Spark系列1 - Spark生态和RDD
1 Spark的生态
Spark Core中的基本概念
- DAG(Directed Acyclic Graph), 有向无环图。Spark Core提供了有向无环图的分布式计算框架，并提供内存机制来支持多次迭代计算或者数据共享，大大减少了迭代计算之间读取数据的开销。
- RDD(Resilient Distributed Dataset)，它是一个分布在一组节点中的只读对象集合，这些集合是弹性的，如果数据集一部分丢失，则可以根据“血统”对他们进行重建，保证了数据的高容错性。
- RDD Partition，RDD分区。RDD Partition可以就近读取分布式文件系统中的数据块到各个节点的内存。（是否类似Hadoop的Block，读取数据时也有就近读取的特性？）
Spark Streaming
Spark Streaming是一个对实时数据流进行高吞吐、高容错的流式处理系统，可以对多种数据源（如：消息队列Kafka、Flume、ZeroMQ等）进行类似Map、Reduce和Join等复杂操作，并将结果保存到外部文件系统、数据库或者实时仪表盘。Spark Streaming最大的优势就是提供的处理引擎和RDD编程模型可以同时进行批处理和流处理。
对于传统流处理一次处理一条记录的方式而言，Spark Streaming使用的是将流数据离散化处理(Discretized Streams)。流数据离散化的好处有三：① 实现了动态的负载均衡，②有利于快速的故障恢复，③将批处理、流处理和交互式工作有效的组合了起来。
Spark SQL
Spark SQL的前生是Shark，即Hive on Spark。Shark本质是通过Hive的HQL进行解析，将HQL翻译成Spark上对应的RDD操作，然后通过Hive的Metadata获取数据数据库里的表信息，实际上为HDFS上的数据和文件，最后由Shark获取并放到Spark上运算。
2014年7月，Databricks宣布终止对Shark的开发，将重点放到Spark SQL上。Spark SQL允许开发人员可以直接操作RDD，同时也可查询在Hive上存放的外部数据，因此Spark SQL在使用SQL进行外部查询的同时，也能进行更复杂的数据分析。
引入了SchemaRDD。SchemaRDD既可以从RDD转换过来，也可以从Parquet文件读入，还可以使用HiveQL从Hive中获取。
BlinkDB
BlinkDB是一个用于在海量数据上运行交互式SQL查询的大规模并行查询引擎，它允许用户通过权衡数据精度提升查询响应时间，其数据的精度被控制在允许的误差范围内。BlinkDB架构如下图所示。
MLBase/MLlib
MLBase是Spark生态系统中专注于机器学习的组件。MLBase主要有ML optimizer、MLI、MLlib、Spark/MLRuntime组成，其结构如下图所示。
GraphX
GraphX是Spark中用于图和图并行计算的API。
SparkR
R是遵循GNU协议的一款开源、免费的软件，广泛应用于统计计算和统计制图，但是它只能单机运行。为了能够使用R语言分析大规模分布式的数据，伯克利分销AMP实验室开发了SparkR，并在Spark1.4版本中加入了该组件。
Alluxio
Alluxio以内存为中心分布式存储系统，从下图可以看出， Alluxio主要有两大功能，第一提供一个文件系统层的抽象，统一文件系统接口，桥接储存系统和计算框架；第二通过内存实现对远程数据的加速访问。
2 Spark的相关术语和概念
RDD
① RDD的创建
RDD的创建有三种方法：① 来自一个内存中的对象集合；② 使用外部存储器中的数据集；③ 对现有的RDD进行转换。
② 转换和动作
Spark为RDD提供两大类操作：转换(Transformation)和动作(Action)。转换是从现有的RDD生成新的RDD，而动作则触发对RDD的计算并对计算结果执行某种操作，要么返回给用户，要么保存到外部储存器中。
**动作的效果是立杆见影的，但转换是惰性的。**转换过程不会触发任何行动，而只有动作才会触发之前的转换和执行动作本身。
**区分动作和转换的方法：**判断操作的返回类型，若返回类型是RDD，则该操作是转换，否则就是一个动作。
聚合转换
- reduceByKey()，它为键值对中的值重复应用一个二进制函数，直至产生一个结果值，不能改变集合之后值的类型。
- foldByKey()，和reduceByKey()的功能相似，但必须要提供一个默认的值；
- aggregateByKey()，可以改变值的类型，如从Integer转变成set。
③ 持久化
- 将RDD缓存到内存，且被缓存的RDD只能由同一个应用的作业来读取，如果要在应用之间共享数据，则能将数据持久化到外部存储上了。
- 持久化级别：MEMORY_ONLY，MEMORY_ONLY_SER（默认使用Java的内部序列化机制，Kryo序列化方法通常更好序列化方法），MEMORY_AND_DISK(如果数据操作一定的大小，将溢出到磁盘)，MEMORY_AND_DISK_SER等。
④ 序列化
使用Spark时，要从两个方面考虑序列化，分别是数据序列化(数据序列化一般使用)和函数序列化（使用java序列化机制）；
⑤ RDD应用
迭代计算：如图形处理、数值优化和机器学习等；
交互式SQL查询：如SparkSQL；
MapReduceRDD：通过提供MapReduce的超级，实现高效的执行MapReduce程序；
流式数据处理：Spark中提出的离散数据流D-Stream，将流式计算的执行，当作一些列短而确定的一系列批量计算的序列，并将状态保存在RDD中。
RDD之间的依赖关系
RDD中的依赖关系分为窄依赖（Narrow Dependency）和宽依赖（Wide Dependency），二者的主要区别在于是否包含Shuffle操作。
Shuffle操作是指对Map输出结果进行分区、排序和归并等处理后并较给Reduce处理的过程。尽管Spark是基于内存的分布式计算框架，但是Spark的Shuffle操作也会把数据写入到磁盘中。
窄依赖表现为一个父RDD的分区对应一个子RDD的分区，或多个父RDD分区对应一个子RDD分区。宽依赖表现为存在一个父RDD的分区对应一个子RDD的多个分区。
总结：如果父RDD的一个分区只被一个子RDD的分区所使用，该依赖就是窄依赖，否则就是宽依赖。
窄依赖典型的操作：map、filter、union、协同jion；
宽依赖典型的操作：groupByKey、sortByKey、非协同jion；
Spark通过分析各个RDD之间的依赖关系生成了DAG，DAG提交给DAGScheduler，DAGScheduler再通过分析各个RDD中分区之间的依赖关系来决定如何划分阶段，每个阶段包括一个或者多个任务，这些任务形成任务集，最后将该任务集合提交给TaskScheduler执行。Phase的具体划分方法是：在DAG中进行反向解析，遇到宽依赖就断开（因为只有窄依赖可以实现流水线优化），遇到窄依赖就把当前RDD加入到当前的阶段中。参考论文：A Fault-Tolerant Abstraction for In-Memory Cluster Computing
DAGScheduler记录哪些RDD被存入磁盘等物化动作，同时要寻求任务的最优调度、监控运行调度阶段过程等。如果某个调度阶段运行失败，则需要重新提交该调度阶段。
其他
- Application/Job/Stage/Task
Spark的Job是由任意的多阶段(Stages)有向无环图(DAG)构成，每个Stage相当于MapReduce的Map阶段或者Reduce阶段。这些阶段又被Spark运行环境分解为多个任务(Task)，任务并行运行在分布于集群中的RDD分区上，就像MapReduce的任务一样。
Spark的Job始终运行在应用(application)上下文(SparkContext)中，它提供了RDD分组以及共享变量。一个应用可以串行或者并行的执行多个作业，并为这些作业提供访问由先前作业所缓存的RDD。 - SparkContext，Spark运行的上下文；
- SparkConf
参考
- 《图解Spark-核心技术与案例实战》
- 《Hadoop权威指南》
- 《Spark编程基础 scala版》