问题导读:
1.Spark的适用场景是什么?
1.Spark的适用场景是什么?
2.spark 运行流程是怎样的?
3.Spark Streaming的运行原理是怎样的?
![](https://i-blog.csdnimg.cn/blog_migrate/00b6bcbc02b928b436cd7bd45240dc9c.gif)
spark 生态及运行原理
![](https://i-blog.csdnimg.cn/blog_migrate/a4c292fdefe5d2c7a4f0723062a1b296.png)
Spark 特点
-
运行速度快 => Spark拥有DAG执行引擎,支持在内存中对数据进行迭代计算。官方提供的数据表明,如果数据由磁盘读取,速度是Hadoop MapReduce的10倍以上,如果数据从内存中读取,速度可以高达100多倍。
-
适用场景广泛 => 大数据分析统计,实时数据处理,图计算及机器学习
-
易用性 => 编写简单,支持80种以上的高级算子,支持多种语言,数据源丰富,可部署在多种集群中
-
容错性高。Spark引进了弹性分布式数据集RDD (Resilient Distributed Dataset) 的抽象,它是分布在一组节点中的只读对象集合,这些集合是弹性的,如果数据集一部分丢失,则可以根据“血统”(即充许基于数据衍生过程)对它们进行重建。另外在RDD计算时可以通过CheckPoint来实现容错,而CheckPoint有两种方式:CheckPoint Data,和Logging The Updates,用户可以控制采用哪种方式来实现容错。
Spark的适用场景
目前大数据处理场景有以下几个类型:
-
复杂的批量处理(Batch Data Processing),偏重点在于处理海量数据的能力,至于处理速度可忍受,通常的时间可能是在数十分钟到数小时;
-
基于历史数据的交互式查询(Interactive Query),通常的时间在数十秒到数十分钟之间
-
基于实时数据流的数据处理(Streaming Data Processing),通常在数百毫秒到数秒之间
Spark成功案例
目前大数据在互联网公司主要应用在广告、报表、推荐系统等业务上。在广告业务方面需要大数据做应用分析、效果分析、定向优化等,在推荐系统方面则需要大数据优化相关排名、个性化推荐以及热点点击分析等。这些应用场景的普遍特点是计算量大、效率要求高。
腾讯 / yahoo / 淘宝 / 优酷土豆
spark运行架构
spark基础运行架构如下所示:
![](https://i-blog.csdnimg.cn/blog_migrate/6149996f11e070147bfe5ff807cb76c2.png)
spark结合yarn集群背后的运行流程如下所示:
![](https://i-blog.csdnimg.cn/blog_migrate/c32f4fe47c84e46ddc3e61373ce62402.png)
spark 运行流程:
Spark架构采用了分布式计算中的Master-Slave模型。Master是对应集群中的含有Master进程的节点,Slave是集群中含有Worker进程的节点。Master作为整个集群的控制器,负责整个集群的正常运行;Worker相当于计算节点,接收主节点命令与进行状态汇报;Executor负责任务的执行;Client作为用户的客户端负责提交应用,Driver负责控制一个应用的执行。Spark集群部署后,需要在主节点和从节点分别启动Master进程和Worker进程,对整个集群进行控制。在一个Spark应用的执行过程中,Driver和Worker是两个重要角色。Driver 程序是应用逻辑执行的起点,负责作业的调度,即Task任务的分发,而多个Worker用来管理计算节点和创建Executor并行处理任务。在执行阶段,Driver会将Task和Task所依赖的file和jar序列化后传递给对应的Worker机器,同时Executor对相应数据分区的任务进行处理。
-
Excecutor /Task 每个程序自有,不同程序互相隔离,task多线程并行,
-
集群对Spark透明,Spark只要能获取相关节点和进程
-
Driver 与Executor保持通信,协作处理
三种集群模式:
1.Standalone 独立集群
2.Mesos, apache mesos
3.Yarn, hadoop yarn
基本概念:
Application =>Spark的应用程序,包含一个Driver program和若干Executor
SparkContext => Spark应用程序的入口,负责调度各个运算资源,协调各个Worker Node上的Executor
Driver Program => 运行Application的main()函数并且创建SparkContext
Executor => 是为Application运行在Worker node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都会申请各自的Executor来处理任务
Cluster Manager =>在集群上获取资源的外部服务 (例如:Standalone、Mesos、Yarn)
Worker Node => 集群中任何可以运行Application代码的节点,运行一个或多个Executor进程
Task => 运行在Executor上的工作单元
Job => SparkContext提交的具体Action操作,常和Action对应
Stage => 每个Job会被拆分很多组task,每组任务被称为Stage,也称TaskSet
RDD => 是Resilient distributed datasets的简称,中文为弹性分布式数据集;是Spark最核心的模块和类
DAGScheduler => 根据Job构建基于Stage的DAG,并提交Stage给TaskScheduler
TaskScheduler => 将Taskset提交给Worker node集群运行并返回结果
Transformations => 是Spark API的一种类型,Transformation返回值还是一个RDD,所有的Transformation采用的都是懒策略,如果只是将Transformation提交是不会执行计算的
Action => 是Spark API的一种类型,Action返回值不是一个RDD,而是一个scala集合;计算只有在Action被提交的时候计算才被触发。
Spark核心概念之RDD
![](https://i-blog.csdnimg.cn/blog_migrate/bc21edbee51a8621544e42baa4b6dc5d.png)
Spark核心概念之Transformations / Actions
![](https://i-blog.csdnimg.cn/blog_migrate/defa078a1f7cb9d87bbc2c0d4850dfa8.png)
Transformation返回值还是一个RDD。它使用了链式调用的设计模式,对一个RDD进行计算后,变换成另外一个RDD,然后这个RDD又可以进行另外一次转换。这个过程是分布式的。 Action返回值不是一个RDD。它要么是一个Scala的普通集合,要么是一个值,要么是空,最终或返回到Driver程序,或把RDD写入到文件系统中。
Action是返回值返回给driver或者存储到文件,是RDD到result的变换,Transformation是RDD到RDD的变换。
只有action执行时,rdd才会被计算生成,这是rdd懒惰执行的根本所在。
Spark核心概念之Jobs / Stage
Job => 包含多个task的并行计算,一个action触发一个job
stage => 一个job会被拆为多组task,每组任务称为一个stage,以shuffle进行划分
![](https://i-blog.csdnimg.cn/blog_migrate/96f7038045c9e5ea7517949a94d1e94c.png)
Spark核心概念之Shuffle
以reduceByKey为例解释shuffle过程。
![](https://i-blog.csdnimg.cn/blog_migrate/3781cde47ba7437ab75eb78a7296b0c6.png)
在没有task的文件分片合并下的shuffle过程如下:(spark.shuffle.consolidateFiles=false)
![](https://i-blog.csdnimg.cn/blog_migrate/80b0f947ace949e6f431fd37fcb0a9aa.png)
fetch 来的数据存放到哪里?
刚 fetch 来的 FileSegment 存放在 softBuffer 缓冲区,经过处理后的数据放在内存 + 磁盘上。这里我们主要讨论处理后的数据,可以灵活设置这些数据是“只用内存”还是“内存+磁盘”。如果spark.shuffle.spill = false就只用内存。由于不要求数据有序,shuffle write 的任务很简单:将数据 partition 好,并持久化。之所以要持久化,一方面是要减少内存存储空间压力,另一方面也是为了 fault-tolerance。
shuffle之所以需要把中间结果放到磁盘文件中,是因为虽然上一批task结束了,下一批task还需要使用内存。如果全部放在内存中,内存会不够。另外一方面为了容错,防止任务挂掉。
存在问题如下:
-
产生的 FileSegment 过多。每个 ShuffleMapTask 产生 R(reducer 个数)个 FileSegment,M 个 ShuffleMapTask 就会产生 M * R 个文件。一般 Spark job 的 M 和 R 都很大,因此磁盘上会存在大量的数据文件。
-
缓冲区占用内存空间大。每个 ShuffleMapTask 需要开 R 个 bucket,M 个 ShuffleMapTask 就会产生 MR 个 bucket。虽然一个 ShuffleMapTask 结束后,对应的缓冲区可以被回收,但一个 worker node 上同时存在的 bucket 个数可以达到 cores R 个(一般 worker 同时可以运行 cores 个 ShuffleMapTask),占用的内存空间也就达到了cores R 32 KB。对于 8 核 1000 个 reducer 来说,占用内存就是 256MB。
为了解决上述问题,我们可以使用文件合并的功能。
在进行task的文件分片合并下的shuffle过程如下:(spark.shuffle.consolidateFiles=true)
![](https://i-blog.csdnimg.cn/blog_migrate/0cafc839e0014b5d0ecfbcb148472dba.png)
可以明显看出,在一个 core 上连续执行的 ShuffleMapTasks 可以共用一个输出文件 ShuffleFile。先执行完的 ShuffleMapTask 形成 ShuffleBlock i,后执行的 ShuffleMapTask 可以将输出数据直接追加到 ShuffleBlock i 后面,形成 ShuffleBlock i',每个 ShuffleBlock 被称为 FileSegment。下一个 stage 的 reducer 只需要 fetch 整个 ShuffleFile 就行了。这样,每个 worker 持有的文件数降为 cores * R。FileConsolidation 功能可以通过spark.shuffle.consolidateFiles=true来开启。
Spark核心概念之Cache
[Scala]
纯文本查看 复制代码
01
02
03
04
05
06
07
08
09
10
|
val
rdd
1
=
...
// 读取hdfs数据,加载成RDD
rdd
1
.cache
val
rdd
2
=
rdd
1
.map(...)
val
rdd
3
=
rdd
1
.filter(...)
rdd
2
.take(
10
).foreach(println)
rdd
3
.take(
10
).foreach(println)
rdd
1
.unpersist
|
cache和unpersisit两个操作比较特殊,他们既不是action也不是transformation。cache会将标记需要缓存的rdd,真正缓存是在第一次被相关action调用后才缓存;unpersisit是抹掉该标记,并且立刻释放内存。只有action执行时,rdd1才会开始创建并进行后续的rdd变换计算。
cache其实也是调用的persist持久化函数,只是选择的持久化级别为MEMORY_ONLY。
persist支持的RDD持久化级别如下:
![](https://i-blog.csdnimg.cn/blog_migrate/6c0ce8722644ded6969413cc881fd7f7.png)
需要注意的问题:
Cache或shuffle场景序列化时, spark序列化不支持protobuf message,需要java 可以serializable的对象。一旦在序列化用到不支持java serializable的对象就会出现上述错误。
Spark只要写磁盘,就会用到序列化。除了shuffle阶段和persist会序列化,其他时候RDD处理都在内存中,不会用到序列化。
Spark Streaming运行原理
spark程序是使用一个spark应用实例一次性对一批历史数据进行处理,spark streaming是将持续不断输入的数据流转换成多个batch分片,使用一批spark应用实例进行处理。
![](https://i-blog.csdnimg.cn/blog_migrate/872f978e31bfabf7212b8a752c9e360d.png)
从原理上看,把传统的spark批处理程序变成streaming程序,spark需要构建什么?
![](https://i-blog.csdnimg.cn/blog_migrate/b326505d368c579687a22688a141c594.png)
![](https://i-blog.csdnimg.cn/blog_migrate/e1110e4eddefdbc048b7c93aa6a3f128.png)
需要构建4个东西:
-
一个静态的 RDD DAG 的模板,来表示处理逻辑;
-
一个动态的工作控制器,将连续的 streaming data 切分数据片段,并按照模板复制出新的 RDD 3. DAG 的实例,对数据片段进行处理;
-
Receiver进行原始数据的产生和导入;Receiver将接收到的数据合并为数据块并存到内存或硬盘中,供后续batch RDD进行消费
-
对长时运行任务的保障,包括输入数据的失效后的重构,处理任务的失败后的重调。
对于spark streaming需要注意以下三点:
尽量保证每个work节点中的数据不要落盘,以提升执行效率。
![](https://i-blog.csdnimg.cn/blog_migrate/bfcd034062fc8122b397153f1328b4d0.png)
保证每个batch的数据能够在batch interval时间内处理完毕,以免造成数据堆积。
![](https://i-blog.csdnimg.cn/blog_migrate/3e9e3eabccce3c9d6fdcd55daaf470bd.png)
使用steven提供的框架进行数据接收时的预处理,减少不必要数据的存储和传输。从tdbank中接收后转储前进行过滤,而不是在task具体处理时才进行过滤。
![](https://i-blog.csdnimg.cn/blog_migrate/00255161663885279148ae07161336d7.png)
![](https://i-blog.csdnimg.cn/blog_migrate/597e21a08885b3e51b67a5c98125957e.png)
Spark 资源调优
内存管理:
![](https://i-blog.csdnimg.cn/blog_migrate/d4d7b8c7c1a43fe70c33964bb1129310.png)
Executor的内存主要分为三块:
第一块是让task执行我们自己编写的代码时使用,默认是占Executor总内存的20%;
第二块是让task通过shuffle过程拉取了上一个stage的task的输出后,进行聚合等操作时使用,默认也是占Executor总内存的20%;
第三块是让RDD持久化时使用,默认占Executor总内存的60%。
每个task以及每个executor占用的内存需要分析一下。每个task处理一个partiiton的数据,分片太少,会造成内存不够。
其他资源配置:
![](https://i-blog.csdnimg.cn/blog_migrate/2b168dc5e1a4cc684b070f345a14788c.png)