Spark学习笔记（一）：Spark概述与运行原理

最近的项目数据太大，小周终于也投入了大数据的怀抱，开始了Spark编程学习之路，被迫营业

系列博客是学习厦门大学林子雨老师spark编程基础课程的笔记，方便回顾

windows环境可以参考这里Pyspark配置

• Spark概述 

• Spark最初由美国加州大学伯克利分校（UC Berkeley）的AMP实验室于2009年开发，是基于内存计算的大数据并行计算框架，可用于构建大型的、低延迟的数据分析应用程序
• 2013年Spark加入Apache孵化器项目后发展迅猛，如今已成为Apache软件基金会最重要的三大分布式计算系统开源项目之一（Hadoop、Spark、Storm）
• Spark在2014年打破了Hadoop保持的基准排序纪录

•  支持多语言

 

大数据主要的关键技术基础是分布式存储和分布式处理

Hadoop生态通过MapReduce实现数据的分布式处理，而Spark是用来代替MapReduce的一种更高效的组件，Spark只是代替了MapReduce的分布式处理，而分布式存储目前的主流框架仍是基于Hadoop生态中的HDFS组件。

• 使用Hadoop进行迭代计算（mapreduce）非常耗资源

mapreduce

• Spark将数据载入内存后，之后的迭代计算都可以直接使用内存中的中间结果作运算，避免了从磁盘中频繁读取数据

Spark

Spark会取代Hadoop吗？

Spark和Hadoop生态系统共存共荣

Hadoop包括两大核心：HDFS和MapReduce

Spark作为计算框架，与MapReduce是对等的

谈到“取代”，Spark应该是取代MapReduce，而不是整个Hadoop

Spark借助于Hadoop的HDFS、HBase等来完成数据的存储，然后，由Spark完成数据的计算

•  Spark运行基本流程

• RDD ： Resillient Distributed Dataset （弹性分布式数据集），分布式内存的一个抽象概念， 提供了一种高度受限的共享内存模型

• DAG ： Directed Acyclic Graph （有向无环图），反映 RDD 之间的依赖关系

• Executor ：运行在工作节点（ WorkerNode ）的一个进程，负责运行 Task

• 应用（ Application） ：用户编写的 Spark 应用程序

• 任务（ Task ）：运行在 Executor 上的工作单元

• 作业（ Job ） ：一个 作业 包含多个 RDD 及作用于相应 RDD 上的各种操作

• 阶段（ Stage ） ：是 作业 的基本调度单位，一个 作业 会分为多组 任务 ，每组 任务 被称为 阶段 ，或者也被称为 任务集合 ，代表了一组关联的、相互之间没有 Shuffle 依赖关系的任务组成的任务集

Spark中各种概念之间的相互关系

 

• 一个应用由一个Driver和若干个作业构成，一个作业由多个阶段构成，一个阶段由多个没有Shuffle关系的任务组成。
• 当执行一个应用时，Driver会向集群管理器申请资源，启动Executor，并向Executor发送应用程序代码和文件，然后在Executor上执行任务，运行结束后，执行结果会返回给Driver，或者写到HDFS或者其他数据库中 

Spark运行架构

• RDD运行原理

1.设计背景

• 许多迭代式算法（比如机器学习、图算法等）和交互式数据挖掘工具 ， 共同之处是，不同计算阶段之间会重用中间结果

• 目前的 MapReduce 框架都是把中间结果写入到 稳定存储（比如磁盘） 中，带来了大量的数据复制、磁盘 IO 和序列化开销

• RDD 就是为了满足这种需求而出现的，它提供了一个抽象的数据架构，我们不必担心底层数据的分布式特性，只需将具体的应用逻辑表达为一系列转换处理 ，不同 RDD 之间的转换操作形成依赖关系，可以实现管道化，避免中间数据存储

 

2.RDD概念 

• 一个RDD就是一个分布式对象集合，本质上是一个只读的分区记录集合，每个RDD可分成多个分区，每个分区就是一个数据集片段，并且一个RDD的不同分区可以被保存到集群中不同的节点上，从而可以在集群中的不同节点上进行并行计算

• RDD提供了一种高度受限的共享内存模型，即RDD是只读的记录分区的集合，不能直接修改，只能基于稳定的物理存储中的数据集创建RDD，或者通过在其他RDD上执行确定的转换操作（如map、join和group by）而创建得到新的RDD

 

 3.RDD执行过程

RDD 经过一系列的转换（ Transformation ）操作，每一次都会产生不同的RDD，供给下一个转换操作使用。但是不会进行真正的计算，直到最后一个 RDD经过动作（Action）操作触发真正的计算，即惰性调用机制。

4.根据RDD的依赖关系划分阶段 

窄依赖：（一对一或者多对一）

一个父RDD 的分区对应于一个子 RDD 的分区或多个父 RDD 的分区对应于一个子 RDD 的分区

宽依赖：（一对多）

存在一个父RDD 的一个分区对应一个子 RDD 的多个分区

逻辑上，每个RDD 操作都是一个fork/join（一种用于并行执行任务的框架），把计算fork 到每个RDD 分区，完成计算后对各个分区得到的结果进行join 操作，然后fork/join下一个RDD 操作。

所以对于窄依赖可以避免数据落地，最后再join，实现了相对于mapreduce的优化

而宽依赖由于存在shuffle(洗牌）操作，即一对多，所以无法实现 相对于mapreduce的优化

 所以需要根据RDD之间的依赖关系（有向无环图）：窄依赖，宽依赖关系来划分阶段（任务集合）来实现整体优化

Spark通过分析各个RDD的依赖关系生成了DAG，再通过分析各个RDD中的分区之间的依赖关系来决定如何划分Stage，

具体划分方法是：

• 可 在 DAG 中进行反向解析，遇到宽依赖就断开

• 遇到窄依赖就把当前的 RDD 加入到 Stage 中

• 将窄依赖尽量划分在同一个 Stage 中， 以 实现流水线计算

stage划分实例

 5.RDD运行过程

再总结一下RDD在Spark架构中的具体运行过程

1. 创建RDD对象；
2. SparkContext负责计算RDD之间的依赖关系，构建DAG；
3. DAGScheduler负责把DAG图分解成多个Stage，每个Stage中包含了多个Task，每个Task会被TaskScheduler分发给各个WorkerNode上的Executor去执行。

            

再次感谢和推荐林子雨老师的课程： 厦门大学林子雨老师spark编程基础