and commutative reduce function. This will
* also perform the merging locally on each mapper before sending results to a reducer, similarly
* to a "combiner" in MapReduce. Output will be hash-partitioned with the existing partitioner/
* parallelism level.
*/
def reduceByKey(func: (V, V) => V): RDD[(K, V)] = self.withScope {
reduceByKey(defaultPartitioner(self), func)
}
至此，前面所有的操作都是一個Stage，一個Stage意味著什麼：完全基於記憶體操作。父Stage：Stage內部的操作是基於記憶體迭代的，也可以進行Cache，這樣速度快很多。不同於Hadoop的Map Redcue，Hadoop Map Redcue每次都要經過磁碟。
reduceByKey在Local reduce本地匯聚以後生成的MapPartitionsRDD仍屬於父Stage；然後reduceByKey展開真正的Shuffle操作，Shuffle是Spark甚至整個分散式系統的性能瓶頸，Shuffle產生ShuffleRDD，ShuffledRDD就變成另一個Stage，為什麼是變成另外一個Stage？因為要網路傳輸，網路傳輸不能在記憶體中進行迭代。
從WordCount業務程式碼pairs.reduceByKey(_+_)中看一下PairRDDFunctions.scala的reduceByKey的源碼。
/**
* Merge the values for each key using an associative and commutative reduce function. This will
* also perform the merging locally on each mapper before sending results to a reducer, similarly
* to a "combiner" in MapReduce.
*/
def reduceByKey(partitioner: Partitioner, func: (V, V) => V): RDD[(K, V)] = self.withScope {
combineByKeyWithClassTag[V]((v: V) => v, func, func, partitioner)
}
reduceByKey內部調用了combineByKeyWithClassTag方法。下面看一下PairRDDFunctions. scala的combineByKeyWithClassTag的源碼。
def combineByKeyWithClassTag[C](
createCombiner: V => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C,
partitioner: Partitioner,
mapSideCombine: Boolean = true,
serializer: Serializer = null)(implicit ct: ClassTag[C]): RDD[(K, C)] = self.withScope {
require(mergeCombiners != null, "mergeCombiners must be defined") // required as of Spark 0.9.0
if (keyClass.isArray) {
if (mapSideCombine) {
throw new SparkException("Cannot use map-side combining with array keys.")
}
if (partitioner.isInstanceOf[HashPartitioner]) {
throw new SparkException("Default partitioner cannot partition array keys.")
}
}
val aggregator = new Aggregator[K, V, C](
self.context.clean(createCombiner),
self.context.clean(mergeValue),
self.context.clean(mergeCombiners))
if (self.partitioner == Some(partitioner)) {
self.mapPartitions(iter => {
val context = TaskContext.get()
new InterruptibleIterator(context, aggregator.combineValuesByKey(iter, context))
}, preservesPartitioning = true)
} else {
new ShuffledRDD[K, V, C](self, partitioner)
.setSerializer(serializer)
.setAggregator(aggregator)
.setMapSideCombine(mapSideCombine)
}
}
在combineByKeyWithClassTag方法中就用new()函數創建了ShuffledRDD。
前面假設有4台機器並行計算，每台機器在自己的記憶體中進行迭代計算，現在產生Shuffle，數據就要進行分類，MapPartitionsRDD數據根據Hash已經分好類，我們就抓取MapPartitionsRDD中的數據。我們從第一台機器中獲取的內容為（Hello，2），從第二台機器中獲取的內容為（Hello，1），從第三台機器中獲取的內容為（Hello，1），把所有的Hello都抓過來。同樣，我們把其他的數據（Hadoop，1），（Flink，1）……都抓過來。
這就是Shuffle的過程，根據數據的分類拿到自己需要的數據。注意，MapPartitionsRDD屬於第一個Stage，是父Stage，內部基於記憶體進行迭代，不需要操作都要讀寫磁碟，所以速度非常快；從計算運算元的角度講，reduceByKey發生在哪裡？reduceByKey發生的計算過程包括兩個RDD：一個是MapPartitionsRDD；一個是ShuffledRDD。ShuffledRDD要產生網路通訊。
reduceByKey之後，我們將結果收集起來，進行全局級別的reduce，產生reduceByKey的最後結果，如將（Hello，2），（Hello，1），（Hello，1）在內部變成（Hello，4），其他數據也類似統計。這裡reduceByKey之後，如果通過Collect將數據收集起來，就會產生MapPartitionsRDD。從Collect的角度講，MapPartitionsRDD的作用是將結果收集起來發送給Driver；從saveAsTextFile輸出到Hdfs的角度講，例如輸出（Hello，4），其中Hello是key，4是Value嗎？不是！這裡（Hello，4）就是value，這就需要設計一個key出來。
下面是RDD.scala的saveAsTextFile方法。
/**
* Save this RDD as a text file, using string representations of elements.
*/
def saveAsTextFile(path: String): Unit = withScope {
// //issues.apache.org/jira/browse/SPARK-2075
//
// NullWritable is a `Comparable` in Hadoop 1.+, so the compiler cannot find an implicit
// Ordering for it and will use the default `null`. However, it's a `Comparable[NullWritable]`
// in Hadoop 2.+, so the compiler will call the implicit `Ordering.ordered` method to create an
// Ordering for `NullWritable`. That's why the compiler will generate different anonymous
// classes for `saveAsTextFile` in Hadoop 1.+ and Hadoop 2.+.
//
// Therefore, here we provide an explicit Ordering `null` to make sure the compiler generate
// same bytecodes for `saveAsTextFile`.
val nullWritableClassTag = implicitly[ClassTag[NullWritable]]
val textClassTag = implicitly[ClassTag[Text]]
val r = this.mapPartitions { iter =>
val text = new Text()
iter.map { x =>
text.set(x.toString)
(NullWritable.get(), text)
}
}
RDD.rddToPairRDDFunctions(r)(nullWritableClassTag, textClassTag, null)
.saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path)
}
RDD.scala的saveAsTextFile方法中的iter.map {x=>text.set(x.toString) (NullWritable.get(), text)}，這裡，key轉換成Null，value就是內容本身（Hello，4）。saveAsHadoopFile中的TextOutputFormat要求輸出的是key-value的格式，而我們處理的是內容。回顧一下，之前我們在textFile讀入數據的時候，讀入split分片將key去掉了，計算的是value。因此，輸出時，須將丟失的key重新弄進來，這裡key對我們沒有意義，但key對Spark框架有意義，只有value對我們有意義。第一次計算的時候我們把key丟棄了，所以最後往HDFS寫結果的時候需要生成key，這符合對稱法則和能量守恆形式。
三、WordCount總結：
第一個Stage有哪些RDD？HadoopRDD、MapPartitionsRDD、MapPartitionsRDD、MapPartitionsRDD、MapPartitionsRDD。
第二個Stage有哪些RDD？ShuffledRDD、MapPartitionsRDD。
