Spark的详细概述

spark是什么？

Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。

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，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。

spark的发展史

2009年，Spark诞生于伯克利大学的AMPLab实验室。最出Spark只是一个实验性的项目，代码量非常少，属于轻量级的框架。

2010年，伯克利大学正式开源了Spark项目。

2013年，Spark成为了Apache基金会下的项目，进入高速发展期。第三方开发者贡献了大量的代码，活跃度非常高。

2014年，Spark以飞快的速度称为了Apache的顶级项目。

2015年~，Spark在国内IT行业变得愈发火爆，大量的公司开始重点部署或者使用Spark来替代MapReduce、Hive、Storm等传统的大数据计算框架。

spark特点：

快速：

一般情况下，对于迭代次数较多的应用程序，Spark程序在内存中的运行速度是Hadoop MapReduce运行速度的100多倍，在磁盘上的运行速度是Hadoop MapReduce运行速度的10多倍。

易用性：Spark支持使用Scala、Python、Java及R语言快速编写应用。同时Spark提供超过80个高阶算子，使得编写并行应用程序变得容易，并且可以在Scala、Python或R的交互模式下使用Spark。

通用性：Spark可以与SQL、Streaming及复杂的分析良好结合。Spark还有一系列的高级工具，包括Spark SQL、MLlib（机器学习库）、GraphX（图计算）和Spark Streaming（流计算），并且支持在一个应用中同时使用这些组件。

随处运行：用户可以使用Spark的独立集群模式运行Spark，也可以在EC2（亚马逊弹性计算云）、Hadoop YARN或者Apache Mesos上运行Spark。并且可以从HDFS、Cassandra、HBase、Hive、Tachyon和任何分布式文件系统读取数据。

兼容性

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。

spark最大的特点：基于内存。

spark集群的体系结构

（1）结构

（a）Master：接收任务请求，分发任务

(b)Worker：本节点任务调度，资源管理。默认占用该节点所有资源

• Spark对内存没有很好管理，容易出现OOM。Spark把内存管理交给应用程序。
• Spark架构出现单点故障问题，通过HA解决。

(c )Driver：客户端

（2）启动方式

(a)Spark-submit：

用于提交Spark 任务。每个任务是一个jar。

(b)spark-shell：

类似于 REPL

spark的生态圈

     （1）Spark Core

Spark的核心，提供底层框架及核心支持。

（2）BlinkDB

一个用于在海量数据上进行交互式SQL查询的大规模并行查询引擎，允许用户通过权衡数据精度缩短查询响应时间，数据的精度将被控制在允许的误差范围内。

（3）Spark SQL

可以执行SQL查询，支持基本的SQL语法和HiveQL语法，可读取的数据源包括Hive、HDFS、关系数据库（如MySQL）等。

     （4）SparkStreaming

可以进行实时数据流式计算。

      （5）MLBase

是Spark生态圈的一部分，专注于机器学习领域，学习门槛较低。

MLBase由4部分组成：MLlib、MLI、ML Optimizer和MLRuntime。

MLlib部分算法如下。

       （6）Spark GraphX

图计算的应用在很多情况下处理的数据量都是很庞大的。如果用户需要自行编写相关的图计算算法，并且在集群中应用，难度是非常大的。而使用GraphX即可解决这个问题，因为它内置了许多与图相关的算法，如在移动社交关系分析中可使用图计算相关算法进行处理和分析。

        （7）SparkR

AMPLab发布的一个R语言开发包，使得R语言编写的程序不只可以在单机运行，也可以作为Spark的作业运行在集群上，极大地提升了R语言的数据处理能力。

spark的部署模式：Spark独立服务器模式、基于YARN的Spark、基于Mesos的Spark。

1.Spark独立服务器模式
独立服务器模式使用内置的调度器，因而不需要任何外部调度器，如YARN或Mesos。要以独立服务器模式安装Spark，需要将Spark的二进制安装文件复制到集群的所有机器上。
独立服务器模式下，客户端可通过spark-submit或Spark shell与集群通信。无论那种情况，driver都会与Spark主节点进行通信，以便获取worker节点的信息，此后executor将在worker节点上启动来执行应用。多个客户端可同时与集群通信，然后再worker节点上创建各自的executor，每个客户端都有自己的driver组件。

2.基于YARN的Spark
在YARN模式下，客户段与YARN的资源管理器进行通信，从而获得容器来运行Spark应用。可将其视为一个小型Spark集群。在使用YARN运行Spark应用时，可使用YARN客户端模式或YARN集群模式。

2.1 YARN客户端模式
在YARN客户端模式下，driver在集群之外的节点（一般都是客户端节点）上运行。driver首先需要与资源管理器通信，从而请求资源并运行Spark作业。资源管理器会分配容器（0号容器）并响应driver。driver在0号容器中启动Spark应用主节点。Spark应用主节点在资源管理器分配的容器中创建executor。
YARN容器可位于集群中由节点管理器控制的任一节点，因此所有的资源分配都由资源管理器负责。
Spark应用主节点与资源管理器进行沟通，以获取其他容器来启动executor。

2.2 YARN集群模式
在集群模式下，driver在集群中的某个节点（一般是应用程序的主节点）上运行。客户端首先与资源管理器通信，请求资源并运行Spark作业。资源管理器会分配容器（0号容器）并响应客户端。然后客户端向集群提交代码，并在0号容器内启动driver和Spark应用主节点。driver与Spark应用主节点协同工作，然后在由资源管理器分配的容器上创建executor。
YARN容器可位于由节管理器控制的任何容器上。因此所有的资源分配都由资源管理器负责。
Spark应用主节点与资源管理器进行沟通，以获取其他容器来启动executor。
在YARN集群模式下，没有shell，因为driver本身在YARN内部。

3. 基于Mesos的Spark

基于Mesos的部署模式与Spark的独立服务器模式蕾丝。driver与Mesos的主节点通信，然后该主节点分配用于运行executor的资源。然后driver会与executor通信。
Mesos中的driver会先与主节点通信，然后从Mesos所有的从节点上处理请求。
将容器分配给Spark作业后，driver会让executor启动，然后再executor中运行代码。如果Spark作业运行完成，而driver还存在，就会通知Mesos主节点，然后Mesos从属节点中所有以容器形式存在的资源都会被释放。
多个客户端与集群交互，从而在从属节点上创建格子的executor。每个客户端由自己的driver组件。

spark的架构

基本组件：

（1）客户端

用户提交作业的客户端。

      （2）Driver

运行Application的main()函数并创建SparkContext。

      （3）SparkContext

整个应用的上下文，控制应用的生命周期。

      （4）ClusterManager

资源管理器，即在集群上获取资源的外部服务，目前主要有Standalone（Spark原生的资源管理器）和YARN（Hadoop集群的资源管理器）。

      （5）SparkWorker

集群中任何可以运行应用程序的节点，运行一个或多个Executor进程。

      （6）Executor

执行器，在Spark Worker上执行任务的组件、用于启动线程池运行任务。每个Application拥有独立的一组Executor。

      （7）Task

被发送到某个Executor的具体任务。

**Spark作业运行流程

**Standalone模式运行流程

yarn-cluster运行流程

yarn-client运行流程

Spark核心数据集RDD

RDD（ResilientDistributedDatasets弹性分布式数据集），可以简单的把RDD理解成一个提供了许多操作接口的数据集合，和一般数据集不同的是，其实际数据分布存储于一批机器中（内存或磁盘中）。

Spark RDD转换和操作示例

宽依赖与窄依赖

窄依赖：表现为一个父RDD的分区对应于一个子RDD的分区或者多个父RDD的分区对应于一个子RDD的分区。

     宽依赖：表现为存在一个父RDD的一个分区对应一个子RDD的多个分区

RDD Stage划分

stage的划分依据主要是基于Shuffle

mapreduce和spark的区别

都是可以用来处理海量的数据，但是在处理方式和处理速度上存在着差异

spark处理数据是基于内存的，而MapReduce是基于磁盘处理数据的。

MapReduce是将中间结果保存到磁盘中，减少了内存占用，牺牲了计算性能。 Spark是将计算的中间结果保存到内存中，可以反复利用，提高了处理数据的性能。Spark 计算比 MapReduce 快的根本原因在于 DAG 计算模型，

如果计算过程中涉及数据交换，Spark 也是会把 shuffle 的数据写磁盘的！有一个误区，Spark 是基于内存的计算，所以快，这不是主要原因，要对数据做计算，必然得加载到内存，Hadoop 也是如此，只不过 Spark 支持将需要反复用到的数据给 Cache 到内存中，减少数据加载耗时，所以 Spark 跑机器学习算法比较在行（需要对数据进行反复迭代）。

结构化数据：结构化数据是指按照一定的规则和格式进行组织和存储的数据。它具有明确的数据类型和关系，可以通过预定义的模式或模型进行描述和解释。常见的结构化数据包括关系型数据库中的表格数据、电子表格中的数据、XML文件中的数据等。结构化数据通常可以通过查询和分析工具进行处理和分析，从中提取有用的信息和洞察。与结构化数据相对的是非结构化数据，如文本、图像、音频和视频等，它们没有明确的结构和格式，处理和分析起来更加困难。

非结构化数据：

非结构化数据是指没有明确的结构和格式的数据，它不符合传统的表格、行列或关系型数据库的组织形式。非结构化数据的特点是多样性、复杂性和不规则性，常见的非结构化数据包括文本文档、电子邮件、社交媒体帖子、音频和视频文件、图像、日志文件等。

与结构化数据不同，非结构化数据没有明确的数据模型或模式，因此处理和分析非结构化数据更具挑战性。传统的关系型数据库和查询语言无法直接处理非结构化数据，需要使用特定的技术和工具进行处理，如自然语言处理、文本挖掘、图像识别、语音识别等。

非结构化数据在现实生活中广泛存在，例如社交媒体上的用户评论、新闻文章、音频和视频文件中的内容、传感器数据等。对非结构化数据的分析和挖掘可以帮助企业和组织发现隐藏的信息、洞察用户需求、进行情感分析、进行风险评估等。

区别：

（1）数据组织形式：结构化数据按照预定义的模式和格式进行组织，具有明确的数据类型和关系，通常以表格、行列或关系型数据库的形式存储。非结构化数据没有明确的结构和格式，多样性、复杂性和不规则性较高，以文本、图像、音频、视频等形式存在。

（2）数据处理方式：结构化数据可以通过传统的查询语言(如SQL)进行处理和分析，可以进行数据的筛选、排序、聚合等操作。非结构化数据的处理需要使用特定的技术和工具，如自然语言处理、图像识别、语音识别等，以提取有用的信息和洞察。

（3）数据分析能力：结构化数据由于有明确的结构和格式，可以进行较为精确的数据分析和建模，可以进行统计分析、预测建模等。非结构化数据的分析相对更具挑战性，需要使用更复杂的技术和算法，如文本挖掘、情感分析、图像识别等。

（4）数据应用领域：结构化数据常用于企业的业务数据管理、报表生成、决策支持等方面。非结构化数据常用于社交媒体分析、舆情监测、情感分析、图像识别、语音识别等领域。

结构化数据和非结构化数据的应用

结构化数据的应用：

企业数据管理：结构化数据常用于企业的业务数据管理，包括客户信息、销售数据、财务数据等。它们可以通过关系型数据库进行存储和管理，用于业务流程的支持和决策制定。
报表生成和分析：结构化数据可以通过查询和分析工具进行数据提取、筛选、排序和统计，用于生成各种报表和数据分析，支持业务决策和业绩评估。
数据挖掘和预测建模：结构化数据可以用于数据挖掘和预测建模，通过分析历史数据，发现隐藏的模式和关联，进行趋势预测、市场分析、客户行为分析等。

非结构化数据的应用：

社交媒体分析：非结构化数据在社交媒体分析中起着重要的作用，可以通过文本挖掘和情感分析技术，了解用户的观点、情感和需求，进行舆情监测、品牌声誉管理等。
图像和视频处理：非结构化数据中的图像和视频可以通过图像识别、目标检测、视频分析等技术进行处理，用于人脸识别、智能监控、图像搜索等应用。
自然语言处理：非结构化数据中的文本可以通过自然语言处理技术进行处理，包括文本分类、实体识别、关系抽取、机器翻译等，用于智能客服、智能助手、文本分析等应用。