第一篇技术博客：函数式编程和 Spark

[wellwell]

前言

最近工作中开始用 Spark 了，完全是赶鸭子上架 0 基础。想着把自己的学习经历记录下，而且写点博客也对求职有帮助，就试着写了一篇，发现写这玩意确实很难啊，写了半天写得一塌糊涂。一方面是自己才疏学浅，刚毕业大学学的的东西也忘得差不多了；一方面是不太会写，写文章没有条理。

希望大家读完给点建议，挑挑错～ 面向的读者大概是 Spark 的使用者吧。

开篇

第一篇先讲讲函数式编程在 Spark 中的应用，因为理解函数式编程对理解 Spark 的一些原理还是很有帮助的。

函数式编程简介

函数式编程有两个比较重要的点，一个是无副作用，一个是 immutable 变量。

1. 无副作用： f(x)=x + 1，对于这个函数，只要它的入参是 n，它的输出值永远都是 n+1 。因为这个函数不依赖任何外部的状态，只依赖入参。这一特性是 Spark 的 RDD 懒加载的理论基础。
2. immutable 变量： 这个特性指的是，所有变量都应该是不可变的，在 Spark 中，RDD 就是不可变的。它和无副作用是 Spark 容错机制 lineage 的理论基础。

Transform，action 和懒加载（ Lazy Loading ）

编写过一些 Spark 程序的人，应该了解 Spark 有两种对 RDD/dataset 的操作。一种是 Transform 类型，包括 map，mapPartition 等；一种是 action 类型，包括 count，reduce 等。

看下这个例子：

val sampleRdd = sc.makeRDD(Array(1, 2, 3, 4), 2)
val rdd2 = sampleRdd.filter((str) => str >= 2)
val count = rdd2.count()

spark 会等到调用 count()的时候才执行 filter(),这就是懒加载，只有用户真正需要结果的时候才执行全过程。所有 transform 类型的操作都是懒加载的，而 action 类型会触发 rdd 上的所有 transform 。懒加载可以让程序集中运行，节约资源，而且在 Spark 这样的分布式程序里可以节约大量的通信调度时间。

为什么函数式编程的无副作用的对懒加载相当重要呢，我们来看下面这个例子。

val xMinBefore = (x : Int) => {
    System.currentTimeMillis / 1000 - 60 * x;
}

看到这个函数，它就是有副作用的，它的运行结果不仅依赖入参，还依赖于这个世界的时间，所以你在不同时间去执行这个函数，返回的值是不同的。对于这种有副作用的函数，我们自然不能使用懒加载，我们需要在调用的时候就得到结果，才能保证结果是我们需要的。而没有副作用的函数，我们可以在任何时候执行都得到一致的结果，自然可以在任何时候调用，也就保证了在最后加载的时候，输出的数据是不会有问题的。

RDD 的 Lineage

保证了无副作用，Spark 的容错机制 lineage 才能起作用。回到上面那个例子

val sampleRdd = sc.makeRDD(Array(1, 2, 3, 4), 2)
val rdd2 = sampleRdd.filter((str) => str >= 2)
val count = rdd2.count()

rdd2 是在 sampleRdd 的基础上进行了 filter 操作，rdd2 实际上就是保留了一个对 sampleRdd 的引用，并记录了 filter 操作。rdd2 这样就有了和 samleRdd 的 lineage 。

lineage 的应用： 在执行第三行 count()时，rdd2 就会在 sampleRdd 的基础上执行 filter 操作。当执行 filter 的时候失败了，spark 就会往上追溯到上一个成功的 rdd，也就是 sampleRdd，再执行一把。可以使用这种方式容错的前提，就是 RDD 的 immutable 特性以及无副作用，它们保证在任何时候对一个 RDD 执行相同操作时，输出的结果永远是一样的。

[KAQQAK]

楼主有个人博客吗 可以发到个人博客上整理合集更方便把

[levelworm]

求问 java 新手如何进化到读懂 spark 源码？ java 水准大致上就是可以写基础数据结构的水平，感觉离读懂 scala 写的源码还很远。

[Xhack]

这千万不要发展成 csdn

[DeleteZN]

@levelworm 前大数据从业者回答一下，
先学好一些基本的数据结构，链表、Map 等等,至少要把 java 写熟悉了，了解 JVM 是什么，干了什么事情。然后就可以去看看 scala 了，推荐本书《快学 scala 》
同时要去看大数据发展历史的组件，顺序大约是 HDFS->MapReduce->Yarn->Hive->Spark 等等。
学 Spark 的时候，要先学 Spark 的架构和原理，然后自己亲手去写一下试一试，不管是 spark 任务还是 streamming，还是 sparksql，还是 ml 。
然后就可以开始简单的看点源码了，从简单的 spark 任务开始。

[levelworm]

@DeleteZN 多谢大佬，看来路漫漫兮其修远兮。