spark原理

Posted 2022-12-20 hongfeng2019

原理:

RDD:
使用内存--基本处理单位RDD:弹性分布式数据集

spark处理的时候,处理的是RDD数据(相当于是将块数据加载到内存中)

类似: 

[1,2,3,4,5,...]        1个节点处理 [1,2]   1个节点处理[3,4,5] ......

 

stage:

一个 Job 会被分成一个或多个Stage, 类似airflow的DAG

 

 

partition:

把RDD分成多个分区运行在分布式的节点上，一个分区对应一个task

 

相关概念:

 

 

spark生态圈：

 

 

? Spark Core：包含Spark的基本功能；尤其是定义RDD的API、操作以及这两者上的动作。其他Spark的库都是构建在RDD和Spark Core之上的  （就是上面的Apache Spark）
? Spark SQL：提供通过Apache Hive的SQL变体Hive查询语言（HiveQL）与Spark进行交互的API。每个数据库表被当做一个RDD，Spark SQL查询被转换为Spark操作。即用spark操作hive,和上面的用hive操作spark引擎正好相反。
? Spark Streaming：对实时数据流进行处理和控制。Spark Streaming允许程序能够像普通RDD一样处理实时数据。 在kafka的基础上进行一些算子运算。
? MLlib：一个常用机器学习算法库，算法被实现为对RDD的Spark操作。这个库包含可扩展的学习算法，比如分类、回归等需要对大量数据集进行迭代的操作。GraphX：控制图、并行图操作和计算的一组算法和工具的集合。
? GraphX扩展了RDD API，包含控制图、创建子图、访问路径上所有顶点的操作

 

集群组件说明：

Cluster Manager：集群管理器。在Standalone模式中即为Master主节点，控制整个集群，监控Worker。在YARN模式中为Resourcemanager
? Worker节点：从节点，负责控制计算节点，启动Executor或者Driver。在Standalone模式中指的是通过slave文件配置的Worker节点，在Spark on Yarn模式下就是NoteManager节点
? Driver：运行Application的主函数， java的入口函数main,如上面例子中的org.apache.spark.examples.JavaSparkPi
? Executor：执行器，是为某个Application运行在worker node上的一个进程。其进程名称为CoarseGrainedExecutorBackend。一个CoarseGrainedExecutorBackend有且仅有一个Executor对象， 负责将Task包装成taskRunner,并从线程池中抽取一个空闲线程运行Task， 这个每一个CoarseGrainedExecutorBackend能并行运行Task的数量取决于分配给它的cpu个数

 

三种模式对比：