Spark[3]：handoop生态与Spark架构启动等相关概念

一、handoop

开源的大数据框架。

框架的核心组件

• HDFS: Hadoop Distributed File System
• MapReduce: processing unit
• YARN： Yet Another Resource Negotiator
• Hadoop Common：collection of common utilities and libraries that support other Hadoop modules.

HDFS

• starage layer of Hadoop
• split files into blocks, creates replicas of the blocks, stores them on different machines（block是读写的最小单位，默认的大小根据系统，可能是64M或者128M）
• provide access to streaming data(streaming意思是数据流是持续的，而非批量式的)
• 使用命令行工具与Hadoop交互
• write once read many

HDFS中的Nodes概念：

rack：40-50个data nodes(secondary node)的集合

rack awareness in HDFS指的是选择node的时候要选择挨得最近的rack，这样可以减少network traffic. 实现这一目标是依赖name node(primary node)，其中保存着rack的相关信息。这种做法同样有利于replication

HDFS的架构：

mapreduce

并行计算框架，包含两个主要任务，map和reduce。能够应对各种数据类型：关系，半关系，非关系型。

handoop 生态系统

• Ingest： Flume & Sqoop
• Store：HDFS & HBase（allow dynamic change）
• Process and Analyze：Pig & Hive
• Access:Impala & Hue

举个例子：

我们传入一个word文件，查看文件中有多少个字。下图说明数据具体流程。

二、spark 相关概念

特性

• in memory
• be written in Scala and work in JVM
• distributed computing

spark的组件：

spark架构

Driver是公司的CEO，Cluster是部门负责人，executor是打工仔，跟真实的物理层打交道。

Spark context将任务分解到cluster上，

Cluster Manager来管理cluster上资源的分配。

Driver program驱动程序

单进程，driver program 运行用户的程序给cluster分配工作(Job)；
Spark Context 将job 分解为tasks ，将data分解为partitions，小的tasks面向partitions可以在Cluster上的多个worker node平行执行。

driver program有两种deploy Modes

Executor
多进程，平行处理cluster的工作。
每个worker node可以启动执行程序Executor，来处理task，每个executor会给分配几个core，每个core运行一个task。
所以提高并行效果，需要增多cores或者Executors.
执行完成之后，要么生成新的RDD（transform）要么返回给driver（Action）

stage and shuffles

stage的概念其实是和shuffle绑定在一起的。当有shuffle的时候，就将整个job分割开为一系列tesks，分割的界限就是shuffle操作。

shuffle是耗费时间的，因为需要序列化，以及需要和io打交道。但是有些操作是必须和其他的partitions打交道，比如groupby().

举个例子：

stage1可能是个map操作.

建议在collection之前使用reduce，因为在大数据上使用collection，很容易占满内存

cluster manager

cluster manager is essential for scaling big data. 有如下几种：

• Spark Standalone: Spark启动就有，最适合simple cluster的应用场景
  
  设置流程如下所示：
  

• Apache Hadoop YARN

• 

• Apache Mesos

• Kubernetes：用来运行容器应用的开源系统，主要解决集群资源调度的问题。
  使用Kubernetes的优势：

1. Kubernetes runs containerized applications on a cluster ​providing flexible, automated deployments.
2. Kubernetes provides developers with a portable, consistent experience whether working with an application on-premises or in the cloud.
3. Kubernetes benefits application performance with features including network service discovery, cluster load balancing, automated scaling, and orchestrated storage.
   在K8s上启动Spark Application:
   

Local Mode

使用local mode 启动方法：

如何运行一个Apache Spark Application

unifies interface： spark-submit

或者使用spark shell一键启动。