Spark技术原理
Spark概述
Spark简介：
Spark最初由美国加州伯克利大学（UCBerkeley）的AMP实验室于2009年开发，是基于内存计算的大数据并行计算框架，可用于构建大型的、低延迟的数据分析应用程序。
2013年Spark加入Apache孵化器项目后发展迅猛，如今已成为Apache软件基金会最重要的三大分布式计算系统开源项目之一（Hadoop、Spark、Storm）。
Spark在2014年打破了Hadoop保持的基准排序纪录
- Spark/206个节点/23分钟/100TB数据
- Hadoop/2000个节点/72分钟/100TB数据
- Spark用十分之一的计算资源，获得了比Hadoop快3倍的速度。
Spark具有如下几个主要特点：
- 运行速度快：使用DAG执行引擎以支持循环数据流与内存计算。
- 容易使用：支持使用Scala、Java、Python和R语言进行编程，可以通过Spark Shell进行交互式编程。
- 通用性：Spark提供了完整而强大的技术栈，包括SQL查询、流式计算、机器学习和图算法组件。
- 运行模式多样：可运行于独立的集群模式中，可运行于Hadoop中，也可运行于Amazon EC2等云环境中，并且可以访问HDFS、Cassandra、HBase、Hive等多种数据源。
Spark如今已吸引了国内外各大公司的注意，如腾讯、淘宝、百度、亚马逊等公司均不同程度地使用了Spark来构建大数据分析应用，并应用到实际的生产环境中。
Spark是什么？
- Spark是一个基于内存的分布式批处理引擎。
- 由AMP LAB贡献到Apache社区的开源项目，是AMP大数据栈的基础组件。
- Spark是一站式解决方案，集批处理、实时流计算、交互式查询、图计算与机器学习与一体。
Spark做什么？
- 数据处理（Data Processing）：可以用来快速处理数据，兼具容错性和可扩展性。
- 迭代计算（Iterrative Computation）：支持迭代计算，有效应对多步数据处理逻辑。
- 数据挖掘（Data Mining）：在还海量数据的基础上进程复杂的挖掘分析，可支持各种数据挖掘和机器学习算法。
Spark适用场景：
- 数据处理,ETL（抽取、转换、加载）
- 机器学习。如：可用于自动判断淘宝买家的评论是好评还是差评。
- 交互式分析：可用于查询Hive数据仓库。
- 特别使用与迭代计算，数据重复利用场景。
- 流计算：流处理可用于页面点击浏览分析，推荐系统，舆情分析等实时业务。
需要反复操作的次数越多，所需读取的数据量越大，收益越大。
Scala简介：
Scala是一门现代的多范式编程语言，运行于Java平台（JVM，Java 虚拟机），并兼容现有的Java程序。
Scala的特性：
- Scala具备强大的并发性，支持函数式编程，可以更好地支持分布式系统。
- Scala语法简洁，能提供优雅的API
Scala兼容Java，运行速度快，且能融合到Hadoop生态圈中。
Scala是Spark的主要编程语言，但Spark还支持Java、Python、R作为编程语言 Scala的优势是提供了REPL（Read-Eval-Print Loop，交互式解释器），提高程序开发效率。
Spark与Hadoop的对比：
对比Hadoop：
- 性能上提升高于100倍。
- Spark的中间数据存放在内存中，对于迭代运算的效率更高，进行批处理时更高效。
- 更低的延时。
- Spark提供更多的数据操作类型，编程模型比Hadoop更灵活，开发效率更高。
- 更高的容错能力（血统机制）。
Hadoop存在如下一些缺点：
- 表达能力有限
- 磁盘IO开销大
- 延迟高
- 任务之间的衔接涉及IO开销
- 在前一个任务执行完成之前，其他任务就无法开始，难以胜任复杂、多阶段的计算任务
Spark在借鉴Hadoop MapReduce优点的同时，很好地解决了MapReduce所面临的问题。
相比于Hadoop MapReduce，Spark主要具有如下优点：
- Spark的计算模式也属于MapReduce，但不局限于Map和Reduce操作，还提供了多种数据集操作类型，编程模型比Hadoop MapReduce更灵活。
- Spark提供了内存计算，可将中间结果放到内存中，对于迭代运算效率更高 Spark基于DAG的任务调度执行机制，要优于Hadoop MapReduce的迭代执行机制。
使用Hadoop进行迭代计算非常耗资源。Spark将数据载入内存后，之后的迭代计算都可以直接使用内存中的中间结果作运算，避免了从磁盘中频繁读取数据。
Spark生态系统
Spark生态系统的原因：
在实际应用中，大数据处理主要包括以下三个类型：
- 复杂的批量数据处理：通常时间跨度在数十分钟到数小时之间。
- 基于历史数据的交互式查询：通常时间跨度在数十秒到数分钟之间。
- 基于实时数据流的数据处理：通常时间跨度在数百毫秒到数秒之间。
当同时存在以上三种场景时，就需要同时部署三种不同的软件
- 比如: MapReduce / Impala / Storm
这样做难免会带来一些问题：
- 不同场景之间输入输出数据无法做到无缝共享，通常需要进行数据格式的转换。
- 不同的软件需要不同的开发和维护团队，带来了较高的使用成本。
- 比较难以对同一个集群中的各个系统进行统一的资源协调和分配。
Spark设计的理念：
Spark的设计遵循“一个软件栈满足不同应用场景”的理念，逐渐形成了一套完整的生态系统。
既能够提供内存计算框架，也可以支持SQL即席查询、实时流式计算、机器学习和图计算等。
Spark可以部署在资源管理器YARN之上，提供一站式的大数据解决方案。
因此，Spark所提供的生态系统足以应对上述三种场景，即同时支持批处理、交互式查询和流数据处理。
Spark生态系统：
Spark生态系统已经成为伯克利数据分析软件栈BDAS（Berkeley Data Analytics Stack）的重要组成部分。
Spark的生态系统主要包含了Spark Core、Spark SQL、Spark Streaming、MLLib和GraphX 等组件。
Spark生态系统组件的应用场景：
Spark运行架构
基本概念：
- RDD：是Resillient Distributed Dataset（弹性分布式数据集）的简称，是分布式内存的一个抽象概念，提供了一种高度受限的共享内存模型。
- DAG：是Directed Acyclic Graph（有向无环图）的简称，反映RDD之间的依赖关系。
- Executor：是运行在工作节点（WorkerNode）的一个进程，负责运行Task。
- Application：用户编写的Spark应用程序。
- Task：运行在Executor上的工作单元。
- Job：一个Job包含多个RDD及作用于相应RDD上的各种操作。
- Stage：是Job的基本调度单位，一个Job会分为多组Task，每组Task被称为Stage，或者也被称为TaskSet，代表了一组关联的、相互之间没有Shuffle依赖关系的任务组成的任务集。
Spark架构设计：
Spark运行架构包括集群资源管理器（Cluster Manager）、运行作业任务的工作节点（Worker Node）、每个应用的任务控制节点（Driver）和每个工作节点上负责具体任务的执行进程（Executor）。
资源管理器可以自带或Mesos或YARN。（在华为FusionInsight中只能用YARN。）
与Hadoop MapReduce计算框架相比，Spark所采用的Executor有两个优点：
- 一是利用多线程来执行具体的任务，减少任务的启动开销。
- 二是Executor中有一个BlockManager存储模块，会将内存和磁盘共同作为存储设备，有效减少IO开销。
一个Application由一个Driver和若干个Job构成，一个Job由多个Stage构成，一个Stage由多个没有Shuffle关系的Task组成.
当执行一个Application时，Driver会向集群管理器申请资源，启动Executor，并向Executor发送应用程序代码和文件，然后在Executor上执行Task，运行结束后，执行结果会返回给Driver，或者写到HDFS或者其他数据库中。
Spark运行基本流程：
Spark运行基本流程如下：
- 首先为应用构建起基本的运行环境，即由Driver创建一个SparkContext，进行资源的申请、任务的分配和监控。
- 资源管理器为Executor分配资源，并启动Executor进程。
- SparkContext根据RDD的依赖关系构建DAG图，DAG图提交给DAGScheduler解析成Stage，然后把一个个TaskSet提交给底层调度器TaskScheduler处理；Executor向SparkContext申请Task，Task Scheduler将Task发放给Executor运行，并提供应用程序代码。
- Task在Executor上运行，把执行结果反馈给TaskScheduler，然后反馈给DAGScheduler，运行完毕后写入数据并释放所有资源。
总体而言，Spark运行架构具有以下特点：
- 每个Application都有自己专属的Executor进程，并且该进程在Application运行期间一直驻留。Executor进程以多线程的方式运行Task。
- Spark运行过程与资源管理器无关，只要能够获取Executor进程并保持通信即可。
- Task采用了数据本地性和推测执行等优化机制。
Spark on Yarn的运行流程：
Yarn-client和Yarn-cluster的区别：
- Yarn-client和Yarn-cluster主要区别是Application Master进程的区别。
- Yarn-client适合测试，Yarn-cluster适合生成。
- Yarn-client任务提交节点宕机，整个任务失败。Yarn-cluster不会。
RDD运行原理
设计背景：
许多迭代式算法（比如机器学习、图算法等）和交互式数据挖掘工具，共同之处是，不同计算阶段之间会重用中间结果。
目前的MapReduce框架都是把中间结果写入到HDFS中，带来了大量的数据复制、磁盘IO和序列化开销。
RDD就是为了满足这种需求而出现的，它提供了一个抽象的数据架构，我们不必担心底层数据的分布式特性，只需将具体的应用逻辑表达为一系列转换处理，不同RDD之间的转换操作形成依赖关系，可以实现管道化，避免中间数据存储。
RDD概念：
一个RDD就是一个分布式对象集合，本质上是一个只读的分区记录集合，每个RDD可分成多个分区，每个分区就是一个数据集片段，并且一个RDD的不同分区可以被保存到集群中不同的节点上，从而可以在集群中的不同节点上进行并行计算。
RDD提供了一种高度受限的共享内存模型，即RDD是只读的记录分区的集合，不能直接修改，只能基于稳定的物理存储中的数据集创建RDD，或者通过在其他RDD上执行确定的转换操作（如map、join和group by）而创建得到新的RDD。
RDD提供了一组丰富的操作以支持常见的数据运算，分为“动作”（Action）和“转换”（Transformation）两种类型。
RDD提供的转换接口都非常简单，都是类似map、filter、groupBy、join等粗粒度的数据转换操作，而不是针对某个数据项的细粒度修改（不适合网页爬虫）。
表面上RDD的功能很受限、不够强大，实际上RDD已经被实践证明可以高效地表达许多框架的编程模型（比如MapReduce、SQL、Pregel）。
Spark用Scala语言实现了RDD的API，程序员可以通过调用API实现对RDD的各种操作。
RDD典型的执行过程如下：
- RDD读入外部数据源进行创建。
- RDD经过系列的转换（Transformation）操作，每一次都会产生不同的RDD，供给下一个转换操作使用。
- 最后一个RDD经过“动作”操作进行转换，并输出到外部数据源。
这一系列处理称为一个Lineage（血缘关系），即DAG拓扑排序的结果。
优点：惰性调用、管道化、避免同步等待、不需要保存中间结果、每次操作变得简单。
RDD特性：
Spark采用RDD以后能够实现高效计算的原因主要在于：
（1）高效的容错性
- 现有容错机制：数据复制或者记录日志。
- RDD：血缘关系、重新计算丢失分区、无需回滚系统、重算过程在不同节点之间并行、只记录粗粒度的操作。
（2）中间结果持久化到内存，数据在内存中的多个RDD操作之间进行传递，避免了不必要的读写磁盘开销 。
（3）存放的数据可以是Java对象，避免了不必要的对象序列化和反序列化。
RDD之间的依赖关系：
窄依赖表现为一个父RDD的分区对应于一个子RDD的分区或多个父RDD的分区对应于一个子RDD的分区.
宽依赖则表现为存在一个父RDD的一个分区对应一个子RDD的多个分区。
Stage的划分：
Spark通过分析各个RDD的依赖关系生成了DAG，再通过分析各个RDD中的分区之间的依赖关系来决定如何划分Stage，具体划分方法是：
- 在DAG中进行反向解析，遇到宽依赖就断开
- 遇到窄依赖就把当前的RDD加入到Stage中
- 将窄依赖尽量划分在同一个Stage中，可以实现流水线计算
如上图，被分成三个Stage，在Stage2中，从map到union都是窄依赖，这两步操作可以形成一个流水线操作。
流水线操作实例：
分区7通过map操作生成的分区9，可以不用等待分区8到分区10这个map操作的计算结束，而是继续进行union操作，得到分区13，这样流水线执行大大提高了计算的效率。
Stage的类型包括两种：ShuffleMapStage和ResultStage，具体如下：
（1）ShuffleMapStage：不是最终的Stage，在它之后还有其他Stage，所以，它的输出一定需要经过Shuffle过程，并作为后续Stage的输入；这种Stage是以Shuffle为输出边界，其输入边界可以是从外部获取数据，也可以是另一个ShuffleMapStage的输出，其输出可以是另一个Stage的开始；在一个Job里可能有该类型的Stage，也可能没有该类型Stage；
（2）ResultStage：最终的Stage，没有输出，而是直接产生结果或存储。这种Stage是直接输出结果，其输入边界可以是从外部获取数据，也可以是另一个ShuffleMapStage的输出。在一个Job里必定有该类型Stage。因此，一个Job含有一个或多个Stage，其中至少含有一个ResultStage。
RDD运行的过程:
通过上述对RDD概念、依赖关系和Stage划分的介绍，结合之前介绍的Spark运行基本流程，再总结一下RDD在Spark架构中的运行过程：
（1）创建RDD对象；
（2）SparkContext负责计算RDD之间的依赖关系，构建DAG；
（3）DAGScheduler负责把DAG图分解成多个Stage，每个Stage中包含了多个Task，每个Task会被TaskScheduler分发给各个WorkerNode上的Executor去执行。
RDD的算子：
Transformation：
- Transformation是通过转换从一个或多个RDD生成新的RDD，该操作时Lazy的，当调用action算子，才发起job。
- 典型算子：map、flatMap、filter、reduceByKey。
Action：
- 当代码调用该类型算子时，立即启动job。
- 典型算子：take、count、savaAsTextFile等。
Spark SQL
从Shark说起：
Shark即Hive on Spark，为了实现与Hive兼容，Shark在HiveQL方面重用了Hive中HiveQL的解析、逻辑执行计划翻译、执行计划优化等逻辑，可以近似认为仅将物理执行计划从MapReduce作业替换成了Spark作业，通过Hive的HiveQL解析，把HiveQL翻译成Spark上的RDD操作。
Shark的设计导致了两个问题：
- 一是执行计划优化完全依赖于Hive，不方便添加新的优化策略；
- 二是因为Spark是线程级并行，而MapReduce是进程级并行，因此，Spark在兼容Hive的实现上存在线程安全问题，导致Shark不得不使用另外一套独立维护的打了补丁的Hive源码分支。
Spark SQL设计:
Spark SQL是Spark中用于结构化数据处理的模块。在Spark应用中，可以无缝的使用SQL语句亦或是DataFrame APi对结构化数据进程查询。
Spark SQL在Hive兼容层面仅依赖HiveQL解析、Hive元数据，也就是说，从HQL被解析成抽象语法树（AST）起，就全部由Spark SQL接管了。Spark SQL执行计划生成和优化都由Catalyst（函数式关系查询优化框架）负责。
Spark SQL增加了SchemaRDD（即带有Schema信息的RDD），使用户可以在Spark SQL中执行SQL语句，数据既可以来自RDD，也可以是Hive、HDFS、Cassandra等外部数据源，还可以是JSON格式的数据。
Spark SQL目前支持Scala、Java、Python三种语言，支持SQL-92规范。
Dataset简介：
DataSet是一个由特定域的对象组成的强类型集合，可通过功能或关系操作并行转换其中的对象。
DataSet以Catalyst逻辑执行计划表示，并且数据以编码的二进制形式存储，不需要反序列化就可以执行sort、filter、shuffle等操作。
DataSet是“懒惰的”，只在执行cation操作时触发计算。当执行action操作时，Spark用查询优化程序来优化逻辑计划，并生成一个高效的并行分布式的物理计划。
DataFrame介绍：
DateFrame：指定列名称的DataSet。DataFream是Dataset[Row]的特例。
RDD、DataFrame与Dataset：
RDD：
- 优点：类型安全，面向对象。
- 缺点：序列化和反序列化的性能开销大；GC的性能开销，频繁的创建和销毁对象，势必会增加GC。
DataFrame：
- 优点：自带scheme信息，降低序列化反序列化开销。
- 缺点：不是面向对象的。编译器不安全。
Dataset的特点：
- 快：大多数场景下，性能优于RDD；Encoders（编译器）优于Kryo或者Java序列号；避免了不必要的格式转换。
- 类型安全：类似于RDD，函数尽可能编译时安全。
- 和DataFrame，RDD互相转换。
Dataset具有RDD和DataFrame的有点，又避免它们的缺点。
Spark SQL vs Hive：
区别：
- Spark SQL的执行引擎为Spark core，HIve默认执行引擎为MapReduce。
- Spark SQL的执行速度是Hive的10-100倍。
- Spark SQL不支持buckets，Hive支持。
联系：
- Spark SQL依赖于Hive的元数据。
- Spark SQL兼容绝大部分Hive的语法和函数。
- Spark SQL可以使用HIve的自定义函数。
Spark Structured Streaming
Structured Streaming概述：
Structured Streaming是构建在Spark SQL引擎上的流式数据处理引擎。可以像使用静态RDD数据那样编写流式计算过程。当流数据连续不断的产生时，SPark SQL将会增量的、持续不断的处理这些数据，并将结果更新到结果集中。如下图:
Structured Streaming计算模型：
每一次计算后将结果更新到数据集中。
Spark Streaming
概述：
Spark Streaming是Spark核心API的一个扩展，一个实时计算框架。具有可扩展性、高吞吐量、可容错性等特定。
Spark Streaming微批处理:
Spark Streaming计算基于DStream，将流式计算分解成一系列短小的批处理作业。Spark引擎将数据生成最终结果数据。
使用DStream从Kafka和HDFS等源获取连续的数据流，DStreams由一系列连续的RDD组成，每个RDD包含确定时间间隔的数据，任何对DStreams的操作都转换成对RDD的操作。
Spark Streaming容错机制：
Spark Streaming本质仍是基于RDD计算，当RDD的某些partiton丢失，可以通过RDD的血统机制重新恢复丢失的RDD。
Spark的部署和应用方式
Spark三种部署方式：
Spark支持三种不同类型的部署方式，包括：
- Standalone（类似于MapReduce1.0，slot为资源分配单位）
- Spark on Mesos（和Spark有血缘关系，更好支持Mesos）
- Spark on YARN
从Hadoop+Storm架构转向Spark架构：
用Spark架构具有如下优点：
实现一键式安装和配置、线程级别的任务监控和告警.降低硬件集群、软件维护、任务监控和应用开发的难度。
便于做成统一的硬件、计算平台资源池.
需要说明的是，Spark Streaming无法实现毫秒级的流计算，因此，对于需要毫秒级实时响应的企业应用而言，仍然需要采用流计算框架（如Storm）.
Hadoop和Spark的统一部署：
由于Hadoop生态系统中的一些组件所实现的功能，目前还是无法由Spark取代的，比如，Storm。
现有的Hadoop组件开发的应用，完全转移到Spark上需要一定的成本，不同的计算框架统一运行在YARN中，可以带来如下好处：
- 计算资源按需伸缩
- 不用负载应用混搭，集群利用率高
- 共享底层存储，避免数据跨集群迁移
