spark大数据计算引擎原理深剖（优缺点）-spark简介

用spark，你仅仅只是调用spark的API肯定是很low的。

今天来讲讲spark的原理，并且会针对部分源码进行讲解，如有不同意见请联系本人交流探讨。

目前大数据生态主要部分是Hadoop软件框架和Spark内存级计算引擎。Hadoop包含四个项目：Hadoop common，HDFS，YARN和MapReduce。点击这里有Hadoop详情安装教程。 Spark并不是要成为一个大数据领域的“独裁者” ， 一个人霸占大数据领域所有的 “地盘” ， 而是与Hadoop进行了高度的集成， 两者可以完美的配合使用。 Hadoop的HDFS、Hive、HBase负责存储， YARN负责资源调度； Spark负责大数据计算。 实际上， Hadoop+Spark的组合， 是 一种“ double win” 的组合。

Hadoop这里我就暂时不进行讲解，后面会在分类比较中进行详细的分析。

那么就说说spark，spark是一种通用的大数据计算引擎，如传统的MapReduce，hive引擎，Storm流式实时计算引擎一样（yukang个人理解）。期望使用一个技术堆栈就完美解决大数据领域的各种计算任务。

spark对比MapReduce，hive引擎，Storm流式计算引擎优点和缺点：

1.当然如果数据超过1T了基本就不能用spark了，还是会选择MapReduce，MapReduce利用磁盘的高I/O操作实现并行计算确实在处理海量数据是无法取代的，但它在迭代计算中性能不足。（为什么数据过大我不适用spark，spark基于内存好也是内存，不好也是内存，我解释一下，如果数据过大，OOM内存溢出等等，spark的程序就无法运行了，直接就会报错挂掉了，这个很坑爹是吧，虽然MapReduce运行数据相对spark很慢，但是至少他可以慢慢的跑不是吗？再慢至少能跑完。反正我是很讨厌BUG的。【这里提到的MapReduce为什么慢后面我也会在后期的Hadoop笔记中详细解析】）

2.storm实时的流式计算的处理上也是无法取代的（Storm支持在分布式流式计算程序（ Topology） 在运行过程中， 可以动态地调整并行度， 从而动态提高并发处理能力。而Spark Streaming是无法动态调整并行度的。当然Spark Streaming也有其优点是storm不具备的，首先Spark Streaming由于是基于batch进行处理的， 因此相较于Storm基于单条数据 进行处理， 具有数倍甚至数十倍的吞吐量。此外Spark Streaming由于也身处于Spark生态圈内， 因此Spark Streaming可以与Spark Core、 Spark SQL， 甚至是 Spark MLlib、 Spark GraphX进行无缝整合。【业务场景的话：通常在对实时性要求特别高， 而且实时数据量不稳定， 比如在白天有高峰期的情况下， 可以选择 使用Storm。 但是如果是对实时性要求一般， 允许1秒的准实时处理使用Spark Streaming。我在数据清洗的时候用的Storm，个人原因，其他业务场景我暂时想不起来。】）。

3.海量数据的查询，hive肯定也是不可取代的，（很多人认为Spark SQL完全能够替代Hive的查询引擎，我认为肯定是不行的，因为Hive是一种基于HDFS的数据仓库， 并且提供了基于SQL模型的， 针对 存储了大数据的数据仓库， 进行分布式交互查询的查询引擎,有少量的Hive支持的高级特性,Spark SQL暂时还不支持。当然Spark SQL相较于Hive查询引擎来说， 就是速度快，原因还是因为hive底层基于MapReduce，为什么MapReduce慢yukang再次不做解释，后期Hadoop有关笔记会进行详细解析，Spark SQL相对于hive还有另一个优势：就是支持大量不同的数据源， 包括hive、 json、 parquet、 jdbc等等。）

spark优势：

1.spark是基于内存的计算，硬盘由于物理级限制速度提升非常困难，远远跟不上CPU和内存的发展速度。近几十年来，内存的发展一直遵循摩尔定律，价格在下降，内存在增加。现在主流的服务器，几百GB或几TB的内存都很常见，内存的发展使得内存数据库得以实现，Spark正是利用这种计算资源设计的基于内存的分布式处理软件，其目标是取代MapReduce。


2.Spark可以直接对HDFS进行数据读写，支持YARN等部署模式。(可见其兼容性的强大)


3.spark计算处理数据速度快,因为它是基于内存啊，（Spark将迭代过程的中间数据缓存到内存中，根据需要多次重复使用。[在机器学习这种需要反复迭代的任务中非常有效]）


4.Spark利用RDD结构提升了容错性能。(RDD是一个包含诸多元素、被划分到不同节点上进行并行处理的数据集合，可以将RDD持久化到内存中，这样就可以有效地在并行操作中复用,在节点发生错误时RDD也可以根据其Lineage自动重新计算恢复，如果Lineage很长，可以缓存RDD来提高效率。)


5.同时在磁盘和内存中保存数据。


6.运算方面通过映射，化简，链接，Cogroup等等方式。


7.Spark包含了大数据领域常见的各种计算框架， 比如: 


               Spark Core用于离线计算  


               Spark SQL用于交互式查询 
               Spark Streaming用于实时流式计算 


               Spark MLlib用于机器学习 


               Spark GraphX用于图计算 

8.强大的社区和多语言的支持等等。

Spark工作架构：

Spark可以分为1个driver(笔记本电脑或者集群网关机器上，用户编写的Spark程序)和若干个executor(在RDD分布的各个节点上)。 
通过SparkContext(简称sc)连接Spark集群、创建RDD、累加器（accumlator）、广播变量（broadcast variables），简单可以认为SparkContext是Spark程序的根本。 
Driver会把计算任务分成一系列小的task，然后送到executor执行。executor之间可以通信，在每个executor完成自己的task以后，所有的信息会被传回。 

本图片来源网络

1. Client客户端：我们在本地编写了spark程序，打成jar包，或python脚本,通过spark submit命令提交到Spark集群； 
2. 只有Spark程序在Spark集群上运行才能拿到Spark资源，来读取数据源的数据进入到内存里； 
3. 客户端就在Spark分布式内存中并行迭代地处理数据，注意每个处理过程都是在内存中并行迭代完成；注意：每一批节点上的每一批数据，实际上就是一个RDD！！！一个RDD是分布式的，所以数据都散落在一批节点上了，每个节点都存储了RDD的部分partition。 
4. Spark与MapReduce最大的不同在于，迭代式计算模型：MapReduce，分为两个阶段，map和reduce，两个阶段完了，就结束了，所以我们在一个job里能做的处理很有限； Spark，计算模型，可以分为n个阶段，因为它是内存迭代式的。我们在处理完一个阶段以后，可以继续往下处理很多个阶段，而不只是两个阶段。所以，Spark相较于MapReduce来说，计算模型可以提供更强大的功能。

spark的生态系统：

 Mesos和yarn 作用一样，资源调度平台，用yarn的比较多
Tachyon:（1）内存当中hdfs(内存中的分布式存储系统，加快spark在内存中读取和处理速度)
             （2）在不同应用程序之间实现数据共享
spark core：spark的核心，用于离线计算