大数据系列 | 全国职业院校技能大赛大数据应用技术赛项笔记分享-离线抽取模块

离线数据抽取

写在前面：
此笔记是本人在备战2022年大数据赛项整理出来的，不涉及国赛涉密内容，如点赞收藏理想，我将会把所有模块的笔记开源分享出来，如有想询问国赛经验的可以关注私聊我，我会一一回复。

1. Scala

Scala简介

Scala 是一门满足现代软件工程师需求的语言；它是一门静态类型语言，支持混合范式；它也是一门运行在 JVM 之上的语言，语法简洁、优雅、灵活。Scala 拥有一套复杂的类型系统，Scala方言既能用于编写简短的解释脚本，也能用于构建大型复杂系统。

Scala基础

1. 数据类型

2. 变量和常量的声明

• 定义变量或者常量的时候，也可以写上返回的类型，一般省略，如：val a:Int = 10
• 常量不可再赋值

  /**
        * 定义变量和常量
        * 变量 :用 var 定义 ，可修改 
        * 常量 :用 val 定义，不可修改
        */
       var name = "zhangsan"
       println(name)
       name ="lisi"
       println(name)
       val gender = "m"
   //    gender =   "m"//错误，不能给常量再赋值
   注意：scala有个原则就是极简原则，不用写的东西一概不写。
   定义变量有两种形式
   一种是像上面那样用val修饰另一种是var进行修饰
   val 定义的变量不可变相当与java中的final
   用表达式进行赋值
   Val x=1
   Val y=if(1>0) 1 else -1
   混和表达式
   Val a =if (x>0) 1 else “jay”
   需要注意的是any是所有的父类，相当于java里的object
   else缺失的表达式
   val   p=if (x>5) 1

3. 类和对象

创建类

   class Person{
     val name   = "zhangsan"
     val age = 18
     def sayName() = {
       "my name is "+ name
     }
   }

创建对象

   object Lesson_Class {
      def main(args: Array[String]):   Unit = {
       val person = new Person()
       println(person.age);
       println(person.sayName())
     }
   }

apply方法

/**
  * object 单例对象中不可以传参，
  * 如果在创建Object时传入参数，那么会自动根据参数的个数去Object中寻找相应的apply方法
  */
   object Lesson_ObjectWithParam {
  def apply(s:String) = {
    println("name is "+s)
  }
  def apply(s:String,age:Int) = {
    println("name is "+s+",age = "+age)
  }
  def main(args: Array[String]): Unit = {
    Lesson_ObjectWithParam("zhangsang")
    Lesson_ObjectWithParam("lisi",18)
  }
 }

伴生类和伴生对象

class Person(xname :String , xage :Int){
     var name = Person.name
     val age = xage
     var gender = "m"
     def this(name:String,age:Int,g:String){
       this(name,age)
       gender = g
     }
     
     def sayName() = {
       "my name is "+ name
     }
   
   }
   
   object Person {
     val name = "zhangsanfeng"
     
     def main(args: Array[String]):   Unit = {
       val person = new Person("wagnwu",10,"f")
       println(person.age);
       println(person.sayName())
       println(person.gender)
     }
   }

注意点：

• 建议类名首字母大写 ，方法首字母小写，类和方法命名建议符合驼峰命名法。
• scala 中的object是单例对象，相当于java中的工具类，可以看成是定义静态的方法的类。object不可以传参数。另：Trait不可以传参数
• scala中的class类默认可以传参数，默认的传参数就是默认的构造函数。

重写构造函数的时候，必须要调用默认的构造函数。

• class 类属性自带getter ，setter方法。
• 使用object时，不用new,使用class时要new ,并且new的时候，class中除了方法不执行（不包括构造），其他都执行。
• 如果在同一个文件中，object对象和class类的名称相同，则这个对象就是这个类的伴生对象，这个类就是这个对象的伴生类。可以互相访问私有变量。

4. This

https://blog.csdn.net/qq_39521554/article/details/81045826?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

5. if else

​ /** * if else */ val age =18 if (age < 18 ){ println(“no allow”) }else if (18<=age&&age<=20){ println(“allow with other”) }else{ println(“allow self”) }

6. for ,while,do…while

to和until 的用法（不带步长，带步长区别）

/**
        * to和until
        * 例：
        * 1 to 10 返回1到10的Range数组，包含10
        * 1 until 10 返回1到10 Range数组 ，不包含10
        */
       
       println(1 to 10 )//打印 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
       println(1.to(10))//与上面等价，打印 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
       
       println(1 to (10 ,2))//步长为2，从1开始打印 ，1,3,5,7,9
       println(1.to(10, 2)) 
       
       println(1 until 10 ) //不包含最后一个数，打印 1,2,3,4,5,6,7,8,9
       println(1.until(10))//与上面等价
       
   println(1 until (10 ,3 ))//步长为2，从1开始打印，打印1,4,7
   
   在scala中，Range代表的是一段整数的范围，官方有关range的api：
   http://www.scala-lang.org/api/current/index.html#scala.collection.immutable.Range
      这些底层其实都是Range，Range(1,10,2)：1是初始值，10是条件，2是步长，步长也可以为负值，递减。
   until和Range是左闭右开，1是包含的，10是不包含。而to是左右都包含。

for循环

      /**
        * for 循环
        * 
        */
       for( i <- 1 to 10 ){
         println(i)
   }
   
      //for循环数组
   val arr=Array(“a”,”b”,”c”)
   for(i<-arr)
   println(i)
   
   
   

创建多层for循环（高级for循环）

       //可以分号隔开，写入多个list赋值的变量，构成多层for循环
       //scala中 不能写count++   count-- 只能写count+
       var count = 0;
       for(i <- 1 to 10; j <- 1 until 10){
         println("i="+ i +", j="+j)
         count += 1
       }
       println(count);
       
       //例子： 打印小九九
       for(i <- 1 until 10 ;j <- 1 until 10){
         if(i>=j){
          print(i +" *   " + j + " = "+ i*j+"    ")
           
         }
         if(i==j ){
           println()
         }
         
       }

1. for循环中可以加条件判断，可以使用分号隔开，也可以不使用分号（使用空格）

          //可以在for循环中加入条件判断
          for(i<- 1 to 10 ;if (i%2) == 0 ;if (i == 4) ){
            println(i)
      }
   

2. scala中不能使用count++，count—只能使用count = count+1 ，count += 1

3. for循环用yield 关键字返回一个集合（把满足条件的i组成一个集合）

   val result = for(i <- 1 to 100 if(i>50) if(i%2==0)) yield i

   println(result)

4. while循环，while（）{}，do {}while()

      
       //将for中的符合条件的元素通过yield关键字返回成一个集合
       val list = for(i <- 1 to 10  ; if(i > 5 )) yield i 
       for( w <- list ){
         println(w)
   }
   
      /**
        * while 循环
        */
       var index = 0 
       while(index < 100 ){
        println("第"+index+"次while 循环")
         index += 1 
       }
       index = 0 
       do{
        index +=1 
        println("第"+index+"次do while 循环")
   }while(index <100 )

加深练习

需求说明：定义一个数组val a1=Array(1,2,3,4,5,6,7,8,9)把其中的偶数取出。

   def main(args: Array[String]): Unit = {
     var a1=Array.range(1,10)
     for(i<-a1 if(i%2==0)) {
       println(i)
     }
   }
   }

7. 懒加载

Val lazyVal={println(“I am too lazy”);1}

lazy val lazyVal={println(“I am too lazy”);1}

8. Scala方法与函数

Scala方法的定义

有参方法

无参方法

   def fun (a: Int , b: Int ) :   Unit = {
      println(a+b)
    }
   fun(1,1)
       
   def fun1 (a : Int , b : Int)= a+b
       println(fun1(1,2))  

注意点：

• 方法定义语法 用def来定义
• 可以定义传入的参数，要指定传入参数的类型
• 方法可以写返回值的类型也可以不写，会自动推断，有时候不能省略，必须写，比如在递归方法中或者方法的返回值是函数类型的时候。
• scala中方法有返回值时，可以写return，也可以不写return，会把方法中最后一行当做结果返回。当写return时，必须要写方法的返回值。
• 如果返回值可以一行搞定，可以将{}省略不写
• 传递给方法的参数可以在方法中使用，并且scala规定方法的传过来的参数为val的，不是var的。
• 如果去掉方法体前面的等号，那么这个方法返回类型必定是Unit的。这种说法无论方法体里面什么逻辑都成立，scala可以把任意类型转换为Unit.假设，里面的逻辑最后返回了一个string，那么这个返回值会被转换成Unit，并且值会被丢弃。

方法与函数

定义一个方法：

def method(a:Int,b:Int) =a*b val a =2

method(3,5)

定义一个函数：

Val f1=(x:Int,y:Int)=>x+y

f1 (1,2)

匿名函数

(x:Int,y:Int)=>x+y

在函数式编程语言中，函数是“头等公民”，它可以像任何其他数据类型一样被传递和操作,函数可以在方法中传递。

递归方法

/**
        * 递归方法 
        * 5的阶乘
        */
       def fun2(num :Int) :Int=   {
         if(num ==1)
           num
         else 
           num * fun2(num-1)
       }
       print(fun2(5))
   

参数有默认值的方法

• 默认值的函数中，如果传入的参数个数与函数定义相同，则传入的数值会覆盖默认值。
• 如果不想覆盖默认值，传入的参数个数小于定义的函数的参数，则需要指定参数名称。

  /**
        * 包含默认参数值的函数
        * 注意：
        * 1.默认值的函数中，如果传入的参数个数与函数定义相同，则传入的数值会覆盖默认值
        * 2.如果不想覆盖默认值，传入的参数个数小于定义的函数的参数，则需要指定参数名称
        */
       def fun3(a :Int = 10,b:Int) = {
         println(a+b)
       }
       fun3(b=2)
   

可变参数的方法

• 多个参数用逗号分开

   /**
        * 可变参数个数的函数
        * 注意：多个参数逗号分开
        */
       def fun4(elements   :Int*)={
         var sum = 0;
         for(elem <- elements){
           sum += elem
         }
         sum
       }
       println(fun4(1,2,3,4))
   

匿名函数

1. 有参匿名函数
2. 无参匿名函数
3. 有返回值的匿名函数

• 可以将匿名函数返回给val定义的值

  /**
        * 匿名函数
        * 1.有参数匿名函数
        * 2.无参数匿名函数
        * 3.有返回值的匿名函数
        * 注意：
        * 可以将匿名函数返回给定义的一个变量
        */
       //有参数匿名函数
       val value1: (Int)=>Unit = (a : Int) => {
         println(a)
       }
       value1(1)
       //无参数匿名函数
       val value2 = ()=>{
         println("我爱学习")
       }
       value2()
       //有返回值的匿名函数
       val value3 = (a:Int,b:Int) =>{
         a+b
       }
       println(value3(4,4)) 
   

嵌套方法

    /**
        * 嵌套方法
        * 例如：嵌套方法求5的阶乘
        */
       def fun5(num:Int)={
         def fun6(a:Int,b:Int):Int={
           if(a == 1){
             b
           }else{
             fun6(a-1,a*b)
           }
         }
         fun6(num,1)
       }
       println(fun5(5))

偏应用函数

偏应用函数是一种表达式，不需要提供函数需要的所有参数，只需要提供部分，或不提供所需参数。

 /**
        * 偏应用函数
        */
       def log(date :Date, s :String)= {
         println("date is "+ date +",log is "+ s)
       }
       
       val date = new Date()
       log(date ,"log1")
       log(date ,"log2")
       log(date ,"log3")
       
       //想要调用log，以上变化的是第二个参数，可以用偏应用函数处理
       val logWithDate = log(date,_:String)
       logWithDate("log11")
       logWithDate("log22")
       logWithDate("log33")

高阶函数

函数的参数是函数，或者函数的返回类型是函数，或者函数的参数和函数的返回类型是函数的函数。

• 函数的参数是函数
• 函数的返回是函数
• 函数的参数和函数的返回是函数

   /**
        * 高阶函数
        * 函数的参数是函数     或者函数的返回是函数        或者函数的参数和返回都是函数
        */
       //函数的参数是函数
       def hightFun(f : (Int,Int)   =>Int, a:Int ) : Int = {
         f(a,100)
       }
       def f(v1 :Int,v2:   Int):Int  = {
         v1+v2
       }
       println(hightFun(f, 1))
       //函数的返回是函数
       //1，2,3,4相加
       def hightFun2(a : Int,b:Int) :   (Int,Int)=>Int = {
         def f2 (v1: Int,v2:Int) :Int =   {
           v1+v2+a+b
         }
         f2
       }
       println(hightFun2(1,2)(3,4))
       //函数的参数是函数，函数的返回是函数
       def hightFun3(f : (Int ,Int)   => Int) : (Int,Int) => Int = {
         f
       } 
       println(hightFun3(f)(100,200))
       println(hightFun3((a,b) =>{a+b})(200,200))
       //以上这句话还可以写成这样
       //如果函数的参数在方法体中只使用了一次 那么可以写成_表示
       println(hightFun3(_+_)(200,200))

柯里化函数

• 高阶函数的简化
• 定义
• 柯里化(Currying)指的是把原来接受多个参数的函数变换成接受一个参数的函数过程，并且返回接受余下的参数且返回结果为一个新函数的技术。

 scala柯里化风格的使用可以简化主函数的复杂度，提高主函数的自闭性，提高功能上的可扩张性、灵活性。可以编写出更加抽象,功能化和高效的函数式代码。
   //柯理化
   object KLH {
     def main(args:   Array[String]): Unit = {
       def   klh(x:Int)(y:Int) =x*y
       val res=klh(3)(_)
      println(res(4))
     }
   }
   /**
        * 柯里化函数
        */
       def fun7(a :Int,b:Int)(c:Int,d:Int) = {
         a+b+c+d
       }
       println(fun7(1,2)(3,4))

2. Spark

spark简介

Spark 是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。

在YARN上运行Spark

配置

大部分为

Spark on YARN

模式提供的配置与其它部署模式提供的配置相同。下面这些是为

Spark on YARN

模式提供的配置。

Spark属性

Property Name	Default	Meaning
spark.yarn.applicationMaster.waitTries	10	ApplicationMaster等待Spark master的次数以及SparkContext初始化尝试的次数
spark.yarn.submit.file.replication	HDFS默认的复制次数（3）	上传到HDFS的文件的HDFS复制水平。这些文件包括Spark jar、app jar以及任何分布式缓存文件/档案
spark.yarn.preserve.staging.files	false	设置为true，则在作业结束时保留阶段性文件（Spark jar、app jar以及任何分布式缓存文件）而不是删除它们
spark.yarn.scheduler.heartbeat.interval-ms	5000	Spark application master给YARN ResourceManager发送心跳的时间间隔（ms）
spark.yarn.max.executor.failures	numExecutors * 2,最小为3	失败应用程序之前最大的执行失败数
spark.yarn.historyServer.address	(none)	Spark历史服务器（如host.com:18080）的地址。这个地址不应该包含一个模式（http://）。默认情况下没有设置值，这是因为该选项是一个可选选项。当Spark应用程序完成从ResourceManager UI到Spark历史服务器UI的连接时，这个地址从YARN ResourceManager得到
spark.yarn.dist.archives	(none)	提取逗号分隔的档案列表到每个执行器的工作目录
spark.yarn.dist.files	(none)	放置逗号分隔的文件列表到每个执行器的工作目录
spark.yarn.executor.memoryOverhead	executorMemory * 0.07,最小384	分配给每个执行器的堆内存大小（以MB为单位）。它是VM开销、interned字符串或者其它本地开销占用的内存。这往往随着执行器大小而增长。（典型情况下是6%-10%）
spark.yarn.driver.memoryOverhead	driverMemory * 0.07,最小384	分配给每个driver的堆内存大小（以MB为单位）。它是VM开销、interned字符串或者其它本地开销占用的内存。这往往随着执行器大小而增长。（典型情况下是6%-10%）
spark.yarn.queue	default	应用程序被提交到的YARN队列的名称
spark.yarn.jar	(none)	Spark jar文件的位置，覆盖默认的位置。默认情况下，Spark on YARN将会用到本地安装的Spark jar。但是Spark jar也可以HDFS中的一个公共位置。这允许YARN缓存它到节点上，而不用在每次运行应用程序时都需要分配。指向HDFS中的jar包，可以这个参数为"hdfs:///some/path"
spark.yarn.access.namenodes	(none)	你的Spark应用程序访问的HDFS namenode列表。例如，spark.yarn.access.namenodes=hdfs://nn1.com:8032,hdfs://nn2.com:8032，Spark应用程序必须访问namenode列表，Kerberos必须正确配置来访问它们。Spark获得namenode的安全令牌，这样Spark应用程序就能够访问这些远程的HDFS集群。
spark.yarn.containerLauncherMaxThreads	25	为了启动执行者容器，应用程序master用到的最大线程数
spark.yarn.appMasterEnv.[EnvironmentVariableName]	(none)	添加通过EnvironmentVariableName指定的环境变量到Application Master处理YARN上的启动。用户可以指定多个该设置，从而设置多个环境变量。在yarn-cluster模式下，这控制Spark driver的环境。在yarn-client模式下，这仅仅控制执行器启动者的环境。

在YARN上启动Spark

确保

HADOOP_CONF_DIR

或

YARN_CONF_DIR

指向的目录包含Hadoop集群的（客户端）配置文件。这些配置用于写数据到dfs和连接到YARN ResourceManager。

有两种部署模式可以用来在YARN上启动Spark应用程序。在yarn-cluster模式下，Spark driver运行在application master进程中，这个进程被集群中的YARN所管理，客户端会在初始化应用程序之后关闭。在yarn-client模式下，driver运行在客户端进程中，application master仅仅用来向YARN请求资源。

和Spark单独模式以及Mesos模式不同，在这些模式中，master的地址由"master"参数指定，而在YARN模式下，ResourceManager的地址从Hadoop配置得到。因此master参数是简单的

yarn-client

和

yarn-cluster

在yarn-cluster模式下启动Spark应用程序。

./bin/spark-submit --class path.to.your.Class --master yarn-cluster [options] <app jar> [app options]

例子：

$ ./bin/spark-submit --class org.apache.spark.examples.SparkPi \
    --master yarn-cluster \
    --num-executors 3 \
    --driver-memory 4g \
    --executor-memory 2g \
    --executor-cores 1 \
    --queue thequeue \
    lib/spark-examples*.jar \
    10

以上启动了一个YARN客户端程序用来启动默认的 Application Master，然后SparkPi会作为Application Master的子线程运行。客户端会定期的轮询Application Master用于状态更新并将更新显示在控制台上。一旦你的应用程序运行完毕，客户端就会退出。

在yarn-client模式下启动Spark应用程序，运行下面的shell脚本

$ ./bin/spark-shell --master yarn-client 

添加其它的jar

在yarn-cluster模式下，driver运行在不同的机器上，所以离开了保存在本地客户端的文件，

SparkContext.addJar

将不会工作。为了使

SparkContext.addJar

用到保存在客户端的文件，在启动命令中加上

--jars

选项。

$ ./bin/spark-submit --class my.main.Class \
    --master yarn-cluster \
    --jars my-other-jar.jar,my-other-other-jar.jar
    my-main-jar.jar
    app_arg1 app_arg2

• 注意事项

在Hadoop 2.2之前，YARN不支持容器核的资源请求。因此，当运行早期的版本时，通过命令行参数指定的核的数量无法传递给YARN。在调度决策中，核请求是否兑现取决于用哪个调度器以及如何配置调度器。

Spark executors使用的本地目录将会是YARN配置（yarn.nodemanager.local-dirs）的本地目录。如果用户指定了

spark.local.dir

，它将被忽略。

--files

和

--archives

选项支持指定带 # 号文件名。例如，你能够指定

--files localtest.txt#appSees.txt

，它上传你在本地命名为

localtest.txt

的文件到HDFS，但是将会链接为名称

appSees.txt

。当你的应用程序运行在YARN上时，你应该使用

appSees.txt

去引用该文件。

如果你在yarn-cluster模式下运行

SparkContext.addJar

，并且用到了本地文件，

--jars

选项允许

SparkContext.addJar

函数能够工作。如果你正在使用 HDFS, HTTP, HTTPS或FTP，你不需要用到该选项。