Spark之核心架构

Posted 2022-02-04 柳小葱

😻前面我们介绍了一些pyspark的基础指令集，但是对spark的核心架构了解还不够透彻，今天我们就来介绍一些spark的核心架构，以及一些基本概念,对以前内容感兴趣的小伙伴可以查看👇:

• 链接: Spark之处理布尔、数值和字符串类型的数据.
• 链接: Spark之Dataframe基本操作.
• 链接: Spark之处理布尔、数值和字符串类型的数据.

今天我们来介绍一下spark的一些运行原理、架构、组成部分。

1.spark运行架构

spark框架的核心是一个计算引擎，整体来说，它采用了标准的master——slave的结构。如图所示，它展示了一个 Spark 执行时的基本结构。图形中的 Driver 表示 master，负责管理整个集群中的作业任务调度。图形中的 Executor 则是 slave，负责实际执行任务。

1.1 Driver

Driver是spark的驱动节点，用于执行spark任务中的main方法，负责实际代码的执行工作。主要负责以下任务：

• 将用户程序转化为作业（job）
• 在Executor之间调度任务
• 跟踪Executor的执行情况
• 通过 UI 展示查询运行情况

通俗理解Driver就是驱使整个应用运行起来的程序，也称之为
Driver 类

1.2 Executor

Spark Executor 是集群中工作节点（Worker）中的一个 JVM 进程，负责在 Spark 作业中运行具体任务（Task），任务彼此之间相互独立。Spark 应用启动时，Executor 节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有 Executor 节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他 Executor 节点上继续运行。

• 负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程
• 它们通过自身的块管理器（Block Manager）为用户程序中要求缓存的RDD 提供内存式存储。RDD 是直接缓存在 Executor 进程内的，因此任务可以在运行时充分利用缓存数据加速运算。
• 
  

2.RDD

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是 Spark 中最基本的数据处理模型。

• 存储的弹性：内存与磁盘的自动切换；
• 容错的弹性：数据丢失可以自动恢复；
• 计算的弹性：计算出错重试机制；
• 分片的弹性：可根据需要重新分片。
• 分布式：数据存储在大数据集群不同节点上
• 数据集：RDD 封装了计算逻辑，并不保存数据
• 数据抽象：RDD 是一个抽象类，需要子类具体实现
• 不可变：RDD 封装了计算逻辑，是不可以改变的，想要改变，只能产生新的 RDD，在新的 RDD 里面封装计算逻辑
• 可分区、并行计算

我们应该如何去理解这个RDD，如何理解是是最基本的数据处理单元，解释RDD之前先说一下java的IO操作，这里之所以要说java的IO是因为RDD的处理方式和java的IO操作很像。

2.1 IO操作的字符流

在字符流中，我们并不是将A、B、C字符读一个然后输出一个，而是将字符读到缓冲区中，等缓冲区的数据占满了之后，一并输出。

2.2 IO操作的字节流

在字节流中，我们并没有重新定义字节流的IO模式，只是在字符流的基础上增加了一些逻辑过程，我们在字符流的基础上增加了utf-8方式转关换流，将字符转化为字节，然后再存入缓冲区，等到缓冲区占满后，再输出结果。这种利用字符流的基础来构建字节流的方式叫做装饰者设计模式。

2.3 RDD

我们需要处理个文件，将文件按行读入hadoopRDD，然后mappartitionRDD将数据进行分区，然后再用mappartitionRDD转化为key-value形式，然后再用shuffleRDD进行聚合，输出最后的结果。
大家看到RDD的处理方式和IO很像，让我们来总结一下：

• RDD处理方式类似于IO，也是装饰者设计模式
• 这里一层一层的RDD只是定义了数据的处理逻辑，并不会真正执行，只有当触发collect方法时才会触发真正的执行过程。
• IO中有缓冲区；RDD是没有缓冲区的，不保存数据。

参考资料

《尚硅谷spark3.0》
《Spark权威指南》