关于Spark的基本概念和特性简介

jopen 9年前

Spark是近年来发展较快的分布式并行数据处理框架，可以与Hadoop联合使用，增强Hadoop的性能。同时，Spark还增加了内存缓存、流数据处理、图数据处理等更为高级的数据处理能力。这里简单介绍了Spark的基本概念和特性，方便小白入门。当然了，大数据处理和分析光会了这些是远远不够的，入门容易深入难，还得有数理统计、领域建模等真功夫才能做出真正有价值的成果。

1、Spark是什么？

    ○ 高可伸缩性

    ○ 高容错

    ○ 基于内存计算

2、Spark的生态体系（BDAS，中文:伯利克分析栈）

    ○ MapReduce属于Hadoop生态体系之一，Spark则属于BDAS生态体系之一

    ○ Hadoop包含了MapReduce、HDFS、HBase、Hive、Zookeeper、Pig、Sqoop等

    ○ BDAS包含了Spark、Shark（相当于Hive）、BlinkDB、Spark Streaming（消息实时处理框架,类似Storm）等等

    ○ BDAS生态体系图：

    关于Spark的基本概念和特性简介

3、Spark与MapReduce

    优势：

    ○ MapReduce通常将中间结果放到HDFS上，Spark是基于内存并行大数据框架，中间结果存放到内存，对于迭代数据Spark效率高。

    ○ MapReduce总是消耗大量时间排序，而有些场景不需要排序，Spark可以避免不必要的排序所带来的开销

    ○ Spark是一张有向无环图（从一个点出发最终无法回到该点的一个拓扑），并对其进行优化。

4、Spark支持的API

    Scala、Python、Java等

5、运行模式

    ○ Local （用于测试、开发）

    ○ Standlone （独立集群模式）

    ○ Spark on Yarn （Spark在Yarn上）

    ○ Spark on Mesos （Spark在Mesos）

6、运行时的Spark

    Driver程序启动多个Worker，Worker从文件系统加载数据并产生RDD（即数据放到RDD中，RDD是一个数据结构），并按照不同分区Cache到内存中。如图：

    关于Spark的基本概念和特性简介

7、RDD

    ○ 英文名：Resilient Distributed Dataset

    ○ 中文名：弹性分布式数据集

    ○ 什么是RDD？RDD是一个只读、分区记录的集合，你可以把他理解为一个存储数据的数据结构！在Spark中一切基于RDD

    ○ RDD可以从以下几种方式创建：

        1、集合转换

        2、从文件系统（本地文件、HDFS、HBase）输入

        3、从父RDD转换（为什么需要父RDD呢？容错，下面会提及）

    ○ RDD的计算类型：

        1、Transformation：延迟执行，一个RDD通过该操作产生的新的RDD时不会立即执行，只有等到Action操作才会真正执行。

        2、Action：提交Spark作业，当Action时，Transformation类型的操作才会真正执行计算操作，然后产生最终结果输出。

        3、Hadoop提供处理的数据接口有Map和Reduce，而Spark提供的不仅仅有map和reduce,还有更多对数据处理的接口，如图下所示：关于Spark的基本概念和特性简介

8、容错Lineage

    8.1、容错基本概念

        ○ 每个RDD都会记录自己所依赖的父RDD，一旦出现某个RDD的某些partition丢失，可以通过并行计算迅速恢复

    8.2、Narrow Dependent（窄依赖）和Wide Dependent（宽依赖）

        ○ RDD的依赖又分为Narrow Dependent（窄依赖）和Wide Dependent（宽依赖）

        ○ 窄依赖：每个partition最多只能给一个RDD使用，由于没有多重依赖，所以在一个节点上可以一次性将partition处理完，且一旦数据发生丢失或者损坏可以迅速从上一个RDD恢复

        ○ 宽依赖：每个partition可以给多个RDD使用，由于多重依赖，只有等到所有到达节点的数据处理完毕才能进行下一步处理，一旦发生数据丢失或者损坏，则完蛋了，所以在这发生之前必须将上一次所有节点的数据进行物化（存储到磁盘上）处理，这样达到恢复。

        ○ 宽、窄依赖示例图：

        关于Spark的基本概念和特性简介

9、缓存策略

    Spark通过useDisk、useMemory、deserialized、replication4个参数组成11种缓存策略。

    useDisk：使用磁盘缓存（boolean ）

    useMemory：使用内存缓存（boolean）

    deserialized：反序列化（序列化是为了网络将对象进行传输，boolean：true反序列化\false序列化）

    replication：副本数量（int）

    通过StorageLevel类的构造传参的方式进行控制,结构如下：

    class StorageLevel private(useDisk : Boolean ,useMemory : Boolean ,deserialized : Boolean ,replication：Ini)

10、提交的方式

    ○ spark-submit（官方推荐）

    ○ sbt run

    ○ java -jar

    提交时可以指定各种参数 

 ./bin/spark-submit      --class <main-class>     --master <master-url>   --deploy-mode <deploy-mode>   --conf <key>=<value>   ... # other options  <application-jar>   [application-arguments]

例如：

关于Spark的基本概念和特性简介

关于更详细的submit-spark参考官方文档：http://spark.apache.org/docs/latest/submitting-applications.html