spark core 介绍

Spark Core

1、Spark架构设计

1.1 架构设计图

1.2 相关术语名词解释

• RDD (Resilient Distributed DataSet)

  • 弹性分布式数据集，是对数据集在spark存储和计算过程中的一种抽象。

  • 是一组只读、可分区的的分布式数据集合。

  • 一个RDD 包含多个分区Partition(类似于MapReduce中的InputSplit)，分区是依照一定的规则的，将具有相同规则的属性的数据记录放在一起。

  • 横向上可切分并行计算，以分区Partition为切分后的最小存储和计算单元。

  • 纵向上可进行内外存切换使用，即当数据在内存不足时，可以用外存磁盘来补充。

• Partition（分区）

  • Partition类似hadoop的Split，计算是以partition为单位进行的，提供了一种划分数据的方式。
  • partition的划分依据有很多，可以自己定义的，像HDFS文件，划分的方式就和MapReduce一样，以文件的block来划分不同的partition。
  • 一个Partition交给一个Task去计算处理

• 算子

  • 英文简称：Operator
  • 广义上讲，对任何函数进行某一项操作都可以认为是一个算子
  • 通俗上讲，算子即为映射、关系、变换。
  • MapReduce算子，主要分为两个，即为Map和Reduce两个主要操作的算子，导致灵活可用性比较差。
  • Spark算子，分为两大类，即为Transformation和Action类，合计有80多个。

• Transformation类算子

  • 操作是延迟计算的，也就是说从一个RDD 转换生成另一个 RDD 的转换操作不是马上执行，需要等到有 Action
    操作的时候才会真正触发运算。
  • 细分类
    • Value数据类型的Transformation算子
    • Key-Value数据类型的Transfromation算子

• Action类算子

  • 会触发 Spark 提交作业（Job），并将数据输出 Spark系统。

• 窄依赖

  • 如果一个父RDD的每个分区只被子RDD的一个分区使用 ----> 一对一关系

• 宽依赖

  • 如果一个父RDD的每个分区要被子RDD 的多个分区使用 ----> 一对多关系

• Application

  • Spark Application的概念和MapReduce中的job或者yarn中的application类似，指的是用户编写的Spark应用程序，包含了一个Driver功能的代码和分布在集群中多个节点上运行的Executor代码
  • 一般是指整个Spark项目从开发、测试、布署、运行的全部。

• Driver

  • 运行main函数并且创建SparkContext的程序。
  • 称为驱动程序，Driver Program类似于hadoop的wordcount程序的main函数。

• Cluster Manager

  • 集群的资源管理器，在集群上获取资源的服务。如Yarn、Mesos、Spark Standalone等。
  • 以Yarn为例，驱动程序会向Yarn申请计算我这个任务需要多少的内存，多少CPU等，后由Cluster Manager会通过调度告诉驱动程序可以使用，然后驱动程序将任务分配到既定的Worker Node上面执行。

• WorkerNode

  • 集群中任何一个可以运行spark应用代码的节点。
  • Worker Node就是物理机器节点，可以在上面启动Executor进程。

• Executor

  • Application运行在Worker节点上的一个进程，该进程负责运行Task，并且负责将数据存在内存或者磁盘上，每个Application都有各自独立专享的一批Executor。
  • Executor即为spark概念的资源容器，类比于yarn的container容器，真正承载Task的运行与管理，以多线程的方式运行Task，更加高效快速。

• Task

  • 与Hadoop中的Map Task或者Reduce Task是类同的。
  • 分配到executor上的基本工作单元，执行实际的计算任务。
  • Task分为两类，即为ShuffleMapTask和ResultTask。
    • ShuffleMapTask：即为Map任务和发生Shuffle的任务的操作，由Transformation操作组成，其输出结果是为下个阶段任务(ResultTask)进行做准备，不是最终要输出的结果。
    • ResultTask：即为Action操作触发的Job作业的最后一个阶段任务，其输出结果即为Application最终的输出或存储结果。

• Job（作业）

  • Spark RDD里的每个action的计算会生成一个job。
  • 用户提交的Job会提交给DAGScheduler（Job调度器），Job会被分解成Stage去执行，每个Stage由一组相同计算规则的Task组成，该组Task也称为TaskSet，实际交由TaskScheduler去调度Task的机器执行节点，最终完成作业的执行。

• Stage（阶段）

  • Stage是Job的组成部分，每个Job可以包含1个或者多个Stage。

  • Job切分成Stage是以Shuffle作为分隔依据，Shuffle前是一个Stage，Shuffle后是一个Stage。即为按RDD宽窄依赖来划分Stage。

  • 每个Job会被拆分很多组Task，每组任务被称为Stage，也可称TaskSet，一个作业可以被分为一个或多个阶段

2、spark运行模式与用户交互方式

2.1运行模式
即作业以什么样的模式去执行，主要是单机、分布式两种方式的细节选择。

2.2用户交互方式
1、spark-shell:spark命令行方式来操作spark作业。
多用于简单的学习、测试、简易作业操作。
2、spark-submit:通过程序脚本，提交相关的代码、依赖等来操作spark作业。
最多见的提交任务的交互方式，简单易用、参数齐全。
3、spark-sql:通过sql的方式操作spark作业。
sql相关的学习、测试、生产环境研发均可以使用该直接操作交互方式。
4、spark-class:最低层的调用方式，其它调用方式多是最终转化到该方式中去提交。
直接使用较少
5、sparkR,sparkPython:通过其它非java、scala语言直接操作spark作业的方式。
R、python语言使用者的交互方式。
2.2.1重要交互方式使用介绍
重点说明spark-shell,spark-submit两大方式，spark-sql后有专门章节介绍，其它小众方式不做介绍。
1、spark-shell

• 交互方式定位

  • 一个强大的交互式数据操作与分析的工具，提供一个简单的方式快速学习spark相关的API。

• 启动方式

  • 前置环境：已将spark-shell等交互式脚本已加入系统PATH变量，可在任意位置使用。
  • 以本地2个线程来模拟运行spark相关操作，该数量一般与本机的cpu核数相一致为最佳spark-shell --master local[2]

• 相关参数

  • 1.参数列表获取方式：spark-shell --help
  • 2.其参数非常多，但由于该方式主要是简单学习使用，故其参数使用极少，故不做详解。

• 使用示例介绍

  • 交互式入口
    

  • 构建一个scala列表，并输出
    

  • 通过scala列表，构造一个rdd，并进行基本操作
    

  • 通过本地文本文件构建rdd，并进行基本操作
    

  • 通过hdfs文本文件构建rdd，并进行基本操作
    

  • 对rdd进行字符串过滤操作
    

  • 对rdd进行求最大值操作

    
    

  • 对输入进行wodcount计算-无排序

  • 对输入进行wodcount计算-按词频降序排列输出
    

2、spark-submit

• 交互方式定位
  • 最常用的通过程序脚本，提交相关的代码、依赖等来操作spark作业的方式。
• 启动方式

  • spark-submit提交任务的模板

     spark-submit \
       --class <main-class> \
       --master <master-url> \
       --jars jar_list_by_comma \
       --conf <key>=<value> \
       ... # other options
       <application-jar> \
       [application-arguments]
    

  • spark-submit 详细参数说明
    

  • 关于–master取值的特别说明