Spark 大数据分析-介绍

Spark是一个以复杂计算为核心的大数据分析框架，是MapReduce的“后继者”，具备高效性、通用性等特点。

Spark最初在2009年由加州大学伯克利分校的AMPLab开发，并于2010年成为Apache的开源项目之一，与Hadoop和Storm等其他大数据和MapReduce技术相比，Spark提供的技术更加全面，速度更快（比MapReduce快一百倍）。

Spark的技术生态

Spark的技术生态包含了各种丰富的组件，而不同的组件提供了不同功能，以适应不同场景。

Spark core

spark core包含Spark的基本功能，定义了RDD的API以及以此为基础的其他动作。Spark的其他库都构建在RDD和Spark Core之上。

Spark SQL

提供通过HiveQL与Spark进行交互的API。每个数据库表被当做一个RDD，Spark SQL的查询会被转换为Spark操作。

Spark streaming

对实时数据流进行处理和控制。Spark Streaming允许程序能够像普通RDD一样处理实时数据。严格来说Spark streaming并不是实时的，而是准实时（跟Storm相比）。

MLlib

一个基于RDD的机器学习算法库，包含了可扩展的机器学习算法。

GraphX

控制图、并行图操作和计算的一组算法和工具的集合。

Spark的基本原理

Application

Application是在使用spark-submit 提交的打包程序，也就是需要写的代码。
完整的Application一般包含以下步骤：
（1）获取数据
（2）计算逻辑
（3）输出结果（可以是存入HDFS，或者是其他存储介质）

Executor

Executor是一个Application运行在Worker节点上的一种进程，一个worker可以有多个Executor，一个Executor进程有且仅有一个executor对象。executor对象负责将Task包装成taskRunner，并从线程池抽取出一个空闲线程运行Task。每个进程能并行运行Task的个数就取决于分配给它的CPU core的数量。

Worker

Spark集群中可以用来运行Application的节点，在standalone模式下指的是slaves文件配置的worker节点，在spark on yarn模式下是NodeManager节点。

Task

在Excutor进程中执行任务的单元，执行相同代码段的多个Task组成一个Stage。

Job

由一个Action算子触发的一个调度。

Stage

Spark根据提交的作业代码划分出多个Stages，每个Stage有多个Tasks，这些Tasks负责并行处理他们所属的stage里面的代码。

DAGScheduler

根据Stage划分原则构建的DAG（有向无环图，理解为执行流程还行），并将Stage提交给Taskscheduler。

TaskScheduler

TaskScheduler将TaskSet提交给Worker运行。

RDD

弹性分布式数据集。
Resilient Distributed Dataset，是Spark中最基本的数据抽象，它代表一个不可变、可分区、元素可并行计算的集合。简单点说，从数据文件中获取到的数据会被放到RDD中。
它具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。它允许在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。
RDD的属性
（1）一组分片（Partition），即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。
（2）一个计算每个分区的函数。Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。
（3）RDD之间的依赖关系。RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。
（4）一个Partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。
（5）一个列表，存储存取每个Partition的优先位置（preferred location）。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念，Spark在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

一些疑问

如何定义一个Job

  /*
   * PageRank 即网页排名，又称网页级别，Google左侧排名，佩奇排名
   * */
  def pageRand():Unit={
     
    val sc = getSparkContext("com.scala.RecommendSystem.PageRank")
    val graph = GraphLoader.edgeListFile(sc, "E:\\Scala_TestData\\PageRank\\followers.txt")
    val ranks = graph.pageRank(0.0001).vertices
    val users = sc.textFile("E:\\Scala_TestData\\PageRank\\users.txt").filter(line=>line.length()>0)
    .map(line=>{
     
      val fields = line.split(",")
      (fields(0).toLong,fields(1))
    })
    val ranksByUsers = users.join(ranks).map{
     
      case(id,(username,rank))=>(username,rank)
    }
    ranksByUsers.foreach(println)
  }

上面的foreach是一个action算子，这个算子会触发一个过程——从数据源（Data blocks）加载生成RDD，后将RDD经过一系列转换（包括基本类型转换和洗牌）最终得到计算结果（result），再将结果汇总到driver端。这个过程就是Job。Application每提交一个执行操作Spark就对应生成一个Job

Stage和task的划分

从后往前推算，遇到shuffleDependency就断开，遇到NarrowDependency就将其加入该stage。每个stage里面task的数目由该stage最后一个RDD中的partition个数决定。

reduceByKey是个transformation算子，但是它有shuffle，所以程序中遇到reduceByKey时，也会划分stage。

一些结论

（1）stage是根据shuffle算子来划分的。每一次shuffle很有可能会有一次节点间数据传输的过程。会造成性能上的影响。
（2）同一个stage中的task执行一样的代码块。
（3）Executor的内存主要会分成三块：第一块是让task执行代码时使用，默认占Executor总内存的20%；第二块是让task通过shuffle过程拉取了上一个stage的task的输出后，进行聚合等操作时使用，默认占Executor总内存的20%；第三块是让RDD持久化时使用，默认占Executor总内存的60%。
（4）task的执行速度跟每个Executor进程的CPU core数量有直接关系。一个CPU core同一时间只能执行一个线程。而每个Executor进程分配到的tasks，都是以“每个task对应一个线程”的方式，多线程并发运行的。如果CPU core数量比较充足，而且分配到的task数量比较合理，那么就可以快速高效地执行task