大数据技术原理与应用 第三篇 大数据处理与分析(三)Spark

一、 Spark简介

Spark最初由美国加州伯克利大学(UCBerkeley)的AMP实验室于2009年开发,是基于内存计算的大数据并行计算框架,可用于构建大型的、低延迟的数据分析应用程序

1.1 Spark特点

运行速度快:使用DAG执行引擎以支持循环数据流与内存计算

容易使用:支持使用Scala、Java、Python和R语言进行编程,可以通过Spark Shell进行交互式编程

通用性:Spark提供了完整而强大的技术栈,包括SQL查询、流式计算、机器学习和图算法组件

运行模式多样:可运行于独立的集群模式中,可运行于Hadoop中,也可运行于Amazon EC2等云环境中,并且可以访问HDFS、Cassandra、HBase、Hive等多种数据源

1.2 Scala简介

Scala是一门现代的多范式编程语言,运行于Java平台(JVM,Java虚拟机),并兼容现有的Java程序

Scala是Spark的主要编程语言,但Spark还支持Java、Python、R作为编程语言

Scala的优势是提供了REPL(Read-Eval-Print Loop,交互式解释器),提高程序开发效率

特点:

Scala具备强大的并发性,支持函数式编程,可以更好地支持分布式系统

Scala语法简洁,能提供优雅的API

Scala兼容Java,运行速度快,且能融合到Hadoop生态圈中

1.3 Spark与Hadoop的对比

虽然Hadoop是大数据技术的事实标准,但主要缺陷是其MapReduce计算模型延迟高,无法胜任实时快速计算的需求,只适用于离线批处理的应用场景

Hadoop存在如下一些缺点:

表达能力有限:计算必须转化为Map和Reduce

磁盘IO开销大:每次都从磁盘读取数据,且中间结果也写入磁盘

延迟高 :任务之间的衔接涉及IO开销 在前一个任务执行完成之前,其他任务就无法开始,难以胜任复杂、多阶段的计算任务

相比于Hadoop MapReduce,Spark主要具有如下优点:

Spark的计算模式也属于MapReduce,但不局限于Map和Reduce操作,还提供了多种数据集操作类型,编程模型比Hadoop MapReduce更灵活

Spark提供了内存计算,可将中间结果放到内存中,对于迭代运算效率更高S

spark基于DAG的任务调度执行机制,要优于Hadoop MapReduce的迭代执行机制

相比于Hadoop MapReduce,Spark主要具有如下缺点:

Hadoop可以使用廉价异构的计算机做分布式存储与计算,Spark对硬件要求较高

1.4 Spark生态系统

在实际应用中,大数据处理主要包括以下三个类型:

复杂的批量数据处理:通常时间跨度在数十分钟到数小时之间-MapReduce

基于历史数据的交互式查询:时间跨度在数十秒到数分钟之间-Impala

基于实时数据流的数据处理:时间跨度在数百毫秒到数秒之间-Storm

Spark的设计遵循“一个软件栈满足不同应用场景”的理念:

逐渐形成了一套完整的生态系统,既能够提供内存计算框架,也可以支持SQL即时查询、实时流式计算、机器学习和图计算等

Spark可以部署在资源管理器YARN之上,提供一站式的大数据解决方案

因此,Spark所提供的生态系统足以应对上述三种场景,即同时支持批处理、交互式查询和流数据处理

Spark生态系统

Spark的生态系统主要包含了Spark Core、Spark SQL、Spark Streaming、MLLib和GraphX 等组件

应用场景

时间跨度

其他框架

Spark生态系统中的组件

复杂的批量数据处理

小时级

MapReduce、Hive

Spark

基于历史数据的交互式查询

分钟级、秒级

Impala、Dremel、Drill

Spark SQL

基于实时数据流的数据处理

毫秒、秒级

Storm、S4

Spark Streaming

基于历史数据的数据挖掘

-

Mahout

MLlib

图结构数据的处理

-

Pregel、Hama

GraphX

二、 Spark运行架构

2.1 基本概念

RDD:Resillient Distributed Dataset(弹性分布式数据集)的简称,是分布式内存的一个抽象概念,提供了一种高度受限的共享内存模型

DAG:Directed Acyclic Graph(有向无环图)的简称,反映RDD间的依赖关系

Executor:运行在工作节点(WorkerNode)的一个进程,负责运行Task

Application:用户编写的Spark应用程序

Task:运行在Executor上的工作单元

Job:一个Job包含多个RDD及作用于相应RDD上的各种操作

Stage:Job的基本调度单位,一个Job会分为多组Task,每组Task被称为Stage,或者也被称为TaskSet,代表了一组关联的、相互之间没有Shuffle依赖关系的任务组成的任务集

2.2 架构设计

Spark运行架构包括:集群资源管理器(Cluster Manager)、运行作业任务的工作节点(Worker Node)、每个应用的任务控制节点(Driver)和每个工作节点上负责具体任务的执行进程(Executor)。资源管理器可以使用自带的或Mesos、YARN等资源管理调度框架

与Hadoop MapReduce计算框架相比,Spark所采用的Executor有两个优点:一是利用多线程来执行具体的任务,减少任务的启动开销。二是Executor中有一个BlockManager存储模块,会将内存和磁盘共同作为存储设备,有效减少IO开销

一个Application由一个Driver和若干个Job构成,一个Job由多个Stage构成,一个Stage由多个没有Shuffle关系的Task组成

当执行一个Application时,Driver会向集群管理器申请资源,启动Executor,并向Executor发送应用程序代码和文件,然后在Executor上执行Task,运行结束后执行结果返回给Driver,或写到HDFS或其他数据库中

大数据技术原理与应用 第三篇 大数据处理与分析(三)Spark_第1张图片

2.3 Spark运行基本流程

(1)首先为应用构建基本的运行环境,即由Driver创建一个SparkContext,进行资源的申请、任务的分配和监控

(2)资源管理器为Executor分配资源,并启动Executor进程

(3)SparkContext根据RDD的依赖关系构建DAG图,DAG图提交给DAG Scheduler解析成Stage,然后把一个个TaskSet提交给底层调度器Task Scheduler处理;Executor向SparkContext申请Task,Task Scheduler将Task发放给Executor运行,并提供应用程序代码

(4)Task在Executor上运行,把执行结果反馈给Task Scheduler,然后反馈给DAG Scheduler,运行完毕后写入数据并释放所有资源

Spark运行架构具有以下特点:

(1)每个Application都有自己专属的Executor进程,并且该进程在Application运行期间一直驻留。Executor进程以多线程的方式运行Task

(2)Spark运行过程与资源管理器无关,只要能够获取Executor进程并保持通信即可

(3)Task采用了数据本地性和推测执行等优化机制

2.4 RDD的设计与运行原理

设计理念

RDD就是为了满足这种需求而出现的,它提供了一个抽象的数据架构,不必担心底层数据的分布式特性,只需将具体的应用逻辑表达为一系列转换处理,不同RDD之间的转换操作形成依赖关系,可以实现管道化,避免中间数据存储

RDD概念

一个RDD就是一个分布式对象集合,本质上是一个只读的分区记录集合,每个RDD可分成多个分区,每个分区就是一个数据集片段,并且一个RDD的不同分区可以被保存到集群中不同的节点上,从而可以在集群中的不同节点上进行并行计算

RDD提供了一种高度受限的共享内存模型,即RDD是只读的记录分区的集合,不能直接修改,只能基于稳定的物理存储中的数据集创建RDD,或者通过在其他RDD上执行确定的转换操作(如map、join和group by)而创建得到新的RDD

RDD提供了一组丰富的操作以支持常见的数据运算,分为“动作”(Action)和“转换”(Transformation)两种类型

RDD提供的转换接口都非常简单,都是类似map、filter、groupBy、join等粗粒度的数据转换操作,而不是针对某个数据项的细粒度修改(不适合网页爬虫)

表面上RDD的功能很受限、不够强大,实际上RDD已经被实践证明可以高效地表达许多框架的编程模型(比如MapReduce、SQL、Pregel)

Spark用Scala语言实现了RDD的API,程序员可以通过调用API实现对RDD的各种操作

RDD典型的执行过程

RDD读入外部数据源进行创建

RDD经过一系列的转换(Transformation)操作,每一次都会产生不同的RDD,供给下一个转换操作使用

最后一个RDD经过“动作”操作进行转换,并输出到外部数据源

大数据技术原理与应用 第三篇 大数据处理与分析(三)Spark_第2张图片

【P.S.】

转换操作,并不会发生真正的计算,只是记录转换的轨迹。动作操作,才会触发从头到尾的真正的计算,并得到结果

优点∶惰性调用、管道化、避免同步等待、不需要保存中间结果、每次操作变得简单

RDD特性

RDD具有天生的容错性∶血缘关系、重新计算丢失分区、无需回滚系统、重算过程在不同节点之间并行、只记录粗粒度的操作

中间结果持久化到内存:数据在内存中的多个RDD操作之间进行传递

避免了不必要的读写磁盘开销

存放的数据可以是Java对象:避免了不必要的对象序列化和反序列化

RDD之间的依赖关系

窄依赖表现为一个父RDD的分区对应于一个子RDD的分区或多个父RDD的分区对应于一个子RDD的分区

宽依赖则表现为存在一个父RDD的一个分区对应一个子RDD的多个分区

是否包含Shuffle操作是区分窄依赖和宽依赖的根据

大数据技术原理与应用 第三篇 大数据处理与分析(三)Spark_第3张图片

阶段的划分

Spark根据DAG图中的RDD依赖关系,把一个作业分成多个阶段。阶段划分的依据是窄依赖和宽依赖。窄依赖可以实现流水线优化,对于作业的优化很有利,宽依赖包含Shuffle过程,无法实现流水线方式处理。

具体划分方法:

在DAG中进行反向解析,遇到宽依赖就断开

遇到窄依赖就把当前的RDD加入到Stage中

将窄依赖尽量划分在同一个Stage中,可以实现流水线计算从而使得数据可以直接在内存中进行交换,避免了磁盘IO开销

RDD的运行过程

(1)创建RDD对象;

(2)SparkContext负责计算RDD之间的依赖关系,构建DAG;

(3)DAGScheduler负责把DAG图分解成多个Stage,每个Stage中包含了多个Task,每个Task会被TaskScheduler分发给各个WorkerNode上的Executor去执行。

你可能感兴趣的:(笔记,spark)