Spark 1--3章简介,架构体系, 环境搭建

今天开始了新的课程

由我们的星哥带领我们踏入Spark的神秘殿堂

01_SparkCore

1. Spark简介

1.1 什么是Spark

Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，2010年开源，2013年6月成为Apache孵化项目，2014年2月成为Apache的顶级项目，2014年5月发布spark1.0，2016年7月发布spark2.0，2020年6月18日发布spark3.0.0

1.2 Spark的特点

• Speed：快速高效

Hadoop的MapReduce作为第一代分布式大数据计算引擎，在设计之初，受当时计算机硬件条件所限（内存、磁盘、cpu等），为了能够计算海量数据，需要将中间结果保存到HDFS中，那么就要频繁读写HDFS从而使得网络IO和磁盘IO成为性能瓶颈。Spark可以将中间结果写到本地磁盘或将中间cache到内存中，节省了大量的网络IO和磁盘IO开销。并且Spark使用更先进的DAG任务调度思想，可以将多个计算逻辑构建成一个有向无环图，并且还会将DAG先进行优化后再生成物理执行计划，同时 Spark也支持数据缓存在内存中的计算。性能比Hadoop MapReduce快100倍。即便是不将数据cache到内存中，其速度也是MapReduce10 倍以上。

• Ease of Use：简洁易用

 

Spark支持 Java、Scala、Python和R等编程语言编写应用程序，大大降低了使用者的门槛。自带了80多个高等级操作算子，并且允许在Scala，Python，R 的使用命令进行交互式运行，可以非常方便的在Spark Shell中地编写spark程序。

• Generality：通用、全栈式数据处理

Spark提供了统一的大数据处理解决方案，非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。 同时Spark还支持SQL，大大降低了大数据开发者的使用门槛，同时提供了SparkStream和Structed Streaming可以处理实时流数据；MLlib机器学习库，提供机器学习相关的统计、分类、回归等领域的多种算法实现。其高度封装的API 接口大大降低了用户的学习成本；Spark GraghX提供分布式图计算处理能力；PySpark支持Python编写Spark程序；SparkR支持R语言编写Spark程序。

• Runs Everywhere：可以运行在各种资源调度框架和读写多种数据源

Spark支持的多种部署方案：Standalone是Spark自带的资源调度模式；Spark可以运行在Hadoop的YARN上面；Spark 可以运行在Mesos上（Mesos是一个类似于YARN的资源调度框架）；Spark还可以Kubernetes实现容器化的资源调度

丰富的数据源支持。Spark除了可以访问操作系统自身的本地文件系统和HDFS之外，还可以访问 Cassandra、HBase、Hive、Alluxio（Tachyon）以及任何 Hadoop兼容的数据源。这极大地方便了已经 的大数据系统进行顺利迁移到Spark。   

1.3 Spark与MapReduce的对比

框架	优点	缺点
MapReduce	历史悠久、稳定	编程API不灵活、速度慢、只能做离线计算
Spark	通用、编程API简洁、快	跟MapReduce比暂无缺点

 

面试题：MapReduce和Spark的本质区别：

 

1. MR只能做离线计算，如果实现复杂计算逻辑，一个MR搞不定，就需要将多个MR按照先后顺序连成一串，一个MR计算完成后会将计算结果写入到HDFS中，下一个MR将上一个MR的输出作为输入，这样就要频繁读写HDFS，网络IO和磁盘IO会成为性能瓶颈。从而导致效率低下。

1. spark既可以做离线计算，又可以做实时计算，提供了抽象的数据集（RDD、Dataset、DataFrame、DStream）

有高度封装的API，算子丰富，并且使用了更先进的DAG有向无环图调度思想，可以对执行计划优化后在执行，并且可以数据可以cache到内存中进行复用，shuffle时，数据可以不排序

注意：MR和Spark在Shuffle时数据都落本地磁盘

 

2. Spark架构体系

StandAlone模式是spark自带的集群运行模式，不依赖其他的资源调度框架，部署起来简单。

StandAlone模式又分为client模式和cluster模式，本质区别是Driver运行在哪里，如果Driver运行在SparkSubmit进程中就是Client模式，如果Driver运行在集群中就是Cluster模式

2.1 standalone client模式

 

2.2 standalone cluster模式

 

2.3 Spark On YARN cluster模式

 

2.4 Spark执行流程简介

 

• Job：RDD每一个行动操作都会生成一个或者多个调度阶段 调度阶段（Stage）：每个Job都会根据依赖关系，以Shuffle过程作为划分，分为Shuffle Map Stage和Result Stage。每个Stage对应一个TaskSet，一个Task中包含多Task，TaskSet的数量与该阶段最后一个RDD的分区数相同。　

• Task：分发到Executor上的工作任务，是Spark的最小执行单元　

• DAGScheduler：DAGScheduler是将DAG根据宽依赖将切分Stage，负责划分调度阶段并Stage转成TaskSet提交给TaskScheduler

• TaskScheduler：TaskScheduler是将Task调度到Worker下的Exexcutor进程，然后丢入到Executor的线程池的中进行执行　

2.5 Spark中重要角色

• Master ：是一个Java进程，接收Worker的注册信息和心跳、移除异常超时的Worker、接收客户端提交的任务、负责资源调度、命令Worker启动Executor。

• Worker ：是一个Java进程，负责管理当前节点的资源管理，向Master注册并定期发送心跳，负责启动Executor、并监控Executor的状态。

• SparkSubmit ：是一个Java进程，负责向Master提交任务。

• Driver ：是很多类的统称，可以认为SparkContext就是Driver，client模式Driver运行在SparkSubmit进程中，cluster模式单独运行在一个进程中，负责将用户编写的代码转成Tasks，然后调度到Executor中执行，并监控Task的状态和执行进度。

• Executor ：是一个Java进程，负责执行Driver端生成的Task，将Task放入线程中运行。

2.6 Spark和Yarn角色对比

  

Spark StandAlone的Client模式	YARN
Master	ResourceManager
Worker	NodeManager
Executor	YarnChild
SparkSubmit（Driver）	ApplicationMaster

3. StandAlone模式环境搭建

3.1 搭建步骤

环境准备：三台Linux，一个安装Master，其他两台机器安装Worker

 

1. 下载spark安装包，下载地址：Downloads | Apache Spark

 

1. 上传spark安装包到Linux服务器上

1. 解压spark安装包

Shell tar -zxvf spark-3.2.3-bin-hadoop3.2.tgz -C /opt/apps

1. 进入到spark按照包目录并将conf目录下的spark-env.sh.template重命名为spark-env.sh，再修改

Shell export JAVA_HOME=/usr/local/jdk1.8.0_251/ export SPARK_MASTER_HOST=node-1.51doit.cn

1. 将conf目录下的workers.template重命名为workers并修改，指定Worker的所在节点

Shell node-2.51doit.cn node-3.51doit.cn

1. 将配置好的spark拷贝到其他节点

Shell for i in {2..3}; do scp -r spark-3.2.3-bin-hadoop3.2 node-$i.51doit.cn:$PWD; done

3.2 启动Spark集群

• 在Spark的安装目录执行启动脚本

Shell sbin/start-all.sh

• 执行jps命令查看Java进程

Shell jps

在ndoe-1上可以看见Master进程，在其他的节点上可以看见到Worker进程

• 访问Master的web管理界面，端口8080

 

3.3 一些重要参数

Shell export SPARK_WORKER_CORES=4    #指定worker可用的逻辑核数 export SPARK_WORKER_MEMORY=2g  #指定worker可用的内存大小

3.4 standalone模式高可用部署

spark的standalone模式可以启动两个以上的Master，但是需要依赖zookeeper进行协调，所有的节点启动后，都向zk注册

 

修改配置文件spark-env.sh

Shell  # 注释掉master的地址，所有节点都先连接zookeeper  # export SPARK_MASTER_HOST=node-1.51doit.cn  export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=node-1.51doit.cn:2181,node-2.51doit.cn:2181,node-3.51doit.cn:2181 -Dspark.deploy.zookeeper.dir=/spark"