大数据基础之Spark——Spark分布式计算原理（Spark Stage原理、Spark Shuffle过程、RDD依赖关系、DAG工作原理、RDD优化、RDD分区设计、数据倾斜问题）

大数据基础项目——WordCount原理：

分析：

• 当数据发生Shuffle过程时，会划分成两个Stage
• 一个Stage对应着三个Task
• 一个分区对应着一个Task

划分Stage的原因：

• 数据本地化：
    - 移动计算，而不是移动数据 (移动数据不如移动计算)
    - 保证一个Stage内不会发生数据移动

Spark Shuffle过程解析：

• 在分区之间重新分配数据
    - 父RDD中同一分区中的数据按照算子的要求重新进入子RDD的不同分区中
    - 中间结果写磁盘
    - 由子RDD拉取数据，而不是父RDD推送数据
    - 默认情况下,Shuffle不会改变分区数量
  

spark write：

  shuffle wirte:在一个stage结束计算之后,为了下一个stage可以进行shuffle类的算子,而将每个task处理的数据按照key进行分区,即对相同的key进行hash算法,将相同的key写入到一个磁盘文件中,每一个磁盘文件都只属于reduce端的stage的一个task.在将数据写入磁盘之前,会先将数据写入到内存缓冲中,内存缓冲填满后，才会溢出到磁盘文件中。

spark read：

  上一个stage开始,每个shuffle read task都会有一个自己的buffer缓冲,每次都只能拉去与buffer缓冲相同大小的数据,然后通过内存中的一个map进行聚合等操作。聚合完一批数据后,再拉取下一批数据,并放到buffer缓冲中进行聚合操作,直到将所有的数据拉取完,并得到最终的结果.

RDD的依赖关系：

• Lineage：血统、遗传
    - 保存了RDD的依赖关系
    - RDD实现了基于Lineage的容错机制
• 依赖关系
    - 宽依赖(一个父RDD的分区被子RDD的多个分区使用)
     - 一对多
  宽依赖算子：groupByKey、join、reduceByKey、sortByKey等
  

  - 窄依赖(一个父RDD的分区被子RDD的一个分区使用)
   - 一对一
   - 多对一
窄依赖算子：map、flatMap、filter、distinct、union、join等

DAG(有向无环图)的工作原理：

• 根据RDD之间的依赖关系，形成一个DAG(有向无环图)
• DAGScheduler将DAG划分为多个Stage
    - 划分依据：是否发生宽依赖(Shuffle)
    - 划分规则：从后往前，遇到宽依赖切割为新的Stage
    - 每个Stage由一组并行的Task组成

RDD优化：

RDD持久化

• RDD缓存机制：缓存数据到内存/磁盘，可大幅提升Spark应用性能
    - cache=persist(MEMORY)
    - persist
• 缓存策略StorgeLevel
  据底层源码记载一共有12种
    - MEMORY_ONLY(默认)
    - MEMORY_AND_DISK
    - DISK_ONLY
• 缓存应用场景
    - 从文件加载数据后，因为重新读取文件成本较高
    - 经过较多算子变换之后，重新计算成本较高
    - 单个非常消耗资源的算子之后
• 使用注意事项
    - cache()或persist()后不能再有其他算子
    - cache()或persist()遇到Action算子完成后才生效

RDD共享变量

广播变量

• 广播变量：允许开发者将一个只读变量(Driver端)缓存到每个节点(Exector)上，而不是每个任务传递一个副本

val broadcastVal = sc.broadcast(Array(1,2,3))          //定义广播变量
broadcastVal.value                      //取值

注意：

• Driver端变量在每个Exector每个Task保存一个变量副本
• Driver端广播变量在每个Exector上只保存一个变量副本

累加器

• 只允许added操作，常用于实现计数

//设置初始值为0
val accum = sc.accumulator(0,"mytest")
sc.parallelize(Array(1,2,3,4)).foreach(x=>accum+=x)
accum.value                     //10

RDD分区设计

• 分区大小限制为2GB
• 分区太少
    - 不利于并发
    - 更容易受数据倾斜的影响
    - groupBy、reduceBy、sortBy等内存压力增大
• 分区过多
    - Shuffle开销越大
    - 创建任务开销越大
• 经验
    - 每个分区大约128MB
    - 如果分区小于但接近2000，则设置为大于2000

RDD数据倾斜

简单来说数据倾斜就是数据的key的分布不均造成一部分数据很多，一部分数据很少的局面，即数据分布不均。

解决方案：

• 对数据进行ETL预处理
• 过滤少数导致倾斜的key
• 提高Shuffle的并行度
• 两阶段聚合
• 将reduceJoin转为mapJoin
• 采样倾斜key并分拆join操作
• 使用随机前缀和扩容RDD进行join