简述Spark基础及架构

一、spark简介

spark是基于内存的分布式计算框架，特点是快速、易用、通用及多种运行模式。

• 快速：
  基于内存数据处理，比MR快100个数量级以上（逻辑回归算法测试）
  基于硬盘数据处理，比MR快10个数量级以上

• 易用:
  支持Java、Scala、Python、R语言
  交互式shell方便开发测试

• 通用性:
  一栈式解决方案：批处理、交互式查询、实时流处理、图计算及机器学习

• 多种运行模式：
  YARN、Mesos、EC2、Kubernetes、Standalone、Local

二、spark技术栈

• Spark Core： 核心组件，分布式计算引擎
• Spark SQL：： 高性能的基于Hadoop的SQL解决方案
• Spark Streaming： 可以实现高吞吐量、具备容错机制的准实时流处理系统
• Spark GraphX： 分布式图处理框架
• Spark MLlib： 构建在Spark上的分布式机器学习库

三、spark架构

spark架构主要由以下组件构成：

• Application： 建立在 Spark上的用户程序，包括 Driver代码和运行在集群各节点 Executor中的代码
• Driver program： 驱动程序， Application中的main函数并创建 SparkContext
• Cluster Manager ： 在集群(Standalone、Mesos、YARN)上获取资源的外部服务
• Worker Node： 集群中任何可以运行 Application代码的节点
• Executor ： 某个 Application运行在 worker节点上的一个进程
• Task： 被送到某个 Executor上的工作单元
• Job ： 包含多个 Task 组成的并行计算，往往由 Spark Action算子 触发生成，一个 Application中往往会产生多个 Job
• Stage： 每个Job会被拆分成多组 Task，作为一个 TaskSet，其名称为 Stage

运行架构：

• 在驱动程序中，通过SparkContext主导应用的执行
• SparkContext可以连接不同类型的Cluster Manager（Standalone、YARN、Mesos），连接后，获得集群节点上的Executor
• 一个Worker节点默认一个Executor，可通过SPARK_WORKER_INSTANCES调整
• 每个应用获取自己的Executor
• 每个Task处理一个RDD分区

spark运行流程：

spark 中 master，worker，driver 和 executor 之间的关系

四、saprk常用API

在开发过程中，常用API主要有： SparkContext、 SparkSession、 RDD、 DataSet及 DataFrame,本文主要介绍 SparkContext、 SparkSession。

4.1 SparkContext

• 是Spark的主入口
• 连接Driver与Spark Cluster（Workers）
• 每个JVM仅能有一个活跃的SparkContext

在IDEA中创建 SparkContext ，代码如下：

//导包
import org.apache.spark.{SparkConf, SparkContext}
//创建一个SparkContext对象
val conf=new SparkConf().setMaster("local[2]").setAppName("HelloSpark")
val sc=SparkContext.getOrCreate(conf)

4.2 SparkSession

• SparkSession是 SparkSQL的入口 ，是在 2.0中引入的新的 API，旨在为 Spark编程提供统一的编程入口，SparkSession整合了 SparkConf、 SparkContext、SQLContext、 HiveContext以及 StreamingContext。
• 当创建了SparkSession对象后，可以间接拿到 sparkContext 与 sqlContext 对象，所以在 2.0版本后推荐使用 SparkSession作为编程入口。
• 在2.0之前的 Spark版本中， spark shell会自动创建一个 SparkContext对象(sc)
• 在2.0+版本中，Spark shell则会额外创建一个 SparkSession对象(spark)，如下图：
  

在IDEA中创建 SparkSession ，代码如下：

//导包
import org.apache.spark.sql.SparkSession
//创建一个SparkSession对象
val spark = SparkSession.builder
.master("local[2]")
.appName("appName")
.getOrCreate()
val sc: SparkContext = spark.sparkContext

五、spark数据核心–RDD

5.1 RDD概念

RDD称为 弹性分布式数据集（ Resilient Distributed Datasets），它是一种分布式的内存抽象，允许在大型集群上执行基于内存的计算( In Memory Computing)，为用户屏蔽了底层复杂的计算和映射环境。

弹性： 指在任何时候都能进行重算，这样当集群中的一台机器挂掉而导致存储在其上的RDD丢失后，Spark还可以重新计算出这部分的分区的数据

分布式： 数据计算分布于多节点

数据集： RDD并不存储真正的数据，只是对数据和操作的描述。它是只读的、分区记录的集合，每个分区分布在集群的不同节点上

简单来说，RDD是将数据项拆分为多个分区的集合，存储在集群的工作节点上的内存和磁盘中，并执行正确的操作 。

更规范的解释是：

• RDD是用于数据转换的接口 ，比如 map、 filter、 groupBy、 join等。
• RDD指向了存储在 HDFS、 Cassandra、 HBase等、或缓存（内存、内存 +磁盘、仅磁盘等），或在故障或缓存收回时重新计算其他 RDD分区中的数据 。从
  这个意义上讲， RDD不包含任何待处理数据。

5.2 RDD的五大特性

5.2.1 分区(Partition)

• RDD是由多个分区构成的( 使用RDD#partitions返回 RDD的所有分区信息)，每个Partition都有一个唯一索引编号 (使用Partition#index访问）
• RDD分区概念与MapReduce的输入切片概念是类似的，对每个分区的运算会被一个当作一个Task执行。举例：如果有100个分区，那么RDD上有 n 个操作将会产生有 n*100 个任务。

5.2.2 compute函数

每个分区上都有compute函数，计算该分区中的数据

5.2.3 RDD依赖(DAG)

RDD有依赖性，通常情况下一个 RDD是来源于另一个 RDD，这个叫做 lineage。RDD会记录下这些依赖，方便容错。也称 DAG。

5.2.4 分区器(Partitioner)

只有 Key-Value 类型的 RDD才有分区器 ，可以传递一个自定义的 Partitioner 进行重新分区，非 Key-Value类型的 RDD(PairRDD)分区器的值是 None。
不同的 RDD的compute函数逻辑各不一样，比如：

• MapPartitionsRDD的compute是将用户的转换逻辑作用到指定的Partition上。因为 RDD的map算子产生MapPartitionsRDD，而 map算子的参数（具体操作逻辑）是变化的。
• HadoopRDD的compute是读取指定Partition数据。因为sc.hadoopFile(“path”)”读取 HDFS文件返回的RDD具体类型便是 HadoopRDD,所以只需要读取数据即可。
• CheckpointRDD的compute是直接读取检查点的数据。一旦 RDD进行checkpoint，将变成CheckpointRDD

5.2.5 分区优先位置列表

该列表存储了存取每个分区的优先位置 。对于一个 HDFS文件来说，这个列表保存了每个分区所在的数据块的位置。按照 “移动数据不如移动计算的” 的理念， Spark在进行任务调度的时候，会尽可能的将计算任务移动到所要处理的数据块的存储位置。

六、创建RDD

6.1 使用"集合"创建RDD

通过集合创建RDD有两种方法：parallelize与 makeRDD
makeRDD多一个重载方法：重载分配一系列本地Scala集合形成一个RDD，可以为每个集合对象创建一个分区，并指定优先位置便于在运行中优化调度。
使用本地集合创建RDD的问题在于：由于这种方法需要用到一台机器中集合的全部数据，所以这种方式在测试和原型构造之外很少使用，一般在测试时使用

使用 parallelize 创建RDD：

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object SparkContextDemo extends App {
  //创建一个spark context对象
  val conf: SparkConf = new SparkConf().setMaster("local[2]").setAppName("sparkTest")  //Spark默认会根据集群的情况来设置分区的数量，也可以通过parallelize()第二参数来指定
  val sc: SparkContext = SparkContext.getOrCreate(conf)
  //创建rdd1，不指定分区
   val rdd1: RDD[Int] = sc.parallelize(List(1,2,3,4,5,6,7,8))
  println(rdd1.partitions.size)  //控制台打印：2
  //创建rdd2，指定分区：5
  private val rdd2: RDD[Int] = sc.parallelize(List(1,2,3,4,5,6),5)
  println(rdd2.partitions.size)   //控制台打印：5
  
  //关闭资源
  sc.stop()
}

6.2 通过"加载"创建RDD

import org.apache.spark.SparkContext
import org.apache.spark.sql.SparkSession

object SparkSessionDemo extends App {
  //创建一个spark session对象
   val spark: SparkSession = SparkSession.builder()
    .master("local[2]")
    .appName("sparkSessionTest")
    .getOrCreate()
   val sc: SparkContext = spark.sparkContext
   
  //加载本地文件
 val distFile=sc.textFile("file:///val distFile=sc.textFile("file:///home/hadoop/data/hello.txt")")

//加载hdfs文件
val distHDFSFile=sc.textFile("hdfs://hadoop000:9000/hello.txt")

  //关闭资源
  sc.stop()
}

注：

• 加载“file://……”时，以local运行仅需一份本地文件，以Spark集群方式运行，应保证每个节点均有该文件的本地副本
• Spark默认访问HDFS，为HDFS文件的每一个数据块创建一个分区，也可以通过textFile()第二个参数指定，但只能比数据块数量多
• 加载路径支持目录、压缩文件以及通配符：

sc.textFile("/my/directory")
sc.textFile("/my/directory/*.txt")
sc.textFile("/my/directory/*.gz")

6.3 创建PairPDD

SparkContext.wholeTextFiles()： 可以针对一个目录中的大量小文件返回作为PairRDD。Spark 为包含键值对类型的 RDD 提供了一些专有的操作，比如：reduceByKey()、groupByKey()……
也可以通过键值对集合创建PairRDD：sc.parallelize(List((1,2),(1,3)))

示例： IDEA src的data目录中有两个文件：hello.txt、test01.txt
内容如下:

创建一个pairPDD读取数据：

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object CreatRDDDemo extends App{
  //创建一个spark context对象
  val conf:SparkConf = new SparkConf().setMaster("local[2]").setAppName("sparkTest")
  val sc:SparkContext = SparkContext.getOrCreate(conf)
  //加载文件
  val pairRDD:RDD[(String,String)] = sc.wholeTextFiles("file:///D:\\work\\date\\2020\\spark0904\\src\\data")
  pairRDD.foreach(println)
  sc.stop()
}

打印结果如下图：