Spark学习笔记（1）——Spark架构和主要特征

Spark是一个分布式内存计算框架。关键词：分布式，内存。因此学习它要学习它的分布式架构以及它实现高速并行计算的机理。

架构

主从结构

所谓分布式就是网络中多个主机上可以同时协同工作。所有的分布式框架，无论用于存储还是计算，分布式结构是前提。大部分分布式框架都是主从式结构。（HDFS是namenode-datanode，YARN是ResourceManager-NodeManager. ）

作为“主”，需要解决以下问题：

1）资源由谁分配，资源如何分配
2）任务由谁分配，任务如何分配
3）资源由谁监控，资源如何监控
4）任务由谁监控，任务如何监控
（本文将只回答四个问题的前半部分，后半部分需要更深入的知识。）

Spark中的“主”称为ClusterManager，“从”称为Worker，有所不同的是Spark是计算框架，分配和调度并非它的本职，因此Spark可以与其他资源管理框架一同使用，比如Spark on YARN, Spark on Mesos.这时，ClusterManager就是YARN和Mesos。

因此，粗粒度上，以上四个任务也就交由对应的ClusterManager管理。

任务分配

Spark的任务是计算，一个计算任务从发起到结束需要经历大概以下流程：

发起->启动->运行（->运行失败）->结束->返回结果。

任务的发起者和最终获取结果的对象是Client，是甲方。

Client发起任务请求，交给ClusterManager，ClusterManager是乙方的老大，他指派一个项目经理Driver（类似于YARN中的ApplicationMaster），Driver权利是很大的，Driver从ClusterManager领到任务和可以调用的资源，开始筹备工作。任务就是Client提交过来的代码，资源就是集群中的Worker，Worker可以理解为ClusterManager手下的工程队，平时和老板联络，问有没有活干，老板说来活了，你去跟着项目经理干，所以Worker始终保持和ClusterManager通信，在执行任务时听从Driver调遣，对于一个任务，工程队可以派一个人去干，也可能派多几个人一起干，每个人就是一个Executer，是具体计算任务的最终执行者。

Executor对Worker负责，Worker对Driver负责，Driver对ClusterManager负责，ClusterManager对Client负责。因为Driver是实际负责人，所以Client也会直接和Driver对接联络。

这时就出现一个需求，客户Client觉得每次都要大老远地去和项目经理Driver对接不方便嘛，要不你来我这常驻办公。于是Spark任务执行就有了两种方式：一种是yarn-cluster（远程办公），一种是yarn-client（驻客户办公），仅限Spark On Yarn。Mesos不了解。yarn-client的好处是可以实时了解任务运行状况，但要占用client资源。

Spark为什么快

使用内存计算

所谓内存是相对于其堂兄MapReduce来说的，MapReduce将每一个中间计算结果都存储在磁盘中，然后在需要用到时再去读取，好处是可以记录中间结果，计算失败可以从中间恢复，坏处是有大量的IO操作，计算速度慢。

Spark计算是主要运行到内存中的（注意主要两字，实际Spark也可能将中间数据结果存到磁盘，这个需要使用者按需设置）。

使用内存计算的好处就是快，坏处就是一旦失败没有记录，需要重来，因此Spark的开发者也逐渐改善这个问题，例如支持cache()，persist()和checkpoint，cache()和persisit()是把某个内存对象缓存起来，checkpoint是把内存的状态记录到磁盘。在程序的适当位置执行cache、persist和checkpoint有利于程序性能。

RDD

Spark快速的另一个原因是它独特的数据结构RDD和以此为基础的DAG任务调度。

RDD（Resilient Distributed Dataset）:
每个RDD有五个主要属性：

一组分片，partition，即数据集的基本组成单位；
一个计算每个分片的函数；
对parent RDD的依赖，这个以来描述了RDD之间的lineage；
【可选】对于k-v的RDD，一个Partitioner
【可选】一个列表，存储存取每个partition的preferred的位置，对于HDFS文件就是存储每个partition所在块的位置。

所谓Resilient，弹性，就是它不一定真实存在，它就像你在计算一道题，先把计算步骤写下来，但没有具体算术，当有人要求具体的结果的时候，才会按照计算步骤算下来。在Spark里就是一个计算直到需要结果（即一个action）时，才会计算所有前序需要的操作，才会真正产生内存数据。而要进行什么计算就存在上面说的RDD的函数属性中。

这个函数，我们可以称为算子，或者操作，或者变换。它们分为三种：transformation，action和controller。上树的cache和persist是controller算子，用于数据持久化。除此之外的两个都是关于计算的，action就是明确要结果的计算步骤，transformation就是可以暂时写在纸上不需要马上计算的计算步骤。

这种弹性带来一系列的好处，比如：
计算的时间集中：直到action的时候才集中计算之前的transformation，中间变量在内存的停留时间短，从总体上来说，节约了系统资源。
计算优化：例如一个计算是将一个RDD +1 ，-1 ，再+1， 在-1 ，其他的计算框架会计算四步，但在Spark通过分析优化，一步也不用算了，直接输出。

另外需要说的一点是RDD是不可变量，即便是+1这样的简单操作也是要新建一个RDD，不会在原RDD上修改值，这是因为可变量会增加框架实现的复杂性。Spark通过不可变量的设定简化框架，也方便DAG，Lineage机制的实现。

DAG

我们知道有向无环图DAG是一种拓扑结构，对于实际工作生活中相互依赖，具有先后顺序的任务可以建立有向无环图来模拟。有没有可能无向？有环？那日子还怎么过。

计算任务也可以抽象成有向无环图，从上述RDD的数据结构可以知道，一个RDD对象可以理解记录的是图中的一个节点，它记录着它依赖的前置节点有哪些（parent）以及要执行的计算方法。根据计算流程中创建的所有RDD之间的依赖关系，可以创建出一张完整的DAG。于是就可以使用图论方法，将它合理分割，分成可以独立计算的几个子计算任务（Spark里称为stage），这样就可以实现分布式计算了。至于具体怎么分割，放在之后详细学习RDD时再说。

负责DAG切分的是一个叫DAGScheduler的组件，显然它应该放在Driver上。和DAGScheduler一样在Driver上负责任务调度的还有TaskScheduler，是负责将stage再次细分的，暂不细表。

Lineage

Lineage意思是血统，即RDD构建起的继承关系。通过血缘可以实现高效得容错。即当计算运行到某一个RDD失败了，可以根据Lineage回溯找到前辈RDD，重新这部分计算。这种容错机制在分布式计算中至关重要，保证了整体的速度。