Spark入门介绍

Spark自从2014年1.2版本发布以来，已成为大数据计算的通用组件。网上介绍Spark的资源也非常多，但是不利于用户快速入门，所以本文主要通从用户的角度来介绍Spark，让用户能快速的认识Spark，知道Spark是什么、能做什么、怎么去做。

Spark是什么

摘用官网的定义：

Spark是一个快速的、通用的分布式计算系统。

提供了高级API，如：Java、Scala、Python和R。

同时也支持高级工具，如：Spark SQL处理结构化数据、MLib处理机器学习、GraphX用于图计算、Spark Streming用于流数据处理。

也就是说Spark提供了灵活的、丰富接口的大数据处理能力。下图是Spark的模块图：

 

用户使用的SQL、Streaming、MLib、GraphX接口最终都会转换成Spark Core分布式运行。

目前用户用的比较多的是SQL和Streaming，这里先主要介绍下这两个。

Spark SQL

Spark SQL是Spark提供的SQL接口，用户使用Spark SQL可以像使用传统数据库一样使用SQL。例如：创建表、删除表、查询表、join表等。连接到Spark SQL后可以做如下操作

 

# 在Spark中创建一个表：test_parquet，表的存储文件格式为：parquetcreate tabletest_parquet(idint,    namestring,valuedouble)usingparquet;

此命令运行完毕后，Spark系统会在hdfs上创建一个名称为test_parquet的目录，例如/user/hive/warehouse/test_parquet/。

然后往Spark表中插入数据。

如果你准备入行大数据，关于2019大数据目前的

【发展前景】戳我阅读

【就业岗位】戳我阅读

【大数据薪资待遇】戳我阅读

【完整的学习线路】戳我阅读

关注微信公众号itdaima获取大数据全套开发工具以及入门学习资料

 

 

插入数据的步骤运行后，Spark会在hdfs目录：/user/hive/warehouse/test_parquet/中创建一些列后缀为.parquet的文件，如下：

 

 

插入完成后开始查询数据。

 

select*fromtest_parquet

查询数据的过程是Spark并行从hdfs系统上拉取每个Parquet，然后在Spark中并行计算。

这里只是简单列举了Spark 创建Parquet表的过程，Spark也可以支持读取其他格式的表，例如对接数据库等。

Spark SQL除了对用户提供了SQL命令的接口，也提供了API接口。Datasets(DataFrames)，例如使用API创建Parquet如下：

 

 

Spark Streaming

Spark Streaming是流式处理系统，可以处理流式数据。下面用个例子说明Streaming的过程。

Spark Streaming可以对接Kafka。假如kafka产生的数据格式为：

 

 

现在业务需要每分钟从Kafka读取一批数据，对数进行信息补齐，因为kafka拿到的数据只有id信息，用户想补齐name信息。

假如具有id、name信息的表存储在Phoenix中。

这样就可以通过Spark Streaming来完成这些业务诉求。在Spark的业务处理逻辑中拿到kafka的数据后，使用id关联Phoenix表拿到name信息，然再写入到其他数据库。

例如此业务的Spark Streaming的业务逻辑代码如下：

 

 

 

Spark适合做什么

先看下Spark在当前常用的BigData业务架构中的位置。

下图是常用的BigData 大数据组件Spark+HBase+Cassandra+ES(Solor)，这些组件组合可覆盖BigData 95%以上的业务场景。

 

图中数据BigData分4个层次，由上到下分别为：

业务系统层：一般是直接面向用户的业务系统。

计算层：Spark的分布式计算。

数据库层：HBase+Cassandra数据库提供实时查询的能力。

存储层：HDFS或者OSS。

这里主要介绍下计算层Spark。

Spark计算层会把数据从数据库、列式存储（数仓）中拉去到Spark中进行分布式计算。我们把Spark打开看下是如何分布式计算的。先看下Spark运行时候的部署结构。

 

由上图可以看到Spark部署时分布式的，有一个Driver，有N个Executor。业务系统对接Driver，Driver把计算逻辑发送到每个Executor运行，Executor运行结果再返回。

所以当Spark拉取数据库、数仓数据时会并行拉取到每个Executor做并行运算。

 

例如Spark SQL中查询表的例子，以及Spark Streming的中处理批数据的例子，Spark运算时是每个Executor并处理数据的，Executor处理数据的逻辑是由用户编码控制的，例如用户写的SQL语句，调用API写的业务代码等。

那么Spark适合什么样的计算呢？

下图列出了Spark 和HBase数据库各自适用的场景

对比项目            Phoenix(HBase)Spark

SQL复杂度简单查询， 必须命中索引 且 命中后 返回的数据较少，如果是join，则join任意一则返回的数据量在10w以下，且另一侧必须命中索引。 为了保障集群稳定性，一些复杂的sql及耗时的sql会被平台拒绝运行。全部支持执行完成，支持Spark 映射到Phoenix，做到Spark在简单SQL查询能到Phoenix同样的性能，不过Spark定位为 分析的场景，与Phoenix 纯TP有本质的区别

集群HBase共享一个集群，本质是HBase提供的SQLSpark需要单独购买的集群，Spark集群运算不影响其它数据库

并发单机 1w-5w左右Spark最高不超过100

延迟延迟在ms级别，一些命中较多的数据的sql会到 秒一般延迟在300ms以上，大部分sql需要秒，分钟，甚至小时

数据UpdatePhoenix支持Spark不支持

支持业务在线业务离线业务 或者 准在线业务

举个例子说明下上面每一项对应的场景，如下图：

 

此图描述的是用户登录手机淘宝，淘宝根据用户的ID信息在淘宝首页推荐商品这样的一个流程。我们看下每个流程中哪些场景适合Phoenix、Spark。

1、 获取用户的推荐列表。

用户登录后，手机淘宝要根据用户的ID从“用户推荐商品列表 user_reco_list”这个表中获取信息。SQL语句可能是这样的：

这个SQL的特点如下：

简单：只有select *，没有join、group by。

有关键字过滤：user_id = 'user0001'。

返回的结果集少（大概返回几十行）。

user_reco_list表数据量很大（百亿级别）

并发量很大，可能同时会有上万个用户同时登录。

低时延：用户一登录要立刻显示推荐。

类似这种特点的业务查询就适合使用在线数据Phoenix。

2、 统计用户的浏览记录。

“用户推荐商品列表 user_reco_list”中数据是怎么来的呢？是从用户的浏览记录、购买记录、加入购物车记录等信息统计而来的。后台任务每天凌晨从用户的记录中进行大量的统计分析，然后把结果写入“用户推荐商品列表 user_reco_list”。SQL语句可能是这的：

这个SQL的特点如下：

统计分析：有sum、group by。

查询时间范围大：times的时间范围要半年，即扫描的数据量大。

返回的结果集大，可能返回百万级。

user_scan_list表数据量很大，百亿级别、千亿级等。

并发量小、每天凌晨计算一次。

高时延：计算结果可能要分钟级别、甚至小时级别。

类似这种特点的业务查询就适合使用离线数仓：Spark 列存（Parquet）。

通过上面的例子大概可以认识到哪些场景适合Spark，哪些适合Phoenix。Spark和Phoenix相互配合，解决大数据的问题。

Spark如何建数仓

那Spark如何建数仓呢？本质就是把数据导入到Spark，使用Spark的列式存储文件格式（例如parquet）存储数据，使用Spark完成批处理、离线分析的业务。

例如在Spark创建一个以天为分区的明细表：

上面只是个简单的实例，下面举例几个实际的业务场景。

先看下面的一个典型的业务场景。

 

上图是一个典型的复杂分析及查询系统。数据流程由图可见：

数据由APP、传感器、商业系统等客户的业务系统产生发送到Kafka系统。

Spark Streming 对接kafka周期读取数据入库到在线数据库HBase/Phoenix，用户的运营系统实时查询在线数据库。

HBase/Phoenix数据库周期同步到Spark数仓做离线计算。离线计算的结果写回HBase/Phoenix或者其他业务数据库。

上面是一个常用的方案。Spark创建数仓也有客户对数仓进行分层，例如下图：

 

 

客户把数仓分为四层：操作数据、公共明细、公共汇总、应用数据。每一层的数据由上一层汇聚、统计计算得来，每一层的数据应用于不同的业务场景。