Spark简介

Spark是什么

Spark 是 UC Berkeley AMP Lab 开源的通用分布式并行计算框架。
Spark基于map reduce算法实现的分布式计算，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出和结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。
spark是基于内存计算框架，计算速度非常之快，但是它仅仅只是涉及到计算，并没有涉及到数据的存储，后期需要使用spark对接外部的数据源，比如hdfs。

---

Spark的四大特性

Simple（易用性）

Spark 提供了丰富的高级运算操作，支持丰富的算子，并支持 Java、Python、Scala、R、SQL 等语言的 API，使用户可以快速构建不同的应用。

开发人员只需调用 Spark 封装好的 API 来实现即可，无需关注 Spark 的底层架构。

Fast(速度快)

Spark 将处理的每个任务都构造成一个DAG（Directed Acyclic Graph, 有向无环图）来执行，实现原理是基于RDD（Resilient Distributed Dataset, 弹性分布式数据集）在内存中对数据进行迭代计算，以实现批量和流式数据的高性能快速计算处理。

Spark比MR速度快的原因

• 基于内存
  mapreduce任务后期再计算的时候，每一个job的输出结果会落地到磁盘，后续有其他的job需要依赖于前面job的输出结果，这个时候就需要进行大量的磁盘io操作。性能就比较低。
  spark任务后期再计算的时候，job的输出结果可以保存在内存中，后续有其他的job需要依赖于前面job的输出结果，这个时候就直接从内存中获取得到，避免了磁盘io操作，性能比较高
  对于spark程序和mapreduce程序都会产生shuffle阶段，在shuffle阶段中它们产生的数据都会落地到磁盘。
• 进程与线程
  mapreduce任务以进程的方式运行在yarn集群中，比如程序中有100个MapTask，一个task就需要一个进程，这些task要运行就需要开启100个进程。
  spark任务以线程的方式运行在进程中，比如程序中有100个MapTask，后期一个task就对应一个线程，这里就不再是进程，这些task需要运行，这里可以极端一点：只需要开启1个进程，在这个进程中启动100个线程就可以了。
  进程中可以启动很多个线程，而开启一个进程与开启一个线程需要的时间和调度代价是不一样。 开启一个进程需要的时间远远大于开启一个线程。## Scalable（可融合性）

Unified（通用性）

大数据处理的传统方案需要维护多个平台，比如，离线任务是放在 Hadoop MapRedue 上运行，实时流计算任务是放在 Storm 上运行。

而Spark 提供了一站式的统一解决方案，可用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）等。这些不同类型的处理都可以在同一个应用中无缝组合使用。

Scalable(兼容性)

Spark 可以非常方便地与其他的开源产品进行融合。比如：Spark 可以使用 Hadoop 的 YARN 和 Apache Mesos 作为它的资源管理和调度器；可以处理所有 Hadoop 支持的数据，包括 HDFS、HBase 和 Cassandra 等。

---

Spark运行原理

Spark运行模式

运行模式	运行类型	说明
Local	本地模式	常用于本地开发，分为Local单线程和Local-Cluster多线程模式
Standalone	集群模式	独立模式，在Spark自己的资源调度管理框架上运行，该框架采用master/salve结构
ON YARN	集群模式	用于生产环境，在YARN资源管理器框架上运行，由YARN负责资源管理，Spark负责任务调度和计算
ON Mesos	集群模式	用于生产环境，在Mesos资源管理器框架上运行，由Mesos责资源管理，Spark负责任务调度和计算
ON Cloud	集群模式	运行在AWS、阿里云等环境

Spark集群架构

1. Cluster Manager
   Cluster Manager 是 Spark 的集群资源管理器，存在于 Master 进程中，主要用于对整个集群资源进行管理和分配，根据其部署模式的不同，可以分为 Local、Standalone、YARN、Mesos、Cloud 等模式。
2. Driver:
   执行客户端写好的main方法，它会构建一个名叫SparkContext对象，该对象是所有spark程序的执行入口
3. Worker:
   Spark的工作节点，用于执行提交的任务，其主要的工作职责有以下几点:

• Worker 节点通过注册机向 Cluster Manager 汇报自身的 CPU、内存等资源使用信息。
• Worker 节点在 Spark Master 的指示下，创建并启用 Executor（真正的计算单元）。
• Spark Master 将资源和 Task 分配给 Worker 节点上的 Executor 并执行运用。
• Worker 节点同步 Executor 状态和资源信息给 Cluster Manager。

4. Executor:
   它是一个进程，它会在worker节点启动该进程（计算资源），一个worker节点可以有多个Executor进程
5. Task:
   spark任务是以task线程的方式运行在worker节点对应的executor进程中
6. Application:
   Application 是基于 Spark API 编写的应用程序，包括实现 Driver 功能的代码和在集群中各个 Executor 上要执行的代码。
   一个 Application 由多个 Jobs 组成。
   其中 Application 的入口为用户所定义的 main() 方法。

---

Spark Core

Spark 基础配置

• SparkConf ：用于定义 Spark Application 的配置信息。
• SparkContext ：Spark Application 所有功能的主要入口点， 其隐藏了网络通信、消息通信，分布式部署、存储体系、计算存储等底层逻辑，开发人员只需使用其提供的 API 即可完成 Application 的提交与执行。核心作用是初始化 Spark Application 所需要的组件，同时还负责向 Master 进程进行注册等。
• SparkRPC ：基于 Netty 实现的 Spark RPC 框架用于 Spark 组件之间的网络通信，分为异步和同步两种方式。
• SparkEnv ：Spark 的执行环境，其内部封装了很多 Spark 运行所需要的基础环境组件。
• ListenerBus ：事件总线，主要用于 SparkContext 内部各组件之间的事件交互，属于监听者模式，采用异步调用。
• MetricsSystem ：度量系统，用于整个 Spark 集群中各个组件状态的运行监控。

Spark 存储系统

Spark 存储系统用于管理 Spark 运行中依赖的数据的存储方式和存储位置。存储系统会优先考虑在各节点的内存中存储数据，内存不足时将数据写入磁盘中，这也是 Spark 计算性能高的重要原因。

数据存储在内存和磁盘之间的边界可以灵活控制，同时可以通过远程网络调用将结果输出到远程存储中，比如 HDFS、HBase 等。

Spark调度系统

Spark 调度系统主要由 DAGScheduler 和 TaskScheduler 组成。

• DAGScheduler：负责创建 Job，把一个 Job 根据 RDD 间的依赖关系，划分到不同 Stage 中，并将划分后的每个 Stage 都抽象为一个或多个 Task 组成的 TaskSet，批量提交给 TaskScheduler 来进行进一步的任务调度。
• TaskScheduler：负责按照调度算法对每个具体的 Task 进行批量调度执行，协调物理资源，跟踪并获取状态结果。

主要的调度算法有 FIFO、FAIR。

• FIFO 调度：先进先出，Spark 默认的调度模式。
• FAIR 调度：支持将作业分组到池中，并为每个池设置不同的调度权重，任务可以按照权重来决定执行顺序。

Spark 计算引擎

Spark 计算引擎主要由内存管理器、TaskSet 管理器、Task 管理器、Shuffle 管理器等组成。

---

核心组件

Spark 基于 Spark Core 扩展了四个核心组件，分别用于满足不同领域的计算需求。

Spark SQL

Spark SQL 主要用于结构化数据的处理。其具有以下特点：

• 能够将 SQL 查询与 Spark 程序无缝混合，允许您使用 SQL 或 DataFrame API 对结构化数据进行查询；
• 支持多种数据源，包括 Hive，Avro，Parquet，ORC，JSON 和 JDBC；
• 支持 HiveQL 语法以及用户自定义函数 (UDF)，允许你访问现有的 Hive 仓库；
• 支持标准的 JDBC 和 ODBC 连接；
• 支持优化器，列式存储和代码生成等特性，以提高查询效率。

Spark Streaming

Spark Streaming 主要用于快速构建可扩展，高吞吐量，高容错的流处理程序。支持从 HDFS，Flume，Kafka，Twitter 和 ZeroMQ 读取数据，并进行处理。
Spark Streaming 的本质是微批处理，它将数据流进行极小粒度的拆分，拆分为多个批处理，从而达到接近于流处理的效果。

MLlib

MLlib 是 Spark 的机器学习库。其设计目标是使得机器学习变得简单且可扩展。它提供了以下工具：

• ML Algorithms: 如分类，回归，聚类和协同过滤；
• Featurization: 特征提取，转换，降维和选择；
• Pipelines: 用于构建，评估和调整 ML 管道的工具；
• Persistence: 保存和加载算法，模型，管道数据；
• Utilities: 线性代数，统计，数据处理等。

Graphx

GraphX 是 Spark 中用于图形计算和图形并行计算的新组件。在高层次上，GraphX 通过引入一个新的图形抽象来扩展 RDD(一种具有附加到每个顶点和边缘的属性的定向多重图形)。为了支持图计算，GraphX 提供了一组基本运算符（如： subgraph，joinVertices 和 aggregateMessages）以及优化后的 Pregel API。此外，GraphX 还包括越来越多的图形算法和构建器，以简化图形分析任务。