Spark

Posted 2020-11-28 dbnixi

1、什么是Spark

Spark是一种统一、快速、通用、可扩展的分布式大数据分析引擎。分布式体现在Spark一般情况是以集群模式存在，架构为Master/Slaver(主从结构)。大数据分析引擎体现在Spark能够分析数据，但是没有存储。一般线上的spark数据来源 （HDFS, Hive、Kafka、Flume、日志文件、关系型数据库、NoSQL数据库）。Spark数据出口（HDFS、Hive、Kafka、Redise、关系型数据库、NoSQL数据库）。

Spark是基于内存计算的大数据并行计算框架，Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。

目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLlib等子项目。

 

2、Spark的特点

1、统一：Spark能够适应多种计算场景（离线计算、实时计算、机器学习、图计算、AI应用）。一般公司在进行技术选型过程，首选Spark。

2、快速：Spark在使用过程中，会读取HDFS上数据，并且会将HDFS中数据驻留在内存当中，将数据进行缓存、在后续数据迭代操作过程能够重用内存中的数。在逻辑回归（算法）处理中，Spark的速度要比Hadoop 理论上快100倍。与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。

此外，Spark还具有一站式解决方案：

五大模块：

　　1、SparkCore （处理离线数据）

　　2、SparkSQL (主要用来做多维数据分析、以及交互式查询)

　　3、SparkStreaming （实时数据处理程序）

　　4、Spark MLlib （机器学习 包含非常多算法，相当于Spark提供的一个算法库）

　　5、Spark Graphx （图计算处理模块）

Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。

3、通用：Spark支持多种语言（Java、Scala、Python、R、SQL）。Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用，而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。

4、可扩展：Spark能够兼容 （hadoop、hive、hbase、yarn、kafka、flume、redise、关系型数据等），Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。

 

3、为什么要学习Spark

Spark是一个开源的类似于Hadoop MapReduce的通用的并行计算框架。Spark基于map、reduce算法实现的分布式计算，拥有Hadoop MapReduce所具有的优点，但不同于MapReduce的是Spark中的job中间输出和结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map、reduce的算法。

Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生态系统以弥补MapReduce的不足。

 

4、Spark的应用场景

• 用户画像 （用户数据画像）

• 金融风险管控系统 （对实时性要求比较，起码毫秒级）

• 精细化运行系统 （CMS系统 、BI系统）

• 精准广告推荐系统（Spark机器学习，一般在广告或者电商公司应用）

 

5、Spark应用程序的运行模式

Spark应用程序想要运行需要资源（CPU和内存网络资源），Spark支持多种获取资源的方式。

Spark根据获取资源方式的不同，就具备不同的运行模式。

不同的运行模式：

　　local[N] :通过本机启动线程的方式，来模拟Spark的并行计算。N可以是具体的数字 ，N可以是* ：*代表的是机器的cpu核数。

　　standalone：标准模式，以Spark集群模式提交应用程序。standalone模式 是向Spark的master进程去获取资源。

　　yarn：Spark以集群模式提交应用程序，向yarn申请资源（ResourceManager进程申请资源）。线上运行都是以这种模式。

　　高可用模式提交任务：在高可用模式下，因为涉及到多个Master，所以对于应用程序的提交就有了一点变化，因为应用程序需要知道当前的                 Master的IP地址和端口。这种HA方案处理这种情况很简单，只需要在SparkContext指向一个Master列表就可以了。

       如Spark://host1:port1,host2:port2,host3:port3，应用程序会轮询列表，找到活着的Master。

具体的细节，这里就不便详细论述了，望见谅！

 

6、Spark应用程序的开发

Spark-shell开发

Spark-shell初始化操作

• Spark context Web UI：Spark Job任务的管理界面

• Spark context：初始化SparkContext对象名称sc（SparkContext对象是Spark应用程序的入口对象）

  • master = local[*]：默认情况下Spark-shell 向本地机器获取资源

  • app id = local-1557469470546，每个Spark应用程序都会产生一个appid

• Spark session：一次会话对象，可以使用Sparksession调用SparkSQL

• 基于Spark-shell的wordcount操作
• Spark-shell以standalone模式启动　

只是一些基本的流程步骤，具体的细节还是需要用很多的时间进行学习的，要加倍努力哦！

 

7、Spark的重要角色

Spark是基于内存计算的大数据并行计算框架。因为其基于内存计算，比Hadoop中MapReduce计算框架具有更高的实时性，同时也保证了高效容错性和可伸缩性。

Spark架构使用了分布式计算中master-slave模型，master是集群中含有master进程的节点，slave是集群中含有worker进程的节点。

• Driver Program：运行main函数并且新建SparkContext的程序。

• Application：基于Spark的应用程序，包含了driver程序和集群上的executor。

• Cluster Manager：指的是在集群上获取资源的外部服务。目前有三种主流类型：

• 1、Standalone：Spark原生的资源管理，由Master负责资源的分配Standalone: spark原生的资源管理，由Master负责资源的分配。
• 2、Apache Mesos：与hadoop MR兼容性良好的一种资源调度框架。
• 3、Hadoop Yarn：主要是指Yarn中的ResourceManager。

• Worker Node： 集群中任何可以运行Application代码的节点，在Standalone模式中指的是通过slaves文件配置的Worker节点，在Spark on Yarn模式下就是NodeManager节点。

• Executor：是在一个worker node上为某应用启动的?个进程，该进程负责运行任务，并且负责将数据存在内存或者磁盘上。每个应用都有各自独立的executor。

• Task：被送到某个executor上的工作单元。

 

8、Spark的计算模型RDD

1、什么是RDD

RDD叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。

 

2、弹性分布式数据集

1、弹性：

• 存储的弹性：RDD的数据可以在内存和磁盘之间进行自由切换。 

• 可靠性的弹性：RDD的数据在丢失数据的时候能够自动恢复。RDD在计算过程中会出现失败的情况，失败以后会进行一定次数的重试（4次）。

• 并行度的弹性：RDD的数据分区可以改变，进而增加并行计算的粒度。

2、分布式：

　　RDD的数据是分布存储的，也就是Spark集群中每个节点上只存储了RDD的部分数据，计算时同样也是分布式并行计算的。

3、数据集：

　　RDD是一个数据容器，用来组织管理数据的，跟Array和List类似，并且都能够进行map、flatMap、filter等。

 

3、RDD的特点

1、分区列表：Spark RDD是被分区的，RDD是一个由多个partition（某个节点里的某一片连续的数据）组成的的列表，对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。

2、计算函数：RDD逻辑上是分区的，每个分区的数据是抽象存在的，计算的时候会通过一个compute函数得到每个分区的数据。如果RDD是通过已有的文件系统构建，则compute函数是读取指定文件系统中的数据，如果RDD是通过其他RDD转换而来，则compute函数是执行转换逻辑将其他RDD的数据进行转换。

3、分区器：当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个基于范围的RangePartitioner。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。

4、依赖列表：RDD是只读的，要想改变RDD中的数据，只能在现有的RDD基础上创建新的RDD。 由一个RDD转换到另一个RDD，可以通过丰富的操作算子实现，不再像MapReduce那样只能写map和reduce。RDD之间存在依赖，RDD的执行是按照血缘关系延时计算的。如果血缘关系较长，可以通过持久化RDD来切断血缘关系。RDD的操作算子包括两类，一类叫做transformations，它是用来将RDD进行转化，构建RDD的血缘关系；另一类叫做actions，它是用来触发RDD的计算，得到RDD的相关计算结果或者将RDD保存的文件系统中。RDD通过操作算子进行转换，转换得到的新RDD包含了从其他RDD衍生所必需的信息，RDD之间维护着这种血缘关系，也称之为依赖。依赖包括两种，一种是窄依赖，RDD之间分区是一一对应的，另一种是宽依赖，下游RDD的每个分区与上游RDD的每个分区都有关，是多对多的关系。

5、最优位置：一个列表，存取每个Partition的优先位置。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。Spark在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

 

4、RDD的弹性

1、数据调度弹性

2、数据分片的高度弹性

3、基于血统的高效容错机制

4、自动进行内存和磁盘数据存储的切换

5、Checkpoint和Persist可主动或被动触发

6、Task如果失败会自动进行特定次数的重试

7、Stage如果失败会自动进行特定次数的重试

 

5、RDD的构建方式

1、根据数据集合构建RDD

2、根据RDD创建新的RDD 需要经过算子操作

3、根据外部文件（可以是本地文件也可是HDFS上文件）

 

6、RDD的依赖关系

RDD和它依赖的父RDD的关系有两种不同的类型，即窄依赖和宽依赖。

RDD的依赖类型

• 窄依赖：父RDD中一个partition最多被子RDD中的一个partition所依赖，这种依赖关系就是窄依赖

• 窄依赖算子：map 、filter 、union 、flatMap等

• 宽依赖：父RDD中一个partition被子RDD中的多个partition所依赖，这种依赖关系就是宽依赖

• 宽依赖算子：groupByKey、reduceByKey。凡是By基本上都是宽依赖

另一种理解方式可以为：

　　一对一或者多对一：窄依赖

　　一对多或者多对多：宽依赖

 

7、RDD的算子操作

　　转换算子

　　Action算子

 

8、RDD的缓存机制

Spark速度非常快的原因之一，就是在不同操作中可以在内存或者磁盘中缓存数据集。当持久化某个RDD后，每一个节点都将把计算分区结果保存在内存中，对此RDD或衍生出的RDD进行的其他动作中重用。这使得后续的动作变得更加迅速。RDD相关的持久化和缓存，是Spark最重要的特征之一。可以说，缓存是Spark构建迭代式算法和快速交互式查询的关键。

 

9、RDD的血统机制

RDD只支持粗粒度转换，即只记录单个块上执行的单个操作。将创建RDD的一系列Lineage（即血统）记录下来，以便恢复丢失的分区。RDD的Lineage会记录RDD的元数据信息和转换行为，当该RDD的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。

RDD与RDD之间存在依赖关系，依赖关系都是通过转换算子构建的。Spark应用程序会通过Action算子触发Job操作，Job在运行过程中 是从后往前回溯的，回溯的时候就是根据RDD的依赖关系。这样就构建了RDD的血统机制。有了依赖链条的存在，当RDD中数据丢失的时候，会根据血统机制进行自动恢复数据。
窄依赖：
父RDD中一个partition最多被子RDD中一个partition所依赖，所以当子RDD中一个parition数据丢失时会重算其相应的父RDD中的数据，不需要对整个RDD进行数据恢复。

宽依赖：

父RDD中一个partition被子RDD中多个partition所依赖的， 所以如果子RDD中的一个partition数据丢失，那么它会重算其所依赖的所有父RDD的partition。