Spark(林子雨慕课课程)

10. Spark

10.1 Spark简介

10.1.1 Spark简介

• Spark最初由美国加州伯克利大学 ( UC Berkeley )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

• 2013年Spark加入Apache孵化器项目后发展迅猛，如今己成为Apache软件基金会最重要的三大分布式计算系统开源项目之一 ( Hadoop、Spark、 Storm )
  

  • 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进行交互式编译
  • 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

• Spark的发展趋势

  

• Scala是一门现代的多范式编程语言

  • Spark是由Scala编写的，运行于Java平台（JVM、Java虚拟机）,并兼容现有的Java程序
  • 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

  注意：虽然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

10.1.2 Spark和Hadoop的对比

• Hadoop的缺点

  • 表达能力有限：并不是所有的任务都能用MapReduce去解决

  • 磁盘IO开销大：所有中间结果需要写到HDFS中去

  • 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，其他任务久无法开始，难以胜任复杂、多阶段的计算任务

• Spark相比于MapReduce的优点

  • 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
  • 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

• Hadoop与Spark的执行流程对比

  • Hadoop每次都是从磁盘读取数据，完成迭代计算，再写入磁盘，如此往复
  • Spark从磁盘中读取完数据就放在内存，迭代的结果仍然保存在内存中

  

• Hadoop与Spark执行逻辑回归的时间对比

  

10.2 Spark生态系统

• 大数据处理主要包括以下三个场景类型

  • 复杂的批量数据处理：通常跨度在数十分钟到数小时之间
  • 基于历史数据的交互式查询：通常时间跨度在数十秒到数分钟之间
  • 基于实时数据流的数据处理：通常时间跨度在数百毫秒到数秒之间

• 当同时存在以上三种场景时，就需要同时部署三种不同的软件

  

  • 同时部署不同软件问题？
    • 不同场景之间输入输出数据无法做到无缝共享，通常需要进行数据格式的转换
    • 不同软件需要不同的开发和维护团队，带来了较高的使用成本
    • 比较难以对同一个集群中的各个系统进行统一的资源协调和分配

• Spark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

  • 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生态系统已经成为伯克利数据分析软件栈BDAS(Berkeley Data Analytics Stack)的重要组成部分

    

• Spark生态系统

  

• Spark生态系统组件的应用场景

  

10.3 Spark运行架构

10.3.1 基本概念和架构设计

• 基本概念

  • RDD:是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:是Directed Acyalic Graph（有向无环图）的简称，反映RDD之问的依赖关系

  • Executor:是运行在工作节点 (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:是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、相互之问没有

    Shuffle依赖关系的任务组成的任务集

• Spark运行架构

  • Cluster Manager:集群资源管理器，负责对集群资源的分配和调度

    

• Spark架构设计

  • 与Hadoop MapReduce计算框架相比，Spark所采用的Executor有两个优点
    • Executor是利用多线程的方式来执行具体的Task任务，减少任务的启动开销，MapReduce是以进程的方式启动
    • 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

• Spark中各种概念之间的相互关系

  

• Spark执行Application过程

  

10.3.2 Spark运行基本流程

• Spark运行基本流程

  • 1. 注册并申请资源

    

  • 2.为Executor分配资源

    • Executor启动之后，会不断的向资源管理器汇报资源的使用情况

    

  • 3.注册并申请Task

    

  • 4.反馈结果并注销

    

• Spark运行架构特点

  • 每个Application都有自己专属的Executor进程，井且该进程在Application运行期间一直驻留。Executor进程以多线程的方式运行Task。
  • Spark运行过程与资源管理器无关，只要能够获取Executor进程井保持通信即可
  • Task采用了数据本地性和推测执行等优化机制
    • 数据本地性：计算向数据靠拢，Task靠近数据所在地方运行
    • 推测执行：假设运行Task节点的数据节点已经有其他Task任务运行，并且占据资源；它会自动推测是继续等到上个Task释放资源，还是数据移动到其他数据节点所消耗的时间更少

10.3.3 RDD概念

• 设计背景

  

  • 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结构
  • 我们不必担心底层数据的分布式特性、只需要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布记录集合，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的不同分区可以保存到集群中不同节点上，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的典型执行过程如下

    

  • RDD执行过程实例

    • RDD最后一步Action操作才会生成具体结果

      

      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

10.3.4 RDD特性

• Spark采用RDD以后能够实现高效计算的原因

  • 现有容错机制：数据复制或者记录日志；在数据密集型任务中，采用这种方式进行容错的代价昂贵

  • RDD: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、只计算粗粒度的操作，具有高效的容错性

    • RDD执行构成有向无环图，若是某个RDD出故障，只需要从它的父RDD重新计算恢复即可

      

    • 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

10.3.5 RDD的依赖关系和运行过程

• RDD之间的依赖关系（宽依赖、窄依赖）是划分Stage的依据

  • 窄依赖：表现为一个父RDD的分区对应于一个子RDD的分区，或者多个父RDD的分区对应于一个子RDD的分区

  

  • 宽依赖：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

    

• Stage的划分：Spark通过分析各个RDD的依赖关系生成DAG,再通过分析各个RDD中的分区之间的依赖关系来决定如何划分Stage

  • 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

  • Stage划分举例：

    

  • Stage类型：

    • ShuffleMapStage
      • 他不是最终的Stage,在它之后还有其他Stage，所以，它的输出一定需要经过Shffle过程，并作为后续Stage的输入
      • 这种Stage是以Shuffle为输出边界，其输入边界可以是从外部获取数据，也可以是另一个ShuffleMapStage的输出，其输出可以是另一个Stage的开始
      • 在一个Job里可以包含该类型的Stage,也可能没有该类型的Stage
    • ResultStage
      • 最终的Stage，没有输出，而是直接产生结果或存储
      • 这种Stage是直接输出结果，其输入边界可以是从外部获取数据，也可以是另外一个ShuffleMapStage的输出
      • 在一个Job里必定有该类型的Stage
      • 因此，一个Job含有一个或者多个Stage,其中至少含有一个ResultStage

• RDD运行过程：

  

10.4 Spark SQL

• Shark(Hive on Spark)
  

• 其执行步骤只在生成执行计划时有区别，其可能带来的问题：

  • 执行计划优化完全依赖于Hive,不方便添加新的优化策略

  • Spark是线程级的并行，而MapReduce是进程级并行，因此Spark在兼容Hive的实现上存在线程安全问题，导致Shark不得不使用另外一套独立维护的打了补丁的Hive源码分支

    

    因此Shark被停止开发

• Spark SQL架构

  

  • Spark SQL在Hive兼容层面仅依赖HiveQL解析、Hive元数据。即从HQL被解析成抽象语法树（AST）起，就全部由Spark SQL接管了。Spark SQL执行计划生成和优化都由Catalyst(函数式关系查询优化框架)负责
  • Spark SQL增加了SchemaRDD（即带有Schema信息的RDD）,使用户可以在Spark SQL中执行SQL语句
    • 它允许在SchemaRDD中封装多种数据源数据：Hive、HDFS、Cassandra、JSON

• Spark SQL目前支持Scala、Java、Python三种语言、支持SQL-92规范

  

10.5 Spark的部署和应用方式

• Spark三种部署方式

  • Standalone:类似于MapReduce1.0,slot为资源分配单位

  • Spark on Mesos:Mesos也是一个资源管理框架，它和Spark有一定的亲缘关系

  • Spark on Yarn:

    

• 企业部署大数据分析平台的案例

  • 这个架构部署较为繁琐

  

  • 而用Spark架构可以同时满足批处理和流处理需求：

    

    注意，Spark Streaming无法实现毫秒级别的流计算，因此，对于需要毫秒级别实时响应的企业应用而言，仍然需要采用流计算框架（如Storm）

  • 用Spark架构的优点：

    • 实现一键式安装和配置、线程级别的任务监控和告警
    • 降低硬件集群、软件维护、任务监控和应用开发难度
    • 便于做成统一的硬件、计算平台资源池

• 企业采用Hadoop和Spark统一部署的原因

  • 由于Hadoop生态系统中的一些组件所实现的功能，目前还是无法由Spark取代

  • 现有的Hadoop组件开发的应用，完全转移到Spark上需要一定的成本

    

  • 不同的计算框架统一运行在YARN中，可以带来如下好处

    • 计算资源按需伸缩
    • 不同负载应用混搭，集群利用率高
    • 共享底层存储（HDFS），避免数据跨集群迁移

10.6 Spark安装和编程实践

10.6.1 安装Spark

见：Spark安装和编程实践（Spark3.4.0）_厦大数据库实验室博客 (xmu.edu.cn)

10.6.2 Spark RDD基本操作

• 基本步骤

  

• 示例

  

• Spark RDD支持的两种类型操作

  • 动作(action):在数据集上进行运算，返回计算值
  • 转换（transformation）:基于现有的数据集创建一个新的数据集

• Spark常用API介绍

  • 常用Action API：动作API得到的是一个结果，而不是RDD

    

  • 常用Transformation API介绍:转换API得到的是RDD的中间结果

    

  • 常用API举例

    

  • API可以使用链式操作进行连续计算，可以让Spark代码更加简洁

    

  • Spark属于MapReduce计算模型，因此也可以实现MapReduce的计算过程

    

  10.6.3 使用Maven编译打包Java程序

  见：Spark安装和编程实践（Spark3.4.0）_厦大数据库实验室博客 (xmu.edu.cn)

  10.6.4 使用sbt编译打包Scala程序

  见：Spark安装和编程实践（Spark3.4.0）_厦大数据库实验室博客 (xmu.edu.cn)