皮皮网

1.Spark中cache和persist的区别
2.图计算用spark+scala+graphx进行图计算?
3.关于笛卡尔积CartesianProduct
4.Spark源码解析2-YarnCluster模式启动

Spark中cache和persist的区别

       cache

       ã€€ã€€é»˜è®¤æ˜¯å°†æ•°æ®å­˜æ”¾åˆ°å†…存中，懒执行

       ã€€ã€€def cache(): this.type = persist()

       ã€€ã€€persist

       ã€€ã€€å¯ä»¥æŒ‡å®šæŒä¹…化的级别。

       ã€€ã€€æœ€å¸¸ç”¨çš„是MEMORY_ONLY和MEMORY_AND_DISK。

       ã€€ã€€â€_2”表示有副本数。尽量避免使用_2和DISK_ONLY级别

       ã€€ã€€cache和persist的注意点

       ã€€ã€€1.都是懒执行(有的叫延迟执行)，需要action触发执行，最小单位是partition

       ã€€ã€€2.对一个RDD进行cache或者persist之后，下次直接使用这个变量，就是使用持久化的数据

       ã€€ã€€3.如果使用第二种方式，不能紧跟action算子

图计算用spark+scala+graphx进行图计算?

       EdgeRDD在Spark GraphX中作为核心类之一，用于存储和处理图的边数据，它扩展了RDD[Edge[ED]]，通过列式格式在每个分区上存储边，以提高性能，并且可以额外存储与每条边关联的bl解析接口源码顶点属性，以提供三元组视图。

       EdgeRDD提供了一系列方法来操作和转换图的边数据，包括但不限于：

       mapValues：对边进行映射操作，将边属性转换为特定形式。

       reverse：反转所有边的方向。

       innerJoin：与另一个EdgeRDD进行内连接操作。

       这些方法允许进行映射、反转和连接等操作，以满足不同的图计算需求。

       示例中，apktool源码下载我们首先创建了一个包含边的RDD，然后通过EdgeRDD创建了对象。接着，使用mapValues方法将边属性转换为大写形式。随后，reverse方法用于反转所有边的方向。最后，innerJoin方法将原始EdgeRDD与反转后的EdgeRDD进行内连接操作，将两个边的属性拼接为新的字符串，得到了最终的结果EdgeRDD对象。

       在示例中，我们使用foreach方法打印了每个EdgeRDD的结果。这展示了如何使用EdgeRDD对象操作图的边数据，包括映射、反转和连接等操作。boost源码编译你可以根据自己的需求使用其他EdgeRDD的方法来处理和操作边数据。

       源代码定义了EdgeRDD类及其伴生对象，后者提供了辅助方法。EdgeRDD是对RDD[Edge[ED]]的扩展，用于存储边的列式格式，并可以额外存储边关联的顶点属性。它提供了一系列方法来操作和转换边数据，包括但不限于mapValues、reverse和innerJoin等。EdgeRDD还定义了其他方法，如withTargetStorageLevel、compute和getPartitions等，用于更改目标存储级别、计算和获取分区信息。

       伴生对象中的简洁asp源码fromEdges方法用于从一组边创建EdgeRDD，而fromEdgePartitions方法用于从已构造的边分区创建EdgeRDD。这段代码展示了EdgeRDD的主要实现和相关方法，为图计算中的边数据提供了高效的存储和处理能力。

关于笛卡尔积CartesianProduct

       关于笛卡尔积与shuffle的关系，结论是笛卡尔积不会产生shuffle。在分析笛卡尔积的源码后，我们发现其运行原理在map端执行，并未涉及shuffle过程。因此，从结果中得出，笛卡尔积操作不会引发数据重组现象。

       至于窄依赖的定义，网上多数描述存在一定的混淆。窄依赖实际上指的是子RDD的每个分区依赖于父RDD的部分分区。在理解上，ueditor 1.1.2 源码可以将窄依赖理解为一个父RDD的分区被多个子RDD的分区共享使用，但这些子RDD的分区仅依赖于父RDD的特定部分，而非整个分区。这种定义在Spark 1.0版本的注释中有所体现，强调了依赖的局部性。

       关于join操作是否一定会产生shuffle，答案并非绝对。在某些特定场景下，如数据量较小、数据分布均匀且内存充足时，join操作可能不会导致数据shuffle。重要的是在实际编程和优化过程中积累经验，学习如何根据不同情况选择合适的join策略，从而提高效率。精读源码是一种有效的技能培养方式，能够帮助深入理解数据处理过程，提升解决问题的能力。

       对于希望在职场中脱颖而出的个人，培养自己的优势是关键。无论是通过技术专长、项目管理能力还是团队协作，构建自己的独特竞争力是至关重要的。如果您对此有所兴趣，欢迎加入硬核源码学习社群（付费）。

       社群提供每周六的直播课程，包含历史录屏资源，学员可以随到随学，并且有长期的指导陪伴。如果您对这个社群感兴趣，欢迎了解详情。

Spark源码解析2-YarnCluster模式启动

       YARN 模式运行机制主要体现在Yarn Cluster 模式和Yarn Client 模式上。在Yarn Cluster模式下，SparkSubmit、ApplicationMaster 和 CoarseGrainedExecutorBackend 是独立的进程，而Driver 是独立的线程；Executor 和 YarnClusterApplication 是对象。在Yarn Client模式下，SparkSubmit、ApplicationMaster 和 YarnCoarseGrainedExecutorBackend 也是独立的进程，而Executor和Driver是对象。

       在源码中，SparkSubmit阶段首先执行Spark提交命令，底层执行的是开启SparkSubmit进程的命令。代码中，SparkSubmit从main()开始，根据运行模式获取后续要反射调用的类名赋给元组中的ChildMainClass。如果是Yarn Cluster模式，则为YarnClusterApplication；如果是Yarn Client模式，则为主类用户自定义的类。接下来，获取ChildMainClass后，通过反射调用main方法的过程，反射获取类然后通过构造器获取一个示例并多态为SparkApplication，再调用它的start方法。随后调用YarnClusterApplication的start方法。在YarnClient中，new一个Client对象，其中包含了yarnClient = YarnClient.createYarnClient属性，这是Yarn在SparkSubmit中的客户端，yarnClient在第行初始化和开始，即连接Yarn集群或RM。之后就可以通过这个客户端与Yarn的RM进行通信和提交应用，即调用run方法。

       ApplicationMaster阶段主要涉及开启一个Driver新线程、AM向RM注册、AM向RM申请资源并处理、封装ExecutorBackend启动命令以及AM向NM通信提交命令由NM启动ExecutorBackend。在ApplicationMaster进程中，首先开启Driver线程，开始运行用户自定义代码，创建Spark程序入口SparkContext，接着创建RDD，生成job，划分阶段提交Task等操作。

       在申请资源之前，AM主线程创建了Driver的终端引用，作为参数传入createAllocator()，因为Executor启动后需要向Driver反向注册，所以启动过程必须封装Driver的EndpointRef。AM主线程向RM申请获取可用资源Container，并处理这些资源。ExecutorBackend阶段尚未完成，后续内容待补充。