3.8　通过WordCount实战解析Spark RDD内部机制

本节通过Spark WordCount动手实践，编写单词计数代码；在wordcount.scala的基础上，从数据流动的视角深入分析Spark RDD的数据处理过程。

3.8.1　Spark WordCount动手实践

本节进行Spark WordCount动手实践。首先建立一个文本文件helloSpark.txt，将文本文件放到文件目录data/wordcount/中。helloSpark.txt的文本内容如下：

在IDEA中编写wordcount.scala的代码如下：

在IDEA中运行程序，wordcount.scala的运行结果如下：

3.8.2　解析RDD生成的内部机制

下面详细解析一下wordcount.scala的运行原理。

（1）从数据流动视角解密WordCount，使用Spark作单词计数统计，搞清楚数据到底是怎么流动的。

（2）从RDD依赖关系的视角解密WordCount。Spark中的一切操作都是RDD，后面的RDD对前面的RDD有依赖关系。

（3）DAG与血统Lineage的思考。

在wordcount.scala的基础上，我们从数据流动的视角分析数据到底是怎么处理的。我们绘制一张WordCount数据处理过程图，由于图片较大，为了方便阅读，将原图分成两张图，如图3-11和图3-12所示。

数据在生产环境中默认在HDFS中进行分布式存储，如果在分布式集群中，我们的机器会分成不同的节点对数据进行处理，这里我们在本地测试，重点关注数据是怎么流动的。处理的第一步是获取数据，读取数据会生成HadoopRDD。

在WordCount.scala中，单击sc.textFile进入Spark框架，SparkContext.scala的textFile的源码如下：

下面看一下hadoopFile的源码，通过new()函数创建一个HadoopRDD，HadoopRDD从Hdfs上读取分布式数据，并且以数据分片的方式存在于集群中。所谓的数据分片，就是把我们要处理的数据分成不同的部分，例如，在集群中有4个节点，粗略的划分可以认为将数据分成4个部分，4条语句就分成4个部分。例如，Hello Spark在第一台机器上，Hello Hadoop在第二台机器上，Hello Flink在第三台机器上，Spark is Awesome在第四台机器上。HadoopRDD帮助我们从磁盘上读取数据，计算的时候会分布式地放入内存中，Spark运行在Hadoop上，要借助Hadoop来读取数据。

Spark的特点包括：分布式、基于内存（部分基于磁盘）、可迭代；默认分片策略Block多大，分片就多大。但这种说法不完全准确，因为分片记录可能跨两个Block，所以一个分片不会严格地等于Block的大小。例如，HDFS的Block大小是128MB的话，分片可能多几个字节或少几个字节。分片不一定小于128MB，因为如果最后一条记录跨两个Block，分片会把最后一条记录放在前一个分片中。这里，HadoopRDD用了4个数据分片，设想为128M左右。

hadoopFile的源码如下：

SparkContext.scala的textFile源码中，调用hadoopFile方法后进行了map转换操作，map对读取的每一行数据进行转换，读入的数据是一个Tuple，Key值为索引，Value值为每行数据的内容，生成MapPartitionsRDD。这里，map(pair => pair._2.toString)是基于HadoopRDD产生的Partition去掉的行Key产生的Value，第二个元素是读取的每行数据内容。MapPartitionsRDD是Spark框架产生的，运行中可能产生一个RDD，也可能产生两个RDD。例如，textFile中Spark框架就产生了两个RDD，即HadoopRDD和MapPartitionsRDD。下面是map的源码。

我们看一下WordCount业务代码，对读取的每行数据进行flatMap转换。这里，flatMap对RDD中的每一个Partition的每一行数据内容进行单词切分，如有4个Partition分别进行单词切分，将“Hello Spark”切分成单词“Hello”和“Spark”，对每一个Partition中的每一行进行单词切分并合并成一个大的单词实例的集合。flatMap转换生成的仍然是MapPartitionsRDD：

RDD.scala的flatMap的源码如下：

继续WordCount业务代码，words.map { word => (word, 1) }通过map转换将单词切分以后单词计数为1。例如，将单词“Hello”和“Spark”变成（Hello，1），（Spark，1）。这里生成了MapPartitionsRDD。

RDD.scala的map的源码如下：

继续WordCount业务代码，计数之后进行一个关键的reduceByKey操作，对全局的数据进行计数统计。reduceByKey对相同的Key进行Value的累计（包括Local和Reducer级别，同时Reduce）。reduceByKey在MapPartitionsRDD之后，在Local reduce级别本地进行了统计，这里也是MapPartitionsRDD。例如，在本地将（Hello，1），（Spark，1），（Hello，1），（Scala，1）汇聚成（Hello，2），（Spark，1），（Scala，1）。Shuffle之前的Local Reduce操作主要负责本地局部统计，并且把统计以后的结果按照分区策略放到不同的file。举一个简单的例子，如果下一个阶段Stage是3个并行度，每个Partition进行local reduce以后，将自己的数据分成3种类型，最简单的方式是根据HashCode按3取模。

PairRDDFunctions.scala的reduceByKey的源码如下：

至此，前面所有的操作都是一个Stage，一个Stage意味着什么：完全基于内存操作。父Stage：Stage内部的操作是基于内存迭代的，也可以进行Cache，这样速度快很多。不同于Hadoop的Map Redcue，Hadoop Map Redcue每次都要经过磁盘。

reduceByKey在Local reduce本地汇聚以后生成的MapPartitionsRDD仍属于父Stage；然后reduceByKey展开真正的Shuffle操作，Shuffle是Spark甚至整个分布式系统的性能瓶颈，Shuffle产生ShuffleRDD，ShuffledRDD就变成另一个Stage，为什么是变成另外一个Stage？因为要网络传输，网络传输不能在内存中进行迭代。

从WordCount业务代码pairs.reduceByKey(_+_)中看一下PairRDDFunctions.scala的reduceByKey的源码。

reduceByKey内部调用了combineByKeyWithClassTag方法。下面看一下PairRDDFunctions.scala的combineByKeyWithClassTag的源码。

在combineByKeyWithClassTag方法中就用new()函数创建了ShuffledRDD。

前面假设有4台机器并行计算，每台机器在自己的内存中进行迭代计算，现在产生Shuffle，数据就要进行分类，MapPartitionsRDD数据根据Hash已经分好类，我们就抓取MapPartitionsRDD中的数据。我们从第一台机器中获取的内容为（Hello，2），从第二台机器中获取的内容为（Hello，1），从第三台机器中获取的内容为（Hello，1），把所有的Hello都抓过来。同样，我们把其他的数据（Hadoop，1），（Flink，1）……都抓过来。

这就是Shuffle的过程，根据数据的分类拿到自己需要的数据。注意，MapPartitionsRDD属于第一个Stage，是父Stage，内部基于内存进行迭代，不需要操作都要读写磁盘，所以速度非常快；从计算算子的角度讲，reduceByKey发生在哪里？reduceByKey发生的计算过程包括两个RDD：一个是MapPartitionsRDD；一个是ShuffledRDD。ShuffledRDD要产生网络通信。

reduceByKey之后，我们将结果收集起来，进行全局级别的reduce，产生reduceByKey的最后结果，如将（Hello，2），（Hello，1），（Hello，1）在内部变成（Hello，4），其他数据也类似统计。这里reduceByKey之后，如果通过Collect将数据收集起来，就会产生MapPartitionsRDD。从Collect的角度讲，MapPartitionsRDD的作用是将结果收集起来发送给Driver；从saveAsTextFile输出到Hdfs的角度讲，例如输出（Hello，4），其中Hello是key，4是Value吗？不是！这里（Hello，4）就是value，这就需要设计一个key出来。

下面是RDD.scala的saveAsTextFile方法。

RDD.scala的saveAsTextFile方法中的iter.map {x=>text.set(x.toString) (NullWritable.get(),text)}，这里，key转换成Null，value就是内容本身（Hello，4）。saveAsHadoopFile中的TextOutputFormat要求输出的是key-value的格式，而我们处理的是内容。回顾一下，之前我们在textFile读入数据的时候，读入split分片将key去掉了，计算的是value。因此，输出时，须将丢失的key重新弄进来，这里key对我们没有意义，但key对Spark框架有意义，只有value对我们有意义。第一次计算的时候我们把key丢弃了，所以最后往HDFS写结果的时候需要生成key，这符合对称法则和能量守恒形式。

总结：

第一个Stage有哪些RDD？HadoopRDD、MapPartitionsRDD、MapPartitionsRDD、MapPartitionsRDD、MapPartitionsRDD。

第二个Stage有哪些RDD？ShuffledRDD、MapPartitionsRDD。