精通Spark系列一文搞懂Spark的运行架构，文末附带大数据Spark的学习路线

Posted 2022-12-02 大数据小禅

🚀 作者 ：“大数据小禅”

🚀 **文章简介 **：本篇文章属于Spark系列文章，专栏将会记录从spark基础到进阶的内容，，内容涉及到Spark的入门集群搭建，核心组件，RDD，算子的使用，底层原理，SparkCore，SparkSQL，SparkStreaming等，Spark专栏地址.欢迎小伙伴们订阅💪

🚀 **文章源码获取 **：与本文相关的安装包，大数据交流群，小伙伴们可以关注文章底部的公众号，点击“联系我”备注对应内容获取。

🚀 欢迎小伙伴们 点赞👍、收藏⭐、留言💬

1.为什么会有Spark

在开始讲Spark运行的整体架构之前，先来讲讲为什么会有Spark？这个框架被设计出来是要解决什么问题的？

Mapreduce是离线大数据处理时经常使用的一种计算模型，但是也有着较多的缺点，例如不适合交互式计算，不适合迭代计算。

比如说，我们进行一个数据计算，流程如下图，这个使用使用MapReduce的话，每个节点可能都要使用一个Map还有一个reduce去表示，那MR1跟MR2之间的结果要怎么传递？就要把结果放在HDFS分布式文件中存储，这样的话带来的问题就是耗时费内存，开销大。

而spark在每个计算节点中是可以通过内存来传递结果的，而且提供了更好的上层API，相比之下Spark就具有了和明显的优势。Spark提供了多种算子做计算，支持多种语言。虽然spark本身没有提供类似于HDFS的分布式文件系统，但是他可以和hadoop生态的众多框架整合，可以访问多种数据库，包括redis都可以整合。

2.Spark的运行架构以及流程

Spark运行的基本流程

由上图，spark在运行的时候一般有如下流程

1. 由Driver创建一个SparkContext进行资源申请，任务分配与监控
2. 资源管理器给Executor分配资源，申请完毕在worker中启动Executor进程
3. SparkContext根据RDD的依赖关系生产DAG图
4. DAG图由DAGScheduler解析成Stage，之后把一个个TaskSet提交给底层调度器TaskScheduler处理
5. Executor向Sparkcontext申请Task，TaskScheduler将Task发给Executor运行并提供程序代码
6. 运行完毕后写入数据并释放资源

涉及到的基本概念

对于Spark运行的流程介绍中涉及到了一些Spark基本概念与名词，下面进行解释

• Driver：该进程调用Spark程序的main方法，并启动SparkContext

• Executor：作为一个进程运行在工作节点WorkerNode，负责运行Task

• RDD：弹性分布式数据集，是分布式内存的抽象概念，后续文章会大篇幅介绍到

• Task：是运行在Excutor上的工作单元

• Job：一个Job包含了多个RDD以及作用于对于RDD上的各种操作。

• Stage：是Job调度的基本单位，一个Job分成多组Task。每组Task被称为Stage，或者称为TaskSet。

• DAG：有向无环图，主要反映RDD之间的依赖关系

• Master：负责管理集群与节点，不参与到计算

• Worker：该进程是一个守护进程，主要负责和外部集群工具打交道，申请或者释放集群资源。

• Client：用户进行程序提交的入口

3.Spark的组成

Spark主要由五大部分组成，这五大部分的内容结构归结起来就可以说是学习Spark的基本路线了，Spark最核心的功能是RDDs，而RDDs就存在于spark-core这个包内，这个包也是spark最核心的部分，提供给了多种上层API，用于不同场景下的计算。

• Spark Core:

Spark-Core是整个Spark的基础。

包含Spark的基本功能，包含任务调度，内存管理，容错机制等，内部定义了RDDs(弹性分布式数据集)，提供了很多APIs来创建和操作这些RDDs。为其他组件提供底层的服务。

• Spark SQL:

Spark SQL在spark-core的基础之上又推出一个DataSet与DataFrame的数据抽象化概念。提供了在DataSet与DataFrame之上执行SQL的能力。

Spark SQL处理结构化数据的库，就像Hive SQL,mysql一样，企业中用来做报表统计。

• Spark Streaming:

Spark streaming充分利用了spark-core的快速调度能力来进行流发计算与分析。是实时数据流处理组件，类似Storm。Spark Streaming提供了API来操作实时流数据。企业中用来从可以Kafka接收数据做实时统计。

• MLlib:

MLlib是Spark上分布式机器学习的框架，是一个包含通用机器学习功能的包，Machine learning lib包含分类，聚类，回归等，还包括模型评估和数据导入。MLlib提供的上面这些方法，都支持集群上的横向扩展。

• Graphx:

Graphx是分布式图计算框架。是用来处理图的库（例如，社交网络图），并进行图的并行计算。像Spark Streaming,Spark SQL一样，它也继承了RDD API。它提供了各种图的操作，和常用的图算法，例如PangeRank算法。

Spark提供了全方位的软件栈，只要掌握Spark一门编程语言就可以编写不同应用场景的应用程序（批处理，流计算，图计算等）。Spark主要用来代替Hadoop的MapReduce部分。

4.总结

到这里我们就完成了集群的搭建与第一个小案例的运行，如果操作过程中遇到问题可以私信我，博主会尽力帮你解答💪。Spark专栏地址。更多的大数据资料以及本文安装包可以通过下方公众号获取哦，加入小禅的🏘️大数据技术社区一起交流学习，感谢支持！💪