数分-理论-大数据7-Spark

数分-理论-大数据7-Spark（大数据框架）

(数据分析系列)

文章目录

1知识点

• 概述
• 编程模型
• 架构原理
• 实战应用

2具体内容

2.1概述

2.1.1起源

• 内存（进出仓库的通道）：存储正在使用的资源
• 磁盘（仓库）：存储暂时用不到的资源
• MapReduce：每一步在内存中，但产生的中间值（溢写文件）写入磁盘，下一步将中间值merge到内存，循环到最终完成计算
• spark：每一步在内存中，产生的中间值直接写入下一个步骤，至所有步骤完成后将最终结果保存进磁盘（适合计算步骤多）

2.1.2诞生

2.1.3Spark与Hadoop、MapReduce、HDFS的关系

1.hadoop：

• HDFS读取输入data
• Map使用用户定义的mapper func，结果写入磁盘
• Reduce从各Maping机器读取Map计算的中间结果，使用reduce func，结果写会HDFS

• 三次读写，高度依赖磁盘读写

2.Spark

• 基于性能更高的内存存储来进行数据存储和读写
• 缺乏对数据存储的支持，没有分布式文件系统（HDFS），只能依赖外部数据源

3.异同

• 都是大数据框架
• hadoop - 分布式数据基础措施，将巨大的数据集分派到一个集群中的多个节点进行存储- 计算处理的功能
• spark - 对分布式存储的大数据进行处理的工具- SparkCore看做是MapReduce的竞品- 不会分布式存储

2.1.4生态体系

Spark是一个用来实现快速且通用的集群计算平台

• 速度：在内存中进行计算，可以面向海量数据进行分析处理；
• 通用：针对任何业务类型分析进行处理 - SparkCore离线批处理- SparkSQL交互式分析，支持SQL语句- SparkStreaming，实时流数据处理- MLlib，支持机器学习- GraphX，支持图计算- StructuredStreamig流式处理

2.2编程模型-核心

2.2.1RDD概述

弹性数据集（Resilient Distributed Datasets）的缩写

• mr，面向过程的大数据计算，如何将计算逻辑用Map和Reduce实现，输入输出是什么
• spark，面向对象（大数据抽象为一个RDD对象）编程，在RDD上计算至最后的结果

2.2.2RDD定义

• 分布式内存
• 只读的记录分区集合
• 横跨集群所有节点进行并行计算
• spark建立在抽象RDD上，统一算子进行运算

2.2.3RDD五大特性

1.分区

• 计算以分区为单位，分配到多个机器并行计算
• 从HDFS取数，spark使用位置信息，将计算工作就近发机器减少跨网络传输数据量

2.可并行计算

• 一个分区一个计算任务Task
• 每个分区有计算函数（计算算子）
• 以分片为基本单位并行计算
• RDD的分区数决定着并行计算的数量

3.依赖关系

• 依赖关系列表构建RDD
• 容错机制，出错可重建RDD

4.k-v数据的RDD分区器

• Partitioner分区器决定分区策略 - Hash分区- Range分区- 自定义分区
• 针对k-v形式，从0到 numPartitions-1区间内映射每一个key到partition ID上

5.每个分区有一个优先位置列表

• 分区位置列表会存储每个Partition的优先位置，如果读取的是HDFS文件，这个列表保存的就是每个分区所在的block块的位置
• 尽可能将任务分配到处理数据的数据块位置

2.2.4RDD操作函数

1. 转换transformation，返回值是RDD- map(func)计算- filter(func)过滤- union(otherDataset)合并- reduceByKey(func, [numPartitions])根据key聚合- join(otherDataset, [numPartitions])连接数据集- groupByKey([numPartitions])分组
2. 执行action，不返回RDD
3. spark以RDD为单位，对大数据分片计算，每个RDD分片分到一个执行进程处理
4. 转换操作- 转换操作产生的RDD不会出现新的分片情况： - RDD数据分片，经过map或者filter转换操作后，其结果还在当前的分片中- 物理上，Spark只有在产生新的RDD分片时候，才会真的生成一个RDD，Spark的这种特性也被称作惰性计算；- 转换操作产生的RDD会产生新的分片情况： - reduceByKey，来自不同分片的相同key 必须聚合在一起进行操作，这样就会产生新的RDD分片- 是否会产生新的RDD分片，并不是根据转换函数名就能判断出来的

2.3架构原理

• 移动计算而非移动数据
• 通过DAG来实现计算

2.3.1计算阶段

• 根据应用的复杂程度，将过程分割成更多的计算阶段（stage），这些计算阶段组成一个有向无环图（DAG），Spark任务调度器根据DAG的依赖关系执行计算阶段（stage）
• Spark快：大量的迭代计算，产生数万个计算阶段，这些计算阶段在一个应用中处理完成
• 有向无环图，即是说不同阶段的依赖关系是有向的- 计算过程沿着依赖关系方向- 依赖关系不是环形依赖，否则死循环- 执行阶段1和阶段2后，再执行阶段3
• Spark大数据应用的计算过程：1. 根据程序初始化DAG2. 由DAG再建立依赖关系3. 根据依赖关系顺序执行各个计算阶段
• Spark 作业调度执行核心是DAG- DAG可以得出 整个应用就被切分成哪些阶段以及每个阶段的依赖关系- 每个阶段要处理的数据量生成相应的任务集合（TaskSet）- 每个任务都分配一个任务进程去处理
• DAGScheduler组件负责应用DAG的生成和管理- 根据程序代码生成DAG- 将程序分发到分布式计算集群- 按计算阶段的先后关系调度执行

2.3.2划分计算阶段

#上图DAG
rddB = rddA.groupBy(key)
rddD = rddC.map(func)
rddF = rddD.union(rddE)
rddG = rddB.join(rddF)#4个函数，三个阶段

• RDD之间的转换连接线呈现多对多交叉连接的时候，就会产生新的阶段
• 一个RDD表示一个数据集，一个数据集中的多个数据分片需要进行分区传输，写入到另一个数据集的不同分片中
• Spark中计算阶段划分的依据是Shuffle
• 从数据集跨越，由多个分区传输的过程，叫做Shuffle
• Shuffle将数据进行重新组合，把相同key的数据放一起，因为新的聚合、关联，产生新的计算阶段
• 不需要Shuffle的依赖，称为窄依赖。需要Shuffle的依赖，称为宽依赖。

MR与Spark效率比较：

• 本质： - MapReduce根据Shuffle将大数据计算分为Map和Reduce两个阶段- Spark将前一个的Reduce和后一个的Map进行连接，当作一个阶段进行计算，从而形成了一个更高效流畅的计算模型- 本质是Map和Reduce，但多个计算阶段依赖执行的方案可以有效减少对HDFS的访问（落盘），减少作业的调度执行次数
• 存储方式： - 使用磁盘存储Shuffle过程的数据- Spark优先使用内存进行数据存储（RDD也优先存于内存）

2.3.3作业管理

1. DAGScheduler遇到Shuffle时，会生成一个计算阶段
2. 遇到action函数时，会生成一个作业（Job）
3. RDD里的每个数据分片，Spark都会创建一个计算任务进行处理，一个计算阶段会包含多个计算任务（Task） - 一个作业至少包含一个计算阶段- 每个计算阶段由多个任务组成- 这些任务（Task）组成一个任务集合
4. DAGScheduler根据代码生成DAG图，Spark的任务调度以任务为单位进行分配，将任务分配到分布式集群的不同机器上执行。

2.3.4执行过程

• spark支持多种部署方案（Standalone、Yarn、Mesos等）
• 不同的部署方案核心功能和运行流程基本一样，只是不同组件角色命名不同。

1. JVM启动应用程序（Driver进程）- Driver调用SparkContext初始化执行配置和输入数据- SparkContext启动DAGScheduler构造执行的DAG图，切分成计算任务这样的最小执行单位
2. Driver向Cluster Manager请求计算资源，用于DAG的分布式计算- ClusterManager收到请求以后，将Driver的主机地址等信息通知给集群的所有计算节点Worker Node
3. Worker收到信息- 根据Driver的主机地址，向Driver通信并注册，然后根据自己的空闲资源向Driver通报可以领用的任务数- Driver根据DAG图向注册的Worker分配任务

2.4实战应用

1. spark local模式安装
2. WordCount为例，查看SparkRDD执行流程

3参考

• https://github.com/shenhao-stu/Big-Data/
• Spark SQL的基本使用
• Spark的Scala API介绍