剖析Spark

Spark

Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是加州大学伯克利分校的AMP实验室所开源的类Hadoop MapReduce的通用并行框架，Spark，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是——Job中间输出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MapReduce的算法。

1.和MapReduce相比Spark的比较快的原因：

1. Spark是粗粒度的资源调度，一次申请多次使用。
2. Spark支持基于内存迭代，MR不支持。
3. Spark支持DAG有向无环图 。
4. Spark可以根据不同场景选择不同shuffle
5. spark shuffle 比MR性能高（默认sortShuffle产生的磁盘小文件少）

2.Spark的技术栈 

Spark Core用于离线计算

Spark SQL用于交互式查询 

Spark Streaming用于实时流式计算 

Spark MLlib用于机器学习 

Spark GraphX用于图计算 

3.Spark支持的语言类型

1. scala，极度推荐，spark源码即为scala语言编写，用起来比java清爽不少。
2. java，推荐，和scala一样都是编译成class文件运行在JVM上，效率上和scala相同，不过代码写起来不如scala简单
3. Python，一般推荐，需要走一层解释器，相率不如scala和java高。
4. R语言。。。。用的不多，不推荐。

4.Spark运行模式

1. standalone模式：运行在Spark自己的资源调度器上。
2. local模式：本地运行，用于测试阶段，本地开线程模拟任务执行。
3. Yarn：运行在yarn上。

5.Spark集群的搭建

集群搭建详见洛洛的博客，高可用集群的搭建详见洛洛教你搭建高可用Spark集群。

6.RDD—弹性分布式数据集

RDD特性：

1. RDD是由一系列的Paratition组成的。（partition个数=split切片数 约等于 block数；Spark没有读文件的方法，依赖MR读文件的方法）
2. RDD提供的每一个算子实际上是作用在每一个Paratition上的。
3. RDD实际上是有一系列的依赖关系的，依赖于其他的RDD。（计算的容错性；体现了RDD的弹性；父RDD不一定知道子RDD是谁，子RDD一定知道父RDD是谁）
4. 可选：分区器作用在内部计算逻辑的返回值是kv格式的RDD上。
5. 可选：RDD会提供一系列的最佳计算位置。（计算找数据）

RDD提供的算子：

算子分为三类：

1. taransformation类算子：

map（一对一）、flatMap（一对多）、filter（一对N（0、1））、join、leftouterJoin、rightouterJoin、fullouterJoin、sortBy、sortByKey、gorupBy、groupByKey、reduceBy、reduceByKey、sample、union、mappatition、mappatitionwithindex、zip、zipWithIndex。

2. action类算子：

 count、collect（将task的计算结果拉回到Driver端）、foreach（不会回收所有task计算结果，原理：将用户传入的参数推送到各个节点上去执行，只能去计算节点找结果）、saveAsTextFile(path)、reduce、foreachPatition、take、first。

3. 控制类算子。

cache（相当于MEMOORY_ONLY）、
persist(MEMORY_ONLY、DISK_ONLY、MEMORY_AND_DISK)

不过使用控制类算子要注意以下几点：

1. 控制类算子后不能紧跟action类算子
2. 缓存单元是partition
3. 懒执行、需要action类算子触发执行。（如果application中只有一个job，没必要使用控制类算子） 

RDD 的依赖关系

RDD按照依赖关系可以分为窄依赖和宽依赖。

窄依赖：父子RDD之间partition之间的关系是一对一即称之为窄依赖，窄依赖之间不会产生shuffle。

宽依赖： 父子RDD之间partition之间的关系是一对多，一般来说宽依赖之间都会产生shuffle。

宽窄依赖的作用

切割job，划分stage。按照RDD的宽窄依赖进行切割，切割点就是宽依赖，这样切出来的stage内部都是窄依赖，stage之间是宽依赖。

为什么要划分出stage？

让每个stage内部的task以管道的形式并行计算，因为窄依赖是一对一的关系，之间也不会产生shuffle，所以可以避免阻塞的执行task，让每个RDD的逻辑都执行起来。

结论：stage与stage之间是宽依赖，stage内部都是窄依赖

DAG(有向无环图)

RDD中不是存储的真实数据，而是存储的对数据处理的逻辑过程
对于KV格式的RDD应该说：存储的逻辑过程的返回类型是二元组类型我们称为是KV格式的RDD