PySpark（一）Spark原理介绍、PySpark初体验及原理

Spark简介

Apache Spark是用于大规模数据（large-scala data）处理的统一（unified）分析引擎，其特点就是对任意类型的数据进行自定义计算。

 Spark VS Hadoop

尽管Spark相对于Hadoop而言具有较大优势，但Spark并不能完全替代Hadoop

• 在计算层面，Spark相比较MR（MapReduce）有巨大的性能优势，但至今仍有许多计算工具基于MR构架，比如非常成熟的Hive
• Spark仅做计算，而Hadoop生态圈不仅有计算（MR）也有存储（HDFS）和资源管理调度（YARN），HDFS和YARN仍是许多大数据体系的核心架构 

---

面试题：Hadoop的基于进程的计算和Spark基于线程方式优缺点？
答案：Hadoop中的MR中每个map/reduce task都是一个java进程方式运行，好处在于进程之间是互相独立的，每个task独享进程资源，没有互相干扰，监控方便，但是问题在于task之间不方便共享数据，执行效率比较低。比如多个map task读取不同数据源文件需要将数据源加载到每个map task中，造成重复加载和浪费内存。而基于线程的方式计算是为了数据共享和提高执行效率，Spark采用了线程的最小的执行单位，但缺点是线程之间会有资源竞争 

---

Spark四大优点

•  速度快

Spark处理数据与MapReduce处理数据相比，有如下两个不同点：

1. 其一、Spark处理数据时，可以将中间处理结果数据存储到内存中；
2. 其二、Spark提供了非常丰富的算子(API), 可以做到复杂任务在一个Spark 程序中完成.

• 易于使用 

Spark 的版本已经更新到 Spark 3.2.0（截止日期2021.10.13），支持了包括 Java、Scala、Python 、R和SQL语言在内的多种语言。为了兼容Spark2.x企业级应用场景，Spark仍然持续更新Spark2版本。

• 通用性强

在 Spark 的基础上，Spark 还提供了包括Spark SQL、Spark Streaming、MLib 及GraphX在内的多个工具库，我们可以在一个应用中无缝地使用这些工具库。

• 运行方式 

Spark 支持多种运行方式，包括在 Hadoop 和 Mesos 上，也支持 Standalone的独立运行模式，同时也可以运行在云Kubernetes（Spark 2.3开始支持）上。

 Spark框架模块

整个Spark 框架模块包含：Spark Core、 Spark SQL、 Spark Streaming、 Spark GraphX、 Spark MLlib，而后四项的能力都是建立在核心引擎之上

Spark Core：Spark的核心，Spark核心功能均由Spark Core模块提供，是Spark运行的基础。Spark Core以RDD为数据抽象，提供Python、Java、Scala、R语言的API，可以编程进行海量离线数据批处理计算。

SparkSQL：基于SparkCore之上，提供结构化数据的处理模块。SparkSQL支持以SQL语言对数据进行处理，SparkSQL本身针对离线计算场景。同时基于SparkSQL，Spark提供了StructuredStreaming模块，可以以SparkSQL为基础，进行数据的流式计算。

SparkStreaming：以SparkCore为基础，提供数据的流式计算功能。

MLlib：以SparkCore为基础，进行机器学习计算，内置了大量的机器学习库和API算法等。方便用户以分布式计算的模式进行机器学习计算。

GraphX：以SparkCore为基础，进行图计算，提供了大量的图计算API，方便用于以分布式计算模式进行图计算

Spark的结构角色

Spark运行角色
Spark中由4类角色组成整个Spark的运行时环境
. Master角色,管理整个集群的资源        类比与YARN的ResouceManager
. Worker角色,管理单个服务器的资源        类比于YARN的NodeManager
. Driver角色,管理单个Spark任务在运行的时候的工作        类比于YARN的ApplicationMaster
. Executor角色,单个任务运行的时候的一堆工作者,干活的．类比于YARN的容器内运行的TASK

从2个层面划分:

资源管理层面:

管理者: Spark是Master角色，YARN是ResourceManager。

工作中: Spark是Worker角色，YARN是NodeManager

从任务执行层面:
·某任务管理者: Spark是Driver角色，YARN是ApplicationMaster
·某任务执行者: Spark是Executor角色，YARN是容器中运行的具体工作进程。

Spark的运行模式

• 本地模式（单机）

        本地模式就是以一个独立的进程，通过其内部的多个线程来模拟整个Spark运行时环境

• Standalone模式（集群）

        Spark中的各个角色以独立进程的形式存在，并组成Spark集群环境

• Hadoop YARN模式（集群）

        Spark中的各个角色运行在YARN的容器内部，并组成Spark集群环境

• - Kubernetes模式（容器集群）

        Spark中的各个角色运行在Kubernetes的容器内部，并组成Spark集群环境

• -云服务模式（运行在云平台上）

 本地模式

本质：启动一个JVM Process进程(一个进程里面有多个线程)，执行任务Task

•  Local模式可以限制模拟Spark集群环境的线程数量, 即Local[N] 或 Local[*]
• 其中N代表可以使用N个线程，每个线程拥有一个cpu core。如果不指定N，则默认是1个线程（该线程有1个core）。通常Cpu有几个Core，就指定几个线程，最大化利用计算能力.
• 如果是local[*]，则代表 Run Spark locally with as many worker threads as logical cores on your machine.按照Cpu最多的Cores设置线程数

Local 下的角色分布：
资源管理：
Master：Local进程本身
Worker：Local进程本身
任务执行：
Driver：Local进程本身
Executor：不存在，没有独立的Executor角色, 由Local进程(也就是Driver)内的线程提供计算能力

Standalone模式 

Standalone模式是Spark自带的一种集群模式，不同于前面本地模式启动多个进程来模拟集群的环境，Standalone模式是真实地在多个机器之间搭建Spark集群的环境，完全可以利用该模式搭建多机器集群，用于实际的大数据处理。

StandAlone 是完整的Spark运行环境,其中:
Master角色以Master进程存在, Worker角色以Worker进程存在
Driver和Executor运行于Worker进程内, 由Worker提供资源供给它们运行

StandAlone集群在进程上主要有3类进程:
主节点Master进程：
 Master角色, 管理整个集群资源，并托管运行各个任务的Driver
从节点Workers：
 Worker角色, 管理每个机器的资源，分配对应的资源来运行Executor(Task)；
每个从节点分配资源信息给Worker管理，资源信息包含内存Memory和CPU Cores核数
 历史服务器HistoryServer(可选)：
 Spark Application运行完成以后，保存事件日志数据至HDFS，启动HistoryServer可以查看应用运行相关信息。

搭配环境

Spark基础入门-第三章-3.5-总结_哔哩哔哩_bilibili

启动历史服务器

sbin/start-history-server.sh

启动Spark的Master和Worker进程

# 启动全部master和worker
sbin/start-all.sh

# 或者可以一个个启动:
# 启动当前机器的master
sbin/start-master.sh
# 启动当前机器的worker
sbin/start-worker.sh

# 停止全部
sbin/stop-all.sh

# 停止当前机器的master
sbin/stop-master.sh

# 停止当前机器的worker
sbin/stop-worker.sh

  Standalone HA 模式

Spark Standalone集群是Master-Slaves架构的集群模式，和大部分的Master-Slaves结构集群一样，存在着Master 单点故障（SPOF）的问题。

如何解决这个单点故障的问题，Spark提供了两种方案：
1.基于文件系统的单点恢复(Single-Node Recovery with Local File System)--只能用于开发或测试环境。
2.基于zookeeper的Standby Masters(Standby Masters with ZooKeeper)--可以用于生产环境。
ZooKeeper提供了一个Leader Election机制，利用这个机制可以保证虽然集群存在多个Master，但是只有一个是Active的，其他的都是Standby。当Active的Master出现故障时，另外的一个Standby Master会被选举出来。由于集群的信息，包括Worker， Driver和Application的信息都已经持久化到文件系统，因此在切换的过程中只会影响新Job的提交，对于正在进行的Job没有任何的影响。

 

Spark on Yarn （重点）

Master角色由YARN的ResourceManager担任.

Worker角色由YARN的NodeManager担任. 

Driver角色运行在YARN容器内或提交任务的客户端进程中

真正干活的Executor运行在YARN提供的容器内

部署模式DeployMode 

Spark On YARN是有两种运行模式的,一种是Cluster模式一种是Client模式. 这两种模式的区别就是Driver运行的位置.

Cluster模式即:Driver运行在YARN容器内部, 和ApplicationMaster在同一个容器内

Client模式即:Driver运行在客户端进程中, 比如Driver运行在spark-submit程序的进程中 

 Cluster模式：

 

Client模式： 

 

二者主要区别： 

	Cluster模式	Client模式
Driver运行位置	YARN容器内	客户端进程内
通讯效率	高	低于Cluster模式
日志查看	日志输出在容器内，查看不方便	日志输出在客户端的标准输出流中,方便查看
生产可用	推荐	不推荐
稳定性	稳定	基于客户端进程,受到客户端进程影响

bin/pyspark --master yarn --deploy-mode client|cluster #

--deploy-mode 选项是指定部署模式, 默认是 客户端模式 # client就是客户端模式 # cluster就是集群模式 # --deploy-mode 仅可以用在YARN模式下

也可以直接运行文件：

bin/spark-submit --master yarn --deploy-mode cluster examples/src/main/python/pi.py 100
此处 --depoly-mode client 用于指定模型，可以不写，默认为client

PySpark

PySpark是一个Python的类库, 提供Spark的操作API

而之前使用的 bin/pyspark 是一个交互式的程序,可以提供交互式编程并执行Spark计算，注意区分

环境配置：

Spark基础入门-第七章-7.1-本机配置Python环境_哔哩哔哩_bilibili

初体验

Spark Application程序入口为：SparkContext，任何一个应用首先需要构建SparkContext对象，如下两步构建：

 第一步、创建SparkConf对象

         设置Spark Application基本信息，比如应用的名称AppName和应用运行Master

 第二步、基于SparkConf对象，创建SparkContext对象

下面是一个demo：

#coding:utf8
from pyspark import SparkConf,SparkContext
if __name__ == '__main__':
    conf = SparkConf().setMaster('local[*]').setAppName('LMX')
    sc = SparkContext(conf = conf)

    file_rdd = sc.textFile("data/input/words.txt")
    words_rdd = file_rdd.flatMap(lambda line: line.split(" "))
    words_one_rdd = words_rdd.map(lambda x: (x,1))
    result_rdd = words_one_rdd.reduceByKey(lambda a,b:a+b)
    print(result_rdd.collect())

 下面这两句由  driver 运行，然后将虚拟化发送到Executor 

    conf = SparkConf().setMaster('local[*]').setAppName('LMX')
    sc = SparkContext(conf = conf)

Executor读取文件，完成计算，在这个过程中Executor之间可能还会存在shuffle交互

    file_rdd = sc.textFile("data/input/words.txt")
    words_rdd = file_rdd.flatMap(lambda line: line.split(" "))
    words_one_rdd = words_rdd.map(lambda x: (x,1))
    result_rdd = words_one_rdd.reduceByKey(lambda a,b:a+b)

最后Executor将结果汇总到driver，print输出

print(result_rdd.collect())

Python on Spark原理

PySpark宗旨是在不破坏Spark已有的运行时架构，在Spark架构外层包装一层Python API，借助Py4j实现Python和 Java的交互，进而实现通过Python编写Spark应用程序，其运行时架构如下图所示

        在driver中，会使用 py4j 将python代码转换为java代码，然后由JVM执行Driver程序（因为driver部分的代码很少，是可以做到python和jvm的完全转换的）

        在executor中，无法做到完全转换，于是由driver中的JVM向executor中的JVM传到指令，再通过python守护进程调用python程序完成executor程序 

        所以其实在这个过程中，是由JVM运行Driver程序，而通过python运行executor的。