Spark基础【运行架构、RDD】

一 运行架构

1 运行架构

Spark框架的核心是一个计算引擎，整体来说，它采用了标准 master-slave 的结构。

如下图所示，它展示了一个 Spark执行时的基本结构。图形中的Driver表示master，负责管理整个集群中的作业任务调度。图形中的Executor 则是 slave，负责实际执行任务。

2 核心组件

由上图可以看出，对于Spark框架有两个核心组件：

（1） Driver

Spark驱动器节点，用于执行Spark任务中的main方法，负责实际代码的执行工作。Driver在Spark作业执行时主要负责：

• 将用户程序转化为作业（job）
• 在Executor之间调度任务(task)
• 跟踪Executor的执行情况
• 通过UI展示查询运行情况

实际上，无法准确地描述Driver的定义，因为在整个的编程过程中没有看到任何有关Driver的字眼。所以简单理解，所谓的Driver就是驱使整个应用运行起来的程序，也称之为Driver类。

（2） Executor

Spark Executor是集群中工作节点（Worker）中的一个JVM进程，负责在 Spark 作业中运行具体任务（Task），任务彼此之间相互独立。Spark 应用启动时，Executor节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor节点上继续运行。

Executor有两个核心功能：

• 负责运行组成Spark应用的任务，并将结果返回给驱动器进程
• 它们通过自身的块管理器（Block Manager）为用户程序中要求缓存的 RDD 提供内存式存储。RDD 是直接缓存在Executor进程内的，因此任务可以在运行时充分利用缓存数据加速运算。

（3） Master & Worker

Spark集群的独立部署环境中，不需要依赖其他的资源调度框架，自身就实现了资源调度的功能，所以环境中还有其他两个核心组件：Master和Worker，这里的Master是一个进程，主要负责资源的调度和分配，并进行集群的监控等职责，类似于Yarn环境中的RM，，而Worker也是进程，一个Worker运行在集群中的一台服务器上，由Master分配资源对数据进行并行的处理和计算，类似于Yarn环境中NM。

（4） ApplicationMaster

Hadoop用户向YARN集群提交应用程序时，提交程序中应该包含ApplicationMaster，用于向资源调度器申请执行任务的资源容器Container，运行用户自己的程序任务job，监控整个任务的执行，跟踪整个任务的状态，处理任务失败等异常情况。

说的简单点就是，ResourceManager（资源）和Driver（计算）之间的解耦合靠的就是ApplicationMaster。

3 核心概念

（1） Executor与Core（核）

Spark Executor是集群中运行在工作节点（Worker）中的一个JVM进程，是整个集群中的专门用于计算的节点。在提交应用中，可以提供参数指定计算节点的个数，以及对应的资源。这里的资源一般指的是工作节点Executor的内存大小和使用的虚拟CPU核（Core）数量。

应用程序相关启动参数如下：

名称	说明
–num-executors	配置Executor的数量
–executor-memory	配置每个Executor的内存大小
–executor-cores	配置每个Executor的虚拟CPU core数量

（2） 并行度（Parallelism）

在分布式计算框架中一般都是多个任务同时执行，由于任务分布在不同的计算节点进行计算，所以能够真正地实现多任务并行执行，这里是并行，而不是并发。这里将整个集群并行执行任务的数量称之为并行度。一个作业到底并行度是多少取决于框架的默认配置。应用程序也可以在运行过程中动态修改。

（3） 有向无环图（DAG）

大数据计算引擎框架根据使用方式的不同一般会分为四类，其中第一类就是Hadoop所承载的MapReduce，它将计算分为两个阶段，分别为 Map阶段 和 Reduce阶段。对于上层应用来说，就不得不想方设法去拆分算法，甚至于不得不在上层应用实现多个 Job 的串联，以完成一个完整的算法，例如迭代计算。

由于这样的弊端，催生了支持 DAG 框架的产生。因此，支持 DAG 的框架被划分为第二代计算引擎。如 Tez 以及更上层的 Oozie。这里不去细究各种 DAG 实现之间的区别，不过对于当时的 Tez 和 Oozie 来说，大多还是批处理的任务。接下来就是以 Spark 为代表的第三代的计算引擎。第三代计算引擎的特点主要是 Job 内部的 DAG 支持（不跨越 Job），以及实时计算。

这里所谓的有向无环图，并不是真正意义的图形，而是由Spark程序直接映射成的数据流的高级抽象模型。简单理解就是将整个程序计算的执行过程用图形表示出来，这样更直观，更便于理解，可以用于表示程序的拓扑结构。

DAG（Directed Acyclic Graph）有向无环图是由点和线组成的拓扑图形，该图形具有方向，不会闭环。

4 提交流程

所谓的提交流程，其实就是开发人员根据需求写的应用程序通过Spark客户端提交给Spark运行环境执行计算的流程。在不同的部署环境中，这个提交过程基本相同，但是又有细微的区别，这里不进行详细的比较，但是因为国内工作中，将Spark引用部署到Yarn环境中会更多一些。

Spark应用程序提交到Yarn环境中执行的时候，一般会有两种部署执行的方式：Client和Cluster。两种模式主要区别在于：Driver程序的运行节点位置。

（1） Yarn Client模式

Client模式将用于监控和调度的Driver模块在客户端执行，而不是在Yarn中，所以一般用于测试。

• Driver在任务提交的本地机器上运行
• Driver启动后会和ResourceManager通讯申请启动ApplicationMaster
• ResourceManager分配container，在合适的NodeManager上启动ApplicationMaster，负责向ResourceManager申请Executor内存
• ResourceManager接到ApplicationMaster的资源申请后会分配container，然后ApplicationMaster在资源分配指定的NodeManager上启动Executor进程
• Executor进程启动后会向Driver反向注册，Executor全部注册完成后Driver开始执行main函数
• 之后执行到Action算子时，触发一个Job，并根据宽依赖开始划分stage，每个stage生成对应的TaskSet，之后将task分发到各个Executor上执行。

（2） Yarn Cluster模式

Cluster模式将用于监控和调度的Driver模块启动在Yarn集群资源中执行。一般应用于实际生产环境。

• 在YARN Cluster模式下，任务提交后会和ResourceManager通讯申请启动ApplicationMaster，
• 随后ResourceManager分配container，在合适的NodeManager上启动ApplicationMaster，此时的ApplicationMaster就是Driver。
• Driver启动后向ResourceManager申请Executor内存，ResourceManager接到ApplicationMaster的资源申请后会分配container，然后在合适的NodeManager上启动Executor进程
• Executor进程启动后会向Driver反向注册，Executor全部注册完成后Driver开始执行main函数，
• 之后执行到Action算子时，触发一个Job，并根据宽依赖开始划分stage，每个stage生成对应的TaskSet，之后将task分发到各个Executor上执行。

二 RDD

Spark计算框架为了能够进行高并发和高吞吐的数据处理，封装了三大数据结构，用于处理不同的应用场景。三大数据结构分别是：

• RDD : 弹性分布式数据集
• 累加器：分布式共享只写变量
• 广播变量：分布式共享只读变量

接下来一起看看这三大数据结构是如何在数据处理中使用的。

数据结构：组织和管理数据的方式，如数组，链表，HashMap并不是一种数据结构，它是将多种数据结构组合在一起形成的一个容器对象

1 什么是RDD

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的数据处理模型。代码中是一个抽象类，它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。

RDD计算模型更适合并行计算和重复使用。

实现并行计算条件：在内部将数据分开（分区），将各个分区的数据发送给多个节点（Executor）进行计算

实现重复使用条件：计算单一，功能简单，从java角度理解就是能抽取出通用方法

RDD中有适合并行计算的分区操作，并封装了最小的计算单元，目的是更适合重复使用

Spark的计算主要就是通过组合RDD的操作，完成业务需求

2 装饰者设计模式

将多个功能组合在一起完成最终的操作，称为装饰者设计模式，用于扩展功能

如：IO 输入输出

​ 字节流，字符流

InputStream in = new FileInputStream("xxxxx");
int i = -1;
while( (i = in.read()) != -1){
    sout(i);
}
in.close;

一个一个字节取数据，太慢了，为增加效率，增加一个缓冲区

InputStream in = new BufferedInputStream（
	new FileInputStream("xxxxx")
）;
int i = -1;
while( (i = in.read(1024)) != -1){
    sout(i);
}
in.close;

这时效率增加，但是读取文件的功能并不是由BufferedInputStream提供，它只是为程序增加了一个缓冲区（Buffer），读取文件功能仍然由FileInputStream完成，将多个功能组合在一起完成最终的需求，这就是装饰者设计模式。

此时想要一行一行读取数据

需要注意Stream为字节流，Reader为字符流，两者不能直接进行转换，所以需要添加一个转换流InputStreamReader，“UTF-8”为两者的转换方式

Reader in = new BufferedReader（
	new InputStreamReader(
		new FileInputStream("xxxxx"),
		"UTF-8"
	)
）;
String s = null;
while( (s = in.readLine()) != null){
    sout(s);
}
in.close;

底层还是FileInputStream一个一个字节读取数据，这时多个字节通过InputStreamReader转换会生成一个字符，如“A,B,C”三个字节转换成一个字符“中”

这时就完成了功能的叠加

• FileInputStream：负责读文件
• InputStreamReader：将字节转换成字符
• BufferedReader：增加缓冲区，提升效率

3 RDD功能的组合

RDD的功能扩展和IO一样，也采用了装饰者设计模式，将不同的功能组合在一起完成业务需求

RDD中的collect方法类似于IO中的read方法，read方法不执行，上面的三个new不会执行，同样，collect方法不执行，collect方法以上代码也不会执行，只是告诉了程序如何组合上述功能

RDD不存储任何数据，只封装逻辑，每一层只做自己的事情

sc.textFile("data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect

4 基础概念

• 弹性

  • 存储的弹性：内存与磁盘的自动切换；
  • 容错的弹性：数据丢失可以自动恢复；
  • 计算的弹性：计算出错重试机制；
  • 分片的弹性：可根据需要重新分片。

• 分布式：数据存储在大数据集群不同节点上

• 数据集：RDD封装了计算逻辑，并不保存数据，只封装逻辑

  RDD[String] 并不是RDD集合中存储String类型数据，而是RDD对String类型数据进行计算，是数据的处理类型而不是数据的存储类型

• 数据抽象：RDD是一个抽象类，需要子类具体实现

• 不可变：RDD封装了计算逻辑，是不可以改变的，想要改变，只能产生新的RDD，在新的RDD里面封装计算逻辑

  类比于不可变集合

• 可分区、并行计算

5 核心配置属性

• 分区列表

RDD数据结构中存在分区列表，用于执行任务时并行计算，是实现分布式计算的重要属性。

• 分区计算函数

Spark在计算时，是使用分区函数对每一个分区进行计算

• RDD之间的依赖关系

RDD是计算模型的封装，当需求中需要将多个计算模型进行组合时，就需要将多个RDD建立依赖关系

• 分区器（可选）

当数据为KV类型数据时，可以通过设定分区器自定义数据的分区

• 首选位置（可选）

计算数据时，可以根据计算节点的状态选择不同的节点位置进行计算

数据和计算的位置称为本地化

数据和计算的位置在同一个进程上称为进程本地化

数据和计算的位置在同一个节点上称为节点本地化

数据和计算的位置在同一个机架上称为机架本地化

移动数据不如移动计算

6 执行原理

从计算的角度来讲，数据处理过程中需要计算资源（内存 & CPU）和计算模型（逻辑）。执行时，需要将计算资源和计算模型进行协调和整合。

Spark框架在执行时，先申请资源，然后将应用程序的数据处理逻辑分解成一个一个的计算任务。然后将任务发到已经分配资源的计算节点上, 按照指定的计算模型进行数据计算，最后得到计算结果。

RDD是Spark框架中用于数据处理的核心模型，接下来我们看看，在Yarn环境中，RDD的工作原理:

• 启动Yarn集群环境

• Spark通过申请资源创建调度节点和计算节点

• Spark框架根据需求将计算逻辑根据分区划分成不同的任务

• 调度节点将任务根据计算节点状态发送到对应的计算节点进行计算

从以上流程可以看出RDD在整个流程中主要用于将逻辑进行封装，并生成Task发送给Executor节点执行计，接下来看看Spark框架中RDD是具体是如何进行数据处理的。

7 RDD创建

在Spark中创建RDD的创建方式可以分为四种：

（1）从集合（内存）中创建RDD

从集合中创建RDD，Spark主要提供了两个方法：parallelize和makeRDD

parallelize用于构建RDD，也可以将这个集合当成数据模型处理的数据源

parallelize单词表示并行

val sparkConf =
    new SparkConf().setMaster("local[*]").setAppName("spark")
val sparkContext = new SparkContext(sparkConf)

val rdd1 = sparkContext.parallelize(
    List(1,2,3,4)
)
val rdd2 = sparkContext.makeRDD(
    List(1,2,3,4)
)
rdd1.collect().foreach(println)
rdd2.collect().foreach(println)
sparkContext.stop()

从底层代码实现来讲，makeRDD方法其实就是parallelize方法，makeRDD方法定义如下

def makeRDD[T: ClassTag](
    seq: Seq[T],
    numSlices: Int = defaultParallelism): RDD[T] = withScope {
  parallelize(seq, numSlices)
}

（2）从外部存储（文件）创建RDD

由外部存储系统的数据集创建RDD包括：本地的文件系统，所有Hadoop支持的数据集，比如HDFS、HBase等。

val sparkConf =
    new SparkConf().setMaster("local[*]").setAppName("spark")
val sparkContext = new SparkContext(sparkConf)

val fileRDD: RDD[String] = sparkContext.textFile("data/word.txt")
fileRDD.collect().foreach(println)
sparkContext.stop()

textFile方法可以通过路径获取数据，所以可以将文件作为数据处理的数据源

textFile路径可以是相对路径，也可以是绝对路径，甚至可以是分布式存储HDFS路径

textFile路径不仅仅可以是文件路径，也可以是目录路径，如果是目录路径，会将路径内的所有文件全部读取过来

textFile路径也可以是通配符路径

val fileRDD: RDD[String] = sparkContext.textFile("data/word*.txt")

如果在读取文件后，想要获取文件数据的来源，使用wholeTextFiles方法，第一个值为文件路径，第二个值为文件内容

val rdd: RDD[(String, String)] = sparkContext.wholeTextFiles("data/world*.txt")

（3）从其他RDD创建

主要是通过一个RDD运算完后，再产生新的RDD。

（4）直接创建RDD

使用new的方式直接构造RDD，一般由Spark框架自身使用。