大数据1 ---Spark 基础解析

Hadoop 历史

 

2003和2004年的Google两篇论文

 

发展历史：

2011年	1.0版本
2012年	稳定版本
2013年	2.x版本， YARN

 

MR的缺点：基于数据集的计算，面向数据，基本运算规则是从存储介质中获取（采集）数据，然后进行计算，将最后的结果存储回介质中，主要用于一次性计算。不适合数据挖掘和机器学习这样的一种迭代计算。MR是基于文件存储介质的计算，所以性能非常的慢；MR和hadoop紧密耦合在一起，不能够进行替换，违背了OCP开发原则

 

Yarn： 是一个资源调度的框架，主要是资源调度使用的。

Container： 容器，相当于一个虚拟机，virtualmachine， 因此一个节点可能有多个container

 

Spark 历史

2013年6月发布，spark出来之后，yarn才出来。

spark基于hadoop1.0 , 采用自己的方式改善hadoop 1.x中的问题。

 

性能方面：计算基于内存，迭代式计算每个任务之间是基于内存的，基于scala语言开发，非常适合迭代式计算；

• Spark Core：实现了Spark的基本功能，包含任务调度、内存管理、错误恢复、与存储系统交互等模块。Spark Core中还包含了对弹性分布式数据集(Resilient Distributed DataSet，简称RDD)的API定义。
• Spark SQL：是Spark用来操作结构化数据的程序包。通过Spark SQL，我们可以使用 SQL或者Apache Hive版本的SQL方言(HQL)来查询数据。Spark SQL支持多种数据源，比如Hive表、Parquet以及JSON等。
• Spark Streaming：是Spark提供的对实时数据进行流式计算的组件。提供了用来操作数据流的API，并且与Spark Core中的 RDD API高度对应。
• Spark MLlib：提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。
• 集群管理器：Spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求，同时获得最大灵活性，Spark支持在各种集群管理器(Cluster Manager)上运行，包括Hadoop YARN、Apache Mesos，以及Spark自带的一个简易调度 器，叫作独立调度器。
•  Spark得到了众多大数据公司的支持，这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于大搜索、直达号、百度大数据等业务；阿里利用GraphX构建了大规模的图计算和图挖掘系统，实现了很多生产系统的推荐算法；腾讯Spark集群达到8000台的规模，是当前已知的世界上最大的Spark集群。

Spark的特点：

 

Spark的重要角色

3.1. Driver

Spark的驱动器是执行开发程序中的main方法的进程。它负责开发人员编写的用来创建SparkContext、创建RDD，以及进行RDD的转化操作和行动操作代码的执行。如果你是用spark shell，那么当你启动Spark shell的时候，系统后台自启了一个Spark驱动器程序，就是在Spark shell中预加载的一个叫作 sc的SparkContext对象。如果驱动器程序终止，那么Spark应用也就结束了。主要负责：

1）把用户程序转为作业（JOB）

2）跟踪Executor的运行状况

3）为执行器节点调度任务

4）UI展示应用运行状况

 

3.2.  Executor（执行器）

Spark Executor是一个工作进程，负责在 Spark 作业中运行任务，任务间相互独立。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。主要负责：

1）负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程；

2）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。

 Spark的应用场合

Loca]模式就是运行在一台计算机上的模式，通常就是用于在本机上练手和测试。它可以过过以下几种方式设置

Master；

 

local：所有算都运行在一个线程当中，没有任何并行计算，过常我们在本机执行一些测试代码，，就用这种模式；

local[K]指定使用k个线程来运行计算，比如local[4]就是运行4个Worker线程。

常我们的cpu，有几个core，就指定几个线程，最大化利用cpu的评算能力，

Local[*]: 这种模式直接帮你按照cpu最core来设置线程数了。