Apache Spark

Что это

Apache Spark — фреймворк с открытым исходным кодом для реализации распределённой обработки неструктурированных и слабоструктурированных данных через параллельные вычисления на кластере, входящий в экосистему проектов Hadoop.

Spark состоит:

1. SQL
2. STREAMING DATA
3. MACHINE LEARNING
4. GRAPH ANALYTICS

RDD(Resilient Distributed Datasets)

RDD - основной базовая абстракция Spark, представляющая неизменный набор элементов, разделенных по узлам кластера, что позволяет выполнять параллельные вычисления.

Его можно получить из:

1. Файла
2. Памяти
3. Другого RDD

SparkContext или JavaSparkContext(для JAVA) - место откуда мы получает RDD.

Пример конфигурации JavaSparkContext:

SparkConf conf = new SparkConf();
conf.setAppName("my spark application");
conf.setAppName("local[*]");
JavaSparkContext sc = new JavaSparkContext(conf);
        

DataFrame

DataFrame - состоит из RDD.

Datasets

Datasets - это типизированные DataFrame.

RDD Operations:

Transformations:

1. map
2. flatMap
3. filter
4. mapPartitions, mapPartitionsWithIndex
5. sample
6. union, intersection, join, cogroup, cartesian
7. distinct
8. reduceByKey, aggregateByKey, sortByKey
9. pipe
10. coalesce, repartition, repartitionAndSortWithinPartitions

Actions:

1. reduce
2. collect
3. count, countByKey, countByValue
4. first
5. take, takeSample, takeOrdered
6. saveAsTextFile, saveAsSequenceFile, saveAsObjectFile
7. foreach

DataFrame Operations:

• show() - отображение контента DataFrame.
  show(boolean) - truncate.
  show(int) - number of rows.

Shuffle

Spark shuffle - это операция перемешивания(перераспределения ) данных между Экзекютерами. Побочный эффект таких аналитических преобразований, как join(), groupBy(), orderBy(), reduceByKey(), union() и тд.

Способы снижения отрицательного эффекта Shuffle-операций
1. Сократить число экзекюторов(меньше обмена между машинами)
2. Уменьши объем данных(сбрасывания лишних столбцов, фильтрация)

Примеры кода

Проверка колонки на максимальное значение(Date или Numeric)

.groupBy(col(AF.OfficeId)).agg(min(AF.Date))
        

Catalyst Optimizer

Catalyst Optimizer - оптимизатор для DataSet.

RDD - мы оптимизируем сами.