Spark 计算框架

Spark

• Spark 是什么?

Apache Spark™是用于大规模数据处理的快速和通用引擎.

• 速度:在内存中,运行程序比Hadoop MapReduce快100倍，在磁盘上则要快10倍.

Apache Spark具有支持非循环数据流和内存计算的高级DAG执行引擎.

• 易用:可以使用Java，Scala，Python，R快速编写程序.

Spark提供80+高级操作方法，可以轻松构建并行应用程序.

• Spark提供了一堆库，包括SQL和DataFrame,MLlib，GraphX和Spark Streaming。您可以在相同的应用程序中无缝地组合这些库.
• Spark在Hadoop，Mesos，独立或云端运行。它可以访问各种数据源，包括HDFS，Cassandra，HBase和S3

一,RDD 弹性分布式数据集

1. 定义, TA 容错的,并行的数据结构,存储到磁盘和内存，控制数据分区。本质上是一个只读的分区记录集合,RDD包含多个分区，每个分区是一个dataset片段.

2. 依赖, RDD可以相互依赖。如果RDD的每个分区最多只能被一个Child RDD的一个分区使用，窄依赖；若多个Child RDD分区都可以依赖,宽依赖.

首先，窄依赖被划分到同一个stage,支持在同一个cluster node上以管道形式执行多条命令，eg,先map,紧接着filter.相反,宽依赖由于依赖的上游节点不止一个,往往跨界点传输数据.

其次从容灾角度讲,窄依赖的只需要执行父RDD的丢失分区的计算即可恢复.而宽依赖需要考虑恢复所有父RDD的丢失分区.

• 本质, RDD是Spark中的抽象数据结构类型,从编程的角度来看，RDD可以简单看成是一个数组。和普通数组的区别是，RDD中的数据是分区存储的，这样不同分区的数据就可以分布在不同的机器上，同时可以被并行处理。因此，Spark应用程序所做的无非是把需要处理的数据转换为RDD，然后对RDD进行一系列的变换和操作从而得到结果。本质是一个抽象类,如下:

abstract class RDD[T: ClassTag](@transient private var _sc: SparkContext,

@transient private var deps: Seq[Dependency[_]]) extends Serializable with Logging {

  }

type	function	use
transformation	map()	函数应用于RDD每一个元素，返回值是新的RDD
transformation	flatMap()	函数应用于RDD每一个元素，将元素数据进行拆分变成迭代器返回值是新的RDD
transformation	filter()	过滤,返回值是新的RDD
transformation	distinct()	去重，返回值是新的RDD
transformation	union()	并集，返回值是新的RDD
transformation	intersection()	交集，返回值是新的RDD
transformation	subtract()	原RDD里和参数RDD里相同的元素去掉
transformation	cartesian()	函数应用于RDD每一个元素，返回值是新的RDD

type	function	use
action	collect()	返回RDD所有元素
action	count()	RDD里元素个数
action	countByValue()	各元素在RDD中出现次数
action	reduce()	并行整合所有RDD数据，例如求和操作
action	fold(0)(func)	和reduce功能一样，不过fold带有初始值
action	aggregate(0)(seqOp,combop)	和reduce功能一样，但是返回的RDD数据类型和原RDD不一样
action	foreach(func)	对RDD每个元素都是使用特定函数

• DAG 有向无环图

• 容错处理

传统关系型数据库:采用日志记录容灾,数据恢复都依赖于重新执行日志中的SQL;

Hadoop:通过把数据备份到其他机器来容灾;

RDD:本身是一个不可变的数据集,当某个worker节点上的任务失败时,可以利用DAG重新调度计算这个失败的任务,由于不用复制数据,从而大大降低了网络通信.在流式计算场景中,Spark需要记录日志和检查点,以便利用checkpoint和日志对数据进行恢复;

二,Discretized Streams (DStreams)

• DStream是一系列连续的RDD,是Spark Streaming提供的基本抽象如下图所示:

• 对DStream应用的任何操作都将转换为底层RDD上的操作

三,Initializing StreamingContext

• 要初始化Spark Streaming程序，必须创建一个StreamingContext对象，它是所有Spark Streaming功能的主要入口.

SparkConf conf = new SparkConf().setAppName(appName).setMaster(master);
JavaStreamingContext ssc = new JavaStreamingContext(conf, new Duration(1000));

四,Input DStreams and Receivers

• Spark Streaming提供两类内置流式传输源:

  1. 基本数据源:StreamingContext API中直接提供的源.比如：文件系统和套接字连接.(file 和 socket)
  2. 高级源:Kafka，Flume，Kinesis等资源可以通过额外的实用类来获得.

• Spark Streaming 提供两种接收器:

  1. 可靠的接收器 - 当数据已被接收并且通过复制存储在Spark中时，可靠的接收器正确地向可靠的源发送确认。
  2. 不可靠的接收器 - 不可靠的接收器不向源发送确认。这可以用于不支持确认的源，或者甚至当不需要或需要进入确认的复杂性时，用于可靠的源。

五,Transformations on DStreams

Transformation	Meaning
map(func)	通过func传递源DStream的每个元素,返回新的DStream
flatMap(func)	与map类似,但每个输入项可以映射到0个或更多的输出项
filter(func)	过滤
repartition(numPartitions)	通过修改分区来更改DStream中的并发数
union(otherStream)	求两个DStream的并集
count()	计算源DStream的每个RDD中的元素数量，返回RDD的新DStream
reduce(func)	使用函数func聚合源DStream的每个RDD中的元素来返回单个元素RDD的新DStream
countByValue()	根据value计算key.
reduceByKey(func, [numTasks])	根据Key进行特定的计算
join(otherStream, [numTasks])	当（K，V）和（K，W）对的两个DStream被调用时，返回一个新的（K，（V，W））对的DStream与每个键的所有元素对
transform(func)	通过对源DStream的每个RDD应用RDD到RDD函数来返回新的DStream。这可以用于对DStream进行任意RDD操作
updateStateByKey(func)	返回一个新的“状态”DStream，其中每个key的状态通过在key的先前状态应用给定的功能和key的新值来更新。这可以用于维护每个key的任意状态数据

六,Output Operations on DStreams

Output Operation	Meaning
print()	打印10个元素,用于调试
saveAsTextFiles(prefix, [suffix])	将此DStream的内容另存为文本文件。每个批处理间隔的文件名是根据前缀和后缀“prefix-TIME_IN_MS [.suffix]”生成的
saveAsObjectFiles(prefix, [suffix])	将此DStream的内容保存为序列化Java对象的SequenceFiles。每个批处理间隔的文件名是根据前缀和后缀“prefix-TIME_IN_MS [.suffix]”生成的。
saveAsHadoopFiles(prefix, [suffix])	将此DStream的内容另存为Hadoop文件。每个批处理间隔的文件名是根据前缀和后缀“prefix-TIME_IN_MS [.suffix]”生成的。
foreachRDD(func)	对从流中生成的每个RDD应用函数func的最通用的输出运算符。此功能应将每个RDD中的数据推送到外部系统，例如将RDD保存到文件，或将其通过网络写入数据库

七,了解更多

1. An Architecture for Fast and General Data Processing on Large Clusters :关于RDD,DStream 的整个设计详解
2. Spark的官网 Spark