大数据｜Spark介绍

前文回顾：Hive和数据仓库

📚为什么会有Spark

MapReduce计算模式的缺陷

• 最初设计用于高吞吐量批处理数据，不擅长低延迟。
• 需要将数据存储到HDFS，迭代计算中的数据共享效率太低。
• 系统设计没有充分利用内存，很难实现高性能。
• MapReduce不表达复杂的计算问题，如图形计算、迭代计算。

Spark基于内存计算思想提高计算性能

• Spark提出了一种基于内存的弹性分布式数据集（RDD），通过对RDD的一系列操作完成计算任务，可以大大提高性能。
• 同时一组RDD形成可执行的有向无环图DAG，构成灵活的计算流图。
• 覆盖多种计算模式。

📚Spark的基本架构和组件

🐇主要体系结构和组件

🐇Spark集群的基本结构

• Master node：集群部署时的概念，是整个集群的控制器，负责整个集群的正常运行，管理Worker node。
• Worker node：计算节点，接受主节点命令与进行状态汇报。
• Executors：每个Worker上有一个Executor，负责完成Task程序的部署。
• Spark集群部署后，需要从主从节点启动Master进程和Worker进程，对整个集群进行控制。

Worker node的结构：

🐇Spark系统的基本结构

Spark Driver的组成

🐇Spark应用程序的基本结构

• Application：基于Spark的用户程序，包含一个Driver Program和多个executor（Worker中）
• Job：包含多个Task的并行计算，由Spark action催生。
• Stage：Job拆分成多组Task，每组任务被称为Stage，也可称为TaskSet。
• Task：基本程序执行单元，在一个executor上执行。

🐇Spark程序运行机制⭐️

• Client 提交应用，Master节点启动Driver。
• Driver向Cluster Manager申请资源，并构建Application的运行环境，即启动SparkContext。
• SparkContext向ClusterManager申请Executor资源，启动CoarseGrainedExecutorBackend。
• Executor向SparkContext申请Task，SparkContext将代码发放给Executor。
• Standalone模式下，ClusterManager即为Master。YARN下，ClusterManager为资源管理器。
• Driver Program可以在Master上运行，此时Driver就在Master节点上。为了防止Driver和Executor间通信过慢，一般原则上要使它们分布在同一个局域网中。

📚Spark的程序执行过程

🐇Spark运行框架主节点

• Application：由用户编写的Spark应用程序，其中包括driver program和executor。
• Driver Program：执行用户代码的main()函数，并创建SparkContext。
• Cluster manager：集群当中的资源调度服务选取。例：standalone manager, Mesos, YARN
• Job：由某个RDD的Action算子生成或者提交的一个或者多个一系列的调度阶段，称之为一个或者多个Job，类似于MapReduce中Job的概念
• SparkContext：SparkContext由用户程序启动，是Spark运行的核心模块，它对一个Spark程序进行了必要的初始化过程，其中包括了： - 创建SparkConf类的实例：这个类中包含了用户自定义的参数信息和Spark配置文件中的一些信息等等 (用户名、程序名、Spark版本等) - 创建SparkEnv类的实例：这个类中包含了Spark执行时所需要的许多环境对象，例如底层任务通讯的Akka actor System、block manager、serializer等- 创建调度类的实例：Spark中的调度分为TaskScheduler和DAGScheduler两种，而它们的创建都在SparkContext的初始化过程中

🐇Spark运行框架的从节点

• Executor：executor负责在子节点上执行Spark任务，每个application都有自身的Executor。
• Stage：每一个Job被分成一系列的任务的集合，这些集合被称之为Stage，用于Spark阶段的调度。例：在MapReduce作业中，Spark将划分为Map的Stage和Reduce的Stage进行调度
• Task：被分发到一个Executor上的最小处理单元。

🐇Spark程序执行过程⭐️

1. 用户编写的Spark程序提交到相应的Spark运行框架中。
2. Spark创建SparkContext作为本次程序的运行环境。
3. SparkContext连接相应的集群配置(Mesos/YARN),来确定程序的资源配置使用情况。
4. 连接集群资源成功后，Spark获取当前集群上存在Executor的节点，即当前集群中Spark部署的子节点中处于活动并且可用状态的节点(Spark准备运行你的程序并且确定数据存储)。
5. Spark分发程序代码到各个节点。
6. 最终，SparkContext发送tasks到各个运行节点来执行。

Spark的技术特点

• RDD：Spark提出的弹性分布式数据集，是Spark最核心的分布式数据抽象，Spark的很多特性都和RDD密不可分。
• Transformation&Action：Spark通过RDD的两种不同类型的运算实现了惰性计算，即在RDD的Transformation运算时，Spark并没有进行作业的提交；而在RDD的Action操作时才会触发SparkContext提交作业。
• Lineage：为了保证RDD中数据的鲁棒性，Spark系统通过世系关系(lineage)来记录一个RDD是如何通过其他一个或者多个父类RDD转变过来的，当这个RDD的数据丢失时，Spark可以通过它父类的RDD重新计算。
• Spark调度：Spark采用了事件驱动的Scala库类Akka来完成任务的启动，通过复用线程池的方式来取代MapReduce进程或者线程启动和切换的开销。
• API：Spark使用scala语言进行开发，并且默认Scala作为其编程语言。因此，编写Spark程序比MapReduce程序要简洁得多。同时，Spark系统也支持Java、Python语言进行开发。
• Spark生态：Spark SQL、Spark Streaming、GraphX等等为Spark的应用提供了丰富的场景和模型，适合应用于不同的计算模式和计算任务
• Spark部署：Spark拥有Standalone、Mesos、YARN等多种部署方式，可以部署在多种底层平台上。

综上所述，Spark是一种基于内存的迭代式分布式计算框架，适合于完成多种计算模式的大数据处理任务。

📚Spark编程模型

Spark为了解决以往分布式计算框架存在的一些问题(重复计算、资源共享、系统组合)，提出了一个分布式数据集的抽象数据模型：RDD(Resilient Distributed Datasets)弹性分布式数据集。

• 简单来说，RDD是MapReduce模型的一种简单的扩展和延伸。
• RDD是一种分布式的内存抽象，允许在大型集群上执行基于内存的计算（In-Memory Computing），同时还保持了MapReduce等数据流模型的容错特性。
• RDD只读、可分区，这个数据集的全部或部分可以缓存在内存中，在多次计算间重用。

🐇Spark的基本编程方法与示例⭐️

Spark编程接口

• Spark用Scala语言实现了RDD的API
• Scala是一种基于JVM的静态类型、函数式、面向对象的语言。Scala具有简洁（特别适合交互式使用）、有效（因为是静态类型）等优点
• Spark支持三种语言的API：Scala、Python、Java

//在一个存储于HDFS的Log文件中，计算出现ERROR的行数
//定义一个main函数
def main(args: Array[String]) 
{
    //定义一个sparkConf，提供Spark运行的各种参数，如程序名称、用户名称等
    val conf = new SparkConf().setAppName("Spark Pi") 

    //创建Spark的运行环境，并将Spark运行的参数传入Spark的运行环境中  
    val sc = new SparkContext(conf)   

    //调用Spark的读文件函数，从HDFS中读取Log文件，输出一个RDD类型的实例：fileRDD。
    //具体类型:RDD[String]
    val fileRDD=sc.textFile(“hdfs:///root/Log”)
  
    //调用RDD的filter函数，过滤fileRDD中的每一行，如果该行中含有ERROR，保留；
    //否则，删除。生成另一个RDD类型的实例：filterRDD。
    //具体类型:RDD[String]
    //line=>line.contains(“ERROR”)表示对每一个line应用contains()函数
    val filterRDD=fileRDD.filter(line=>line.contains(“ERROR”)) 
    
    //统计filterRDD中总共有多少行，result为Int类型 
    val result =  filterRDD.count()  
    
    //关闭Spark
    sc.stop() 
}

🥕RDD的创建

从形式上看，RDD是一个分区的只读记录的集合。因此，RDD只能通过两种方式创建：

• 通过从存储器中读取，例如上述代码：val file=sc.textFile(“hdfs:///root/Log”)，从HDFS中读取。例如：val rdd = sc.parallelize(1 to 100, 2) ，生成一个1到100的数组，并行化成RDD。
• 其他RDD的数据上的确定性操作来创建(即Transformation)。例如：val filterRDD = file.filter(line=>line.contains(“ERROR”)) //通过file的filter操作生成一个新的filterRDD。

🥕RDD的操作

RDD支持两种类型的操作：

• 转换(transformation)：这是一种惰性操作，即使用这种方法时，只是定义了一个新的RDD，而并不马上计算新的RDD内部的值。 - 例：val filterRDD=fileRDD.filter(line=>line.contains(“ERROR”))。上述这个操作对于Spark来说仅仅记录从file这个RDD通过filter操作变换到filterRDD这个RDD的变换，并不计算filterRDD的结果。
• 动作(action)：立即计算这个RDD的值，并返回结果给程序，或者将结果写入到外存储中。 - 例：val result = filterRDD.count()，上述操作计算最终的result结果是多少，包括前边transformation时的变换。

Spark 支持的一些常用 transformation操作

Spark支持的一些常用action操作

图片来源：帅成一匹马

🐇RDD的容错实现

在RDD中，存在两种容错的方式：

• **Lineage(世系系统、依赖系统)**：RDD提供一种基于粗粒度变换的接口，这使得RDD可以通过记录RDD之间的变换，而不需要存储实际的数据，就可以完成数据的恢复，使得Spark具有高效的容错性。
• **CheckPoint(检查点)**：对于很长的lineage的RDD来说，通过lineage来恢复耗时较长。因此，在对包含宽依赖的长世系的RDD设置检查点操作非常有必要。

🐇RDD之间的依赖关系

在Spark中存在两种类型的依赖：

• 窄依赖：父RDD中的一个Partition最多被子RDD中的一个Partition所依赖。
• 宽依赖：父RDD中的一个Partition被子RDD中的多个Partition所依赖。

🐇RDD持久化

Spark提供了三种对持久化RDD的存储策略：

• 未序列化的Java对象，存于内存中：性能表现最优，可以直接访问在JAVA虚拟机内存里的RDD对象。
• 序列化的数据，存于内存中： - 取消JVM中的RDD对象，将对象的状态信息转换为可存储形式，减小RDD的存储开销，但使用时需要反序列化恢复。- 在内存空间有限的情况下，这种方式可以让用户更有效的使用内存，但是这么做的代价是降低了性能。
• 磁盘存储：适用于RDD太大难以在内存中存储的情形，但每次重新计算该RDD都会带来巨大的额外开销。

完整的存储级别介绍：

🐇RDD内部设计

每个RDD都包含：

• 一组RDD分区（partition)，即数据集的原子组成部分。
• 对父RDD的一组依赖，这些依赖描述了RDD的Lineage。
• 一个函数，即在父RDD上执行何种计算。
• 元数据，描述分区模式和数据存放的位置。

📚Spark和集群管理工具的结合

不同计算引擎各有所长，真实应用中往往需要同时使用不同的计算框架。不同框架和应用会争抢资源，互相影响，使得管理难度和成本增加。

统一资源管理平台和集装箱思想

• 统一的资源管理平台（YARN、Mesos、Docker）将资源独立管理。通过资源管理可在同一个集群平台上部署不同的计算框架和应用，从而实现多租户资源共享。
• 集装箱思想：将应用和依赖“装箱”，一次配置，随处部署。

• 资源管理：所有接入的框架要先向它申请资源，申请成功之后，再由平台自身的调度器决定资源交由哪个任务使用。
• 资源共享：通过资源管理可在同一集群平台上部署不同的计算框架和应用，实现多租户资源共享
• 资源隔离：不同的框架中的不同任务往往需要的资源（内存，CPU，网络IO等）不同，它们运行在同一个集群中，会相互干扰。所以需要实现资源隔离以免任务之间由资源争用导致效率下降
• 提高资源利用效率：当将各种框架部署到同一个大的集群中，进行统一管理和调度后，由于各种作业交错且作业提交频率大幅度升高，则为资源利用率的提升增加了机会
• 扩展和容错：统一资源管理平台不能影响到上层框架的可扩展性和容错，同时自身也应具备良好的可扩展性和容错性。

YARN：YARN是Hadoop2.0时代的编程架构，被称为新一代MapReduce。其核心思想是将原MapReduce框架中的 JobTracker 和 TaskTracker 重新设计，变成了：ResourceManager（中心的服务）、ApplicationMaster（负责一个 Job 生命周期内的所有工作）、NodeManager（负责 Container 状态的维护）。

Mesos：Mesos是Apache旗下著名的分布式资源管理框架，被称为分布式系统的内核。Mesos包含两个组件，Master和Slave。

Docker：搬运工，搬运的是集装箱（Container），集装箱里面装的是任意类型的App。Docker把App装在Container内，通过Linux Container技术的包装将App变成一种标准化的、可移植的、自管理的组件。

Spark 编程示例——实验三：PageRank算法实现

📚Spark环境中其它功能组件简介

🐇Spark SQL

Spark SQL 是一个用来处理结构化数据的分布式SQL查询引擎，具有以下几个特点：

• 与Spark程序无缝对接。使用集成的API，Spark SQL允许使用RDD模型来查询结构化数据，这使得在复杂程序里运行SQL查询变得容易。
• 统一数据访问接口。Spark SQL提供统一的接口来访问各种结构化数据，包括Hive、Parquet和Json文件。
• 与Hive高度兼容。对已经存在的Hive数据、Hive查询语句和UDFs等，Spark SQL都可以完美兼容，方便了应用迁移。
• 使用标准链接。Spark SQL可以使用工业标准JDBC和ODBC进行链接，减小了开发人员的学习成本。

🐇Spark Streaming

• Spark Streaming 的工作机制是对数据流进行分片，使用Spark计算引擎处理分片数据，并返回相应分片的计算结果。
• Spark Streaming 提供的基本流式数据抽象叫discretized stream，或称DStream。DStream由一系列连续的RDD表示（每个数据流分片被表示为一个RDD），对DStream的操作被转换成对相应RDD序列的操作。

🐇GraphX

• GraphX是Spark系统中对图进行表示和并行处理的组件，它把图抽象为：给每个顶点和边附着了属性的有向多重图。
• GraphX提供了一系列基本图操作（比如subgraph、joinVertices、aggregateMessages等）和优化了的Pregel API变种，并且各种图算法还在不断丰富中。

• GraphX使用高效的点分割存储模式。

🐇MLlib

• MLlib是Spark的分布式机器学习算法库，包含了很多常用机器学习算法和工具类