大数据理论与实践5 分布式计算框架MapReduce和Spark

MapReduce

简介

MapReduce是一个面向离线批处理的分布式计算框架。
离线：对时间不敏感，慢慢算
批处理：数据攒一批，处理一批（相对于流处理）
分布式编程模型：MapReduce程序被分为Map（映射）阶段和Reduce（化简）阶段
特点：

• 计算跟着数据走
• 良好的扩展性：计算能力随着节点数增加，近似线性增长
• 高容错
• 状态监控
• 适合海量数据的离线批处理
• 降低了分布式编程的门槛

使用场景：对时间不敏感，非流式数据（不适用OLAP、流计算、DAG计算）

原理示例

WordCount示例

实际上shuffle是虚拟的，一边做一半。

基本概念

作业Job与任务Task
作业是客户端请求执行的一个工作单元（包括输入数据、MapReduce程序、配置信息）；任务是将作业分解后得到的细分工作单元（分为Map任务和Reduce任务）
Split（切片）
输入数据被划分成等长的小数据块，称为输入切片（Input Split），简称切片。spilt是一个逻辑概念，仅包含元数据信息，如数据的起始位置、长度、所在节点等。有多少个切片就会有几个任务启动，切片大小默认等于HDFS的block大小（因为MapReduce取数最大的情况下是从block里面取），它的划分方式由程序设定，与Block无严格对应关系（切片是个逻辑概念）。
Split越小，Map任务越多，并发度越高，但开销也越大；Split越大，任务越少，并发度降低。
Map阶段（映射）
由若干Map任务组成，任务数量由Split数量决定。
输入：Split切片（key-value）
输出：中间计算结果（key-value）
Reduce阶段（化简）
由若干Reduce任务组成，任务数量由程序指定
输入：Map阶段输出的中间结果（key-value）
输出：最终结果（key-value）
Shuffle阶段（混洗）
Shuffle是Map和Reduce之间的强依赖关系（Shuffle依赖）导致的，即每个Reduce的输入依赖于所有Map的输出
Map和Reduce阶段的中间环节（虚拟阶段），分为Map端Shuffle和Reduce端Shuffle。
包括Partition（分区）、Sort（排序）、Spill（溢写）、Merge（合并）和Fetch（抓取）等工作。

如上图，Reduce任务数量决定了Partition数量，Partition编号 = Reduce任务编号。
分区Partition：
利用“哈希取模”对Map输出数据分区，即Partition编号 = key hashcode % reduce task num（%为取模）。

由于Shuffle阶段很耗资源，避免和减少Shuffle是MapReduce程序调优的关键。

作业运行模式

在MapReduce2.x中的YARN模式下，运行模式如下：

Spark

简介

Spark解决了MapReduce的局限性，它的出现改变了大数据的生态。
MapReduce缺陷在于：语义较少（仅支持Map、Reduce两种语义操作），模型较为粗糙（划分为两个阶段）；无法避免Shuffle所以效率较低；不适合迭代计算、在线分析、实时流处理等场景。另外，计算框架多、选型难导致学习成本很高。

概念

高性能的分布式通用计算引擎，包括：

• Spark Core：核心计算框架
• Spark SQL：结构化数据查询
• Spark Streaming：实时流处理
• Spark MLib：机器学习
• Spark GraphX：图计算

Spark具有有高吞吐、低延时、通用易扩展、高容错等特点，采用Scala语言开发，提供多种运行模式（可本地可单机可集群）。
特点：

1. 计算高效：语义操作多样，模型设计精细；利用RDD内存计算和Cache缓存机制，支持迭代计算和数据共享，减少数据读取的IO开销；利用DAG引擎，减少中间计算结果写入HDFS的开销；利用多线程池模型，减少任务启动开销。
2. 通用易用：适用于批处理、流处理、在线分析、机器学习等场景；提供了丰富的开发API，支持Scala、Java、Python、R等。
3. 运行模式多样：Local模式、Standalone模式、YARN/Mesos模式。

相比MapReduce效率提升在一个数量级以上。

编程模型

RDD

数据模型：弹性分布式数据集（Resilient Distributed Datesets，RDD）。Spark就是通过基于RDD进行计算。
RDD相当于一张表，由分布在集群中的多个Partition组成。
Partition分布在集群的不同节点中，主要在内存中，只读。如果数据出现错误或问题了会自动重构（体现了弹性）。
和MapReduce的split相比，区别主要在弹性分布和驻留内存。

RDD操作（Operator）

1. Transformation（转换）
   
   将Scala集合或Hadoop输入数据构造成一个新RDD（从无到有）；通过已有的RDD产生新RDD（从有到新）。
   Transformation特点是惰性执行，只记录转换关系，不触发计算。例如：map、filter、flatmap、union、distinct、sortbykey都是Transformation操作。
2. Action操作
   通过RDD计算得到结果或者落盘；真正触发计算，例如：first、count、collect、foreach、saveAsTextFile都是Action操作。

RDD依赖（Dependency）

分为窄依赖和宽依赖。
窄依赖（Narrow Dependency）：

每个父RDD分区只能为一个子RDD分区供数，子分区所依赖的父分区集合之间没有交集；子RDD分区数据丢失或损坏，从其依赖的父RDD分区重新计算即可，无需Shuffle。例如：map、filter、union都是窄依赖的关系。
宽依赖（Wide/Shuffle Dependency）：

每个父RDD分区为所有子RDD分区供数；子RDD区数据丢失或损坏，从所有父RDD分区重新计算，必须Shuffle；相对于窄依赖，宽依赖付出的代价要高很多，尽量避免使用（资源消耗太高）。例如：groupByKey、reduceByKey、sortByKey都是宽依赖。

作业运行模式

抽象模式

Master-Slave架构。把Driver注册到ApplicationMaster中（大数据各种框架是热插拔），告诉YARN是什么。

Driver：

• 每个Spark作业启动一个Driver（作业管家），每个Driver创建一个SparkContext（负责加载配置信息，初始化运行环境，创建DAGScheduler和TaskScheduler）
  DAGScheduler：根据任务的依赖关系建立DAG（Directed Acyclic Graph, 有向无环图），根据依赖关系是否为宽依赖，即是否存在Shuffle，将DAG划分为不同的阶段（Stage），最终将各阶段Task组成的TaskSet提交给TaskScheduler。
  TaskScheduler：负责任务调度；重新提交失败的Task；为执行速度慢的Task启动备用Task。其中的Executor负责执行Driver分发的任务，一个节点可以启动多个Executor，每个Executor通过多线程运行多个任务（真正在后台跑的是Executor）。Task是Spark运行的基本单位，负责处理若干RDD分区的计算逻辑，在DAG阶段划分为窄依赖的可以一起执行。
• 负责Spark作业解析（生成逻辑和物理计划，以及DAG）、任务调度

作业运行模式主要分为三种：

• Local模式
  单机运行，通常用于测试
• Standalone模式
  
  Spark集群可以独立运行，不依赖于第三方资源管理系统，如YARN、Mesos。采用Master/Slave架构：Master统一管理集群资源，Worker负责本地计算，Driver一对一管理作业；ZooKeeper负责Master HA，避免单点故障。
  适用于集群规模和数据量都不大的情况。
• YARN模式
  YARN-Client模式：适用于交互和调试；YARN-Cluster模式：适用于生产环境。
  
  

课后温习

简述MR Split与HDFS Block的关系。
为什么MapReduce要求输入输出必须是key-value键值对？
简述Shuffle的工作原理。
从编程模型的视角，MapReduce有哪些优缺点？
简述“哈希取模”在MapReduce中的作用。

参考

课程内容来自：南京大学+星环科技课程，大数据大数据理论与实践课程