大数据学习之 Spark 概述

末蓝、 2022-09-09 09:58 200阅读 0赞

### 文章目录 ###

*   *  一、Spark简介
     *   *  Spark与Hadoop的区别
         *  部署模式
     *  二、 Spark架构
     *   *  1.Driver
         *  2.Executor
         *  3.Master & Worker
         *  4.Cluster manager
         *  5.ApplicationMaster
         *  补充点：Stage
         *  执行过程
     *  三、Shuffle机制
     *   *  shuffle介绍
         *  Shuffle的影响
         *  导致Shuffle的操作
     *  四、RDD（弹性分布式数据集）
     *   *  宽依赖和窄依赖
     *  五、Spark算子

## 一、Spark简介 ##

Spark 是一种由 Scala 语言开发的快速、通用、可扩展的大数据分析引擎。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6Ziz5YWJ5aSn55S35a2pIQ_size_20_color_FFFFFF_t_70_g_se_x_16]  
Spark主要由五部分组成：

*  Spark Core  
    Spark Core 中提供了 Spark 最基础与最核心的功能，Spark 其他的功能如：Spark SQL，  
    Spark Streaming，GraphX, MLlib 都是在 Spark Core 的基础上进行扩展的
 *  Spark SQL  
    Spark SQL 是 Spark 用来操作结构化数据的组件。通过 Spark SQL，用户可以使用 SQL  
    或者 Apache Hive 版本的 SQL 方言（HQL）来查询数据。
 *  Spark Streaming  
    Spark Streaming 是 Spark 平台上针对实时数据进行流式计算的组件，提供了丰富的处理  
    数据流的 API。
 *  Spark MLlib  
    MLlib 是 Spark 提供的一个机器学习算法库。MLlib 不仅提供了模型评估、数据导入等  
    额外的功能，还提供了一些更底层的机器学习原语。
 *  Spark GraphX  
    GraphX 是 Spark 面向图计算提供的框架与算法库。

### Spark与Hadoop的区别 ###

Spark一直被认为是Hadoop的升级版，在数据处理方面，基于内存，优于hadoop的`MapReduce`框架，但需要注意的是Spark取代不了Hadoop，Spark没有存储，只是负责处理，而且Spark可以独立运行，也可以集成到Hadoop中，去替代MapReduce。

*  Spark和Hadoop的根本差异是多个作业之间的数据通信问题 : `Spark`多个作业之间数据通信是基于**内存**，而 `Hadoop` 是基于磁盘。
 *  Spark提供了更加丰富的数据处理模型，而MapReduce提供的Mapper和Reducer这样简单的模型无法满足一定场景下的业务需求，且MapReduce对迭代式处理支持不是很友好。
 *  Hadoop的task是一个个进程，spark是一个个线程
 *  Hadoop容错性低，spark可以根据RDD之间的血缘关系重算；
 *  spark有transform和action算子，只有遇到action才会触发job，会做流水线层面的优化；
 *  对于多次使用的RDD，spark可以基于其块管理器，进行缓存
 *  有利也有弊，Spark基于内存，可能会出现资源不足的情况

### 部署模式 ###

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6Ziz5YWJ5aSn55S35a2pIQ_size_20_color_FFFFFF_t_70_g_se_x_16 1]

## 二、 Spark架构 ##

Spark架构是一个标准的Master-slave架构。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6Ziz5YWJ5aSn55S35a2pIQ_size_15_color_FFFFFF_t_70_g_se_x_16]

### 1.Driver ###

Spark 驱动器节点，用于执行 Spark 任务中的 main 方法，负责实际代码的执行工作。  
Driver 在 Spark 作业执行时主要负责：

*  将用户程序转化为作业（job）
 *  在 Executor 之间调度任务(task)
 *  跟踪 Executor 的执行情况
 *  通过 UI 展示查询运行情况

实际上，我们无法准确地描述 Driver 的定义，因为在整个的编程过程中没有看到任何有关Driver 的字眼。所以简单理解，所谓的 Driver 就是**驱使整个应用运行起来的程序**，也称之为Driver 类。

### 2.Executor ###

Spark Executor 是集群中工作节点（Worker）中的一个 JVM 进程，负责在 Spark 作业中运行具体任务（Task），任务彼此之间相互独立。

Spark 应用启动时，Executor 节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有 Executor 节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他 Executor 节点上继续运行。  
Executor 有两个核心功能：

*  负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程
 *  它们通过自身的块管理器（Block Manager）为用户程序中**要求缓存的 RDD 提供内存式存储**。RDD 是直接缓存在 Executor 进程内的，因此任务可以在运行时充分利用缓存数据加速运算。

### 3.Master & Worker ###

Spark 集群的独立部署环境中，不需要依赖其他的资源调度框架，自身就实现了资源调度的功能，所以环境中还有其他两个核心组件：Master 和 Worker，这里的 Master 是一个进程，主要负责资源的调度和分配，并进行集群的监控等职责，类似于 Yarn 环境中的 RM, 而Worker 呢，也是进程，一个 Worker 运行在集群中的一台服务器上，由 Master 分配资源对  
数据进行并行的处理和计算，类似于 Yarn 环境中 NM。

### 4.Cluster manager ###

集群资源管理器（例如，Standlone Manager，Mesos，YARN）

### 5.ApplicationMaster ###

Hadoop 用户向 YARN 集群提交应用程序时,提交程序中应该包含 ApplicationMaster，用于向资源调度器申请执行任务的资源容器 Container，运行用户自己的程序任务 job，监控整个任务的执行，跟踪整个任务的状态，处理任务失败等异常情况。

说的简单点就是，`ResourceManager`（资源）和 `Driver`（计算）之间的**解耦合**靠的就是ApplicationMaster。

如果Driver需要资源，那么会向ApplicationMaster进行申请，AM 会进而向ResourceManager进一步申请资源。

### 补充点：Stage ###

每个job被划分为多个stage，一个stage中包含一个taskset

### 执行过程 ###

1.  用户程序创建 SparkContext 后，它会连接到集群资源管理器，集群资源管理器会为用户程序分配计算资源，并启动 Executor；
2.  Driver 将计算程序划分为不同的执行阶段和多个 Task，之后将 Task 发送给 Executor；
3.  Executor 负责执行 Task，并将执行状态汇报给 Driver，同时也会将当前节点资源的使用情况汇报给集群资源管理器。

## 三、Shuffle机制 ##

### shuffle介绍 ###

在 Spark 中，一个任务对应一个分区，通常不会跨分区操作数据。但如果遇到 `reduceByKey` 等操作，Spark 必须从所有分区读取数据，并查找所有键的所有值，然后汇总在一起以计算每个键的最终结果 ，这称为 `Shuffle`。

![spark-reducebykey.png][]

### Shuffle的影响 ###

Shuffle 是一项昂贵的操作，因为它**通常会跨节点操作数据**，这会涉及磁盘 I/O，网络 I/O，和数据序列化。某些 Shuffle 操作还会消耗大量的堆内存，因为它们使用堆内存来临时存储需要网络传输的数据。Shuffle 还会在磁盘上生成大量中间文件，从 Spark 1.3 开始，这些文件将被保留，直到相应的 RDD 不再使用并进行垃圾回收，这样做是为了避免在计算时重复创建 Shuffle 文件。如果应用程序长期保留对这些 RDD 的引用，则垃圾回收可能在很长一段时间后才会发生，这意味着长时间运行的 Spark 作业可能会占用大量磁盘空间，通常可以使用 `spark.local.dir` 参数来指定这些临时文件的存储目录。

### 导致Shuffle的操作 ###

由于 Shuffle 操作对性能的影响比较大，所以需要特别注意使用，以下操作都会导致 Shuffle：

*  **涉及到重新分区操作**： 如 `repartition` 和 `coalesce`；
 *  **所有涉及到 ByKey 的操作**：如 `groupByKey` 和 `reduceByKey`，但 `countByKey` 除外；
 *  **联结操作**：如 `cogroup` 和 `join`。

## 四、RDD（弹性分布式数据集） ##

RDD 是 Spark 提供的最重要的抽象概念，它是一种有容错机制的特殊数据集合，可以分布在集群的结点上，以函数式操作集合的方式进行各种并行操作。

通俗点来讲，可以将 RDD 理解为一个分布式对象集合，本质上是一个只读的分区记录集合。每个 RDD 可以分成多个分区，每个分区就是一个数据集片段。一个 RDD 的不同分区可以保存到集群中的不同结点上，从而可以在集群中的不同结点上进行并行计算。

### 宽依赖和窄依赖 ###

RDD 和它的父 RDD(s) 之间的依赖关系分为两种不同的类型：

*  **窄依赖 (narrow dependency)**：父 RDDs 的一个分区最多被子 RDDs 一个分区所依赖；
 *  **宽依赖 (wide dependency)**：父 RDDs 的一个分区可以被子 RDDs 的多个子分区所依赖。

如下图，每一个方框表示一个 RDD，带有颜色的矩形表示分区：

![spark-_.png][]

区分这两种依赖是非常有用的：

*  首先，窄依赖允许在一个集群节点上以流水线的方式（pipeline）对父分区数据进行计算，例如先执行 map 操作，然后执行 filter 操作。而宽依赖则需要计算好所有父分区的数据，然后再在节点之间进行 Shuffle，这与 MapReduce 类似。
 *  窄依赖能够更有效地进行数据恢复，因为只需重新对丢失分区的父分区进行计算，且不同节点之间可以并行计算；而对于宽依赖而言，如果数据丢失，则需要对所有父分区数据进行计算并再次 Shuffle。

## 五、Spark算子 ##

*  1、Value数据类型的Transformation算子，这种变换不触发提交作业，针对处理的数据项是Value型的数据。
 *  2、Key-Value数据类型的Transformation算子，这种变换不触发提交作业，针对处理的数据项是Key-Value型的数据。
 *  3、Action算子，这类算子会触发SparkContext提交作业。

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6Ziz5YWJ5aSn55S35a2pIQ_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/67ec941d366a4e40a78ae3441459368c.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6Ziz5YWJ5aSn55S35a2pIQ_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/8bff825679b1418baa0d3faaad207cee.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6Ziz5YWJ5aSn55S35a2pIQ_size_15_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/afbcd8b7813c427cbba547547b65b29a.png
[spark-reducebykey.png]: /images/20220829/a131a2745bdc4582ace20a48d6820ca7.png
[spark-_.png]: /images/20220829/c6f886f01a1e496c8d95a2f6acd1ddfd.png