一、Spark概论
Spark2.2.0版本下载地址,点击跳转!
Spark安装、文件配置及启动测试,点击跳转!
1、Spark简介
- 诞生于加州大学伯克利分校AMP实验室,是一个基于内存的分布式计算框架
- 发展历程
- 2009年诞生于加州大学伯克利分校AMP实验室
- 2010年正式开源
- 2013年6月正式成为Apache孵化项目
- 2014年2月成为Apache顶级项目
- 2014年5月正式发布Spark 1.0版本
- 2014年10月Spark打破MapReduce保持的排序记录
- 2015年发布了1.3、1.4、1.5版本
- 2016年发布了1.6、2.x版本
2、为什么使用Spark
- MapReduce编程模型的局限性
- 繁杂
- 只有Map和Reduce两个操作,复杂的逻辑需要大量的样板代码
- 处理效率低:
- Map中间结果写磁盘,Reduce写HDFS,多个Map通过HDFS交换数据
- 任务调度与启动开销大
- 不适合迭代处理、交互式处理和流式处理
- 繁杂
- Spark是类Hadoop MapReduce的通用并行框架
- Job中间输出结果可以保存在内存,不再需要读写HDFS
- 比MapReduce平均快10倍以上
- Spark自身优势
- 速度快
- 基于内存数据处理,比MR快100个数量级以上(逻辑回归算法测试)
- 基于硬盘数据处理,比MR快10个数量级以上
- 易用性
- 支持Java、Scala、Python、R语言
- 交互式shell方便开发测试
- 通用性
- 一栈式解决方案:批处理、交互式查询、实时流处理、图计算及机器学习
- 随处运行
- YARN、Mesos、EC2、Kubernetes、Standalone、Local
- 速度快
3、Spark技术栈
- Spark Core
- 核心组件,分布式计算引擎,算子
- Spark SQL
- 高性能的基于Hadoop的SQL解决方案
- Spark Streaming
- 可以实现高吞吐量、具备容错机制的准实时流处理系统
- Spark GraphX
- 分布式图处理框架
- Spark MLlib
- 构建在Spark上的分布式机器学习库
二、Spark架构
1、Spark架构设计
- 运行架构
- 在驱动程序中,通过SparkContext主导应用的执行
- SparkContext可以连接不同类型的Cluster Manager(Standalone、YARN、Mesos),连接后,获得集群节点上的Executor
- 一个Worker节点默认一个Executor,可通过SPARK_WORKER_INSTANCES调整
- 每个应用获取自己的Executor
- 每个Task处理一个RDD分区
2、Spark架构核心组件
术语 | 说 明 |
---|---|
Application | 建立在Spark上的用户程序,包括Driver代码和运行在集群各节点Executor中的代码 |
Driver program | 驱动程序。Application中的main函数并创建SparkContext |
Cluster Manager | 在集群(Standalone、Mesos、YARN)上获取资源的外部服务 |
Worker Node | 集群中任何可以运行Application代码的节点 |
Executor | 某个Application运行在worker节点上的一个进程 |
Task | 被送到某个Executor上的工作单元 |
Job | 包含多个Task组成的并行计算,往往由Spark Action触发生成,一个Application中往往会产生多个Job |
Stage | 每个Job会被拆分成多组Task,作为一个TaskSet,其名称为Stage |
3、Spark API
- SparkContext
- 连接Driver与Spark Cluster(Workers)
- Spark的主入口
- 每个JVM仅能有一个活跃的SparkContext
- SparkContext.getOrCreate
import org.apache.spark.{SparkConf, SparkContext}
val conf=new SparkConf().setMaster("local[2]").setAppName("HelloSpark")
val sc=SparkContext.getOrCreate(conf)