Spark基础入门-第一章：Spark 框架概述

一、Spark 是什么？

定义： Apache Spark是用于大规模数据 (large-scala data)处理的统一(unified) 分析引擎。

Spark 最早源于一篇论文 Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing， 该论文是由加州大学柏克莱分校的 Matei Zaharia 等人发表的。论文中提出了一种弹性分布式数据集(即 RDD)的概念。

翻译过来就是： RDD 是一种分布式内存抽象，其使得程序员能够在大规模集群中做内存运算，并且有一定的容错方式。而这也 是整个 Spark 的核心数据结构， Spark 整个平台都围绕着RDD进行。

简而言之， Spark 借鉴了 MapReduce 思想发展而来，保留了其分布式并行计算的优点并改进了其明显的缺陷。让中间数据存储在内存中提 高了运行速度、并提供丰富的操作数据的API提高了开发速度。

统一分析引擎？

Spark是一款分布式内存计算的统一分析引擎。

其特点就是对任意类型的数据进行自定义计算。

Spark可以计算：结构化、半结构化、非结构化等各种类型的数据结构，同时也支持使用Python、Java、 Scala、 R以及SQL语言去开发应用 程序计算数据。

Spark的适用面非常广泛，所以，被称之为 统一的(适用面广)的分析引擎(数据处理)

二、Spark风雨十年

Spark 是加州大学伯克利分校AMP实验室(Algorithms Machines and People Lab)开发的通用大数据处理框架。 Spark的发展历史，经历过几大重要阶段， 如下图所示：

Stack Overflow的数据可以看出， 2015年开始Spark每月的问题提交数量已经超越Hadoop，而2018年Spark Python版本的API PySpark每月的问题提交数量也已超过Hadoop。 2019年排名Spark第一， PySpark第二；而十年的累计排名是Spark第一， PySpark第 三。按照这个趋势发展下去， Spark和PySpark在未来很长一段时间内应该还会处于垄断地位。

url:https://spark.apache.org/releases/spark-release-3-2-0.html

十年走来， Spark目前已经迭代到了3.2.0版本(2021.10.13发布)，本次课程基于最新的Spark 3.2.0版本进行授课。

三、 扩展阅读： Spark VS Hadoop(MapReduce)

Spark和前面学习的Hadoop技术栈有何区别呢？

尽管Spark相对于Hadoop而言具有较大优势，但Spark并不能完全替代Hadoop：

• 在计算层面， Spark相比较MR (MapReduce)有巨大的性能优势，但至今仍有许多计算工具基于MR构架，比如非常成熟的Hive。
• Spark仅做计算，而Hadoop生态圈不仅有计算(MR)也有存储(HDFS)和资源管理调度(YARN)， HDFS和YARN仍是许多大数据体系的核心架构。

面试题： Hadoop的基于进程的计算和Spark基于线程方式优缺点？

答案： Hadoop中的MR中每个map/reduce task都是一个java进程方式运行，好处在于进程之间是互相独立的，每个task独享进程资源，没 有互相干扰，监控方便，但是问题在于task之间不方便共享数据，执行效率比较低。比如多个maptask读取不同数据源文件需要将数据源加 载到每个map task中，造成重复加载和浪费内存。而基于线程的方式计算是为了数据共享和提高执行效率， Spark采用了线程的最小的执行 单位，但缺点是线程之间会有资源竞争。

【扩展阅读】：线程基本概念

• 线程是CPU的基本调度单位
• 一个进程一般包含多个线程, 一个进程下的多个线程共享进程的资源
• 不同进程之间的线程相互不可见
• 线程不能独立执行
• 一个线程可以创建和撤销另外一个线程

四、Spark四大特点

速度快

由于Apache Spark支持内存计算，并且通过DAG (有向无环图)执行引擎支持无环数据流，所以官方宣称其在内存中的运算速度要比 Hadoop的MapReduce快100倍， 在硬盘中要快10倍。

Spark处理数据与MapReduce处理数据相比， 有如下两个不同点：

其一、 Spark处理数据时，可以将中间处理结果数据存储到内存中；

其二、 Spark 提供了非常丰富的算子(API), 可以做到复杂任务在一个Spark 程序中完成。

易于使用

Spark 的版本已经更新到 Spark 3.2.0 (截止日期2021.10.13) ，支持了包括 Java、 Scala、 Python 、 R和SQL语言在内的多种语言。为了 兼容Spark2.x企业级应用场景， Spark仍然持续更新Spark2版本。

通用性强

在 Spark 的基础上， Spark 还提供了包括Spark SQL、 Spark Streaming、 MLib 及GraphX在内的多个工具库， 我们可以在一个应用中无缝 地使用这些工具库。

运行方式

Spark 支持多种运行方式，包括在 Hadoop 和 Mesos 上，也支持 Standalone的独立运行模式，同时也可以运行在云Kubernetes (Spark 2.3开始支持)上。

对于数据源而言， Spark 支持从HDFS、 HBase、 Cassandra 及 Kafka 等多种途径获取数据。

五、Spark 框架模块了解

整个Spark 框架模块包含：Spark Core 、 Spark SQL 、 Spark Streaming 、 Spark GraphX 、 Spark MLlib，而后四项的能力都是建立在核心引擎之上。

Spark Core ：Spark的核心， Spark核心功能均由Spark Core模块提供，是Spark运行的基础。Spark Core以RDD为数据抽象，提供Python 、Java、 Scala 、R语言的API，可以编程进行海量离线数据批处理计算。

SparkSQL：基于SparkCore之上，提供结构化数据的处理模块。 SparkSQL支持以SQL语言对数据进行处理， SparkSQL本身针对离线计算场景。同 时基于SparkSQL ，Spark提供了StructuredStreaming模块，可以以SparkSQL为基础， 进行数据的流式计算。

SparkStreaming：以SparkCore为基础，提供数据的流式计算功能。

MLlib：以SparkCore为基础，进行机器学习计算， 内置了大量的机器学习库和API算法等。方便用户以分布式计算的模式进行机器学习计算。

GraphX：以SparkCore为基础，进行图计算，提供了大量的图计算API，方便用于以分布式计算模式进行图计算。

六、Spark的运行模式了解

Spark提供多种运行模式，包括：

• 本地模式(单机)

本地模式就是以一个独立的进程，通过其内部的多个线程来模拟整个Spark运行时环境

• Standalone模式(集群)

Spark中的各个角色以独立进程的形式存在，并组成Spark集群环境

• Hadoop YARN模式(集群)

Spark中的各个角色运行在YARN的容器内部，并组成Spark集群环境

• - Kubernetes模式(容器集群)

Spark中的各个角色运行在Kubernetes的容器内部，并组成Spark集群环境

• - 云服务模式(运行在云平台上)

……

七、Spark的架构角色理解

YARN主要有4类角色，从2个层面去看：

资源管理层面

• 集群资源管理者(Master)： ResourceManager
• 单机资源管理者(Worker)： NodeManager

任务计算层面

• 单任务管理者(Master)： ApplicationMaster
• 单任务执行者(Worker)： Task (容器内计算框 架的工作角色)

Spark运行角色

注：正常情况下Executor是干活的角色，不过在特殊场景下(Local模式) Driver可以即管理又干活。