Spark

Spark

Spark 是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。

特点

1. Spark 是一种由 Scala 语言开发的快速、通用、可扩展的大数据分析引擎

2. Spark Core 中提供了 Spark 最基础与最核心的功能

3. Spark SQL 是 Spark 用来操作结构化数据的组件。通过 Spark SQL，用户可以使用 SQL 或者 Apache Hive 版本的 SQL 方言（HQL）来查询数据。

4. Spark Streaming 是 Spark 平台上针对实时数据进行流式计算的组件，提供了丰富的 处理数据流的 API。

由上面的信息可以获知，Spark 出现的时间相对较晚，并且主要功能主要是用于数据计算， 所以其实 Spark 一直被认为是 Hadoop 框架的升级版。

组成

1. Driver 执行main函数(主要流程)，辅助计算

   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：

   1. 将用户程序转化为作业（job）

   2. 在 Executor 之间调度任务(task)

   3. 跟踪 Executor 的执行情况

   4. 通过 UI 展示查询运行情况

   实际上，我们无法准确地描述 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 负责main函数中的复杂计算

   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：

   1. 负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程

   2. 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（独立部署脱离Yarn）

   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 呢，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. Application Master（独立部署脱离Yarn）

   Hadoop 用户向 YARN 集群提交应用程序时,提交程序中应该包含 Application Master，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，Resource Manager（资源）和 Driver（计算）之间的解耦合靠的就是Application Master。

image

Spark core

Spark Core 中提供了 Spark 最基础与最核心的功能，Spark 其他的功能如：Spark SQL， Spark Streaming，GraphX, MLlib 都是在 Spark Core 的基础上进行扩展的

三大数据结构

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

RDD（Resilient Distributed Dataset） : 弹性分布式数据集

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。

计算模式类似于stream流/IO流，多个map，flat map,只是提供逻辑，知道collect才正式开始执行（看似循环很多次，实际循环一次）

不同的是，stream流在一台机上，RDD会分散到多台机去处理

image

注意：RDD只是数据计算逻辑

1. 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。

2. 分布式：数据存储在大数据集群不同节点上

3. 数据集：RDD 封装了计算逻辑，并不保存数据

4. 数据抽象：RDD 是一个抽象类，需要子类具体实现

5. 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

6. 可分区、并行计算

代码说明

/**
 *
 * Internally, each RDD is characterized by five main properties:
 *
 *  - A list of partitions //多分区 多台机分布式并行执行计算
 *  - A function for computing each split //每个分区的计算函数(计算函数相同)
 *  - A list of dependencies on other RDDs //RDD之间的依赖关系，上一个RDD的结果成为这一次的入参
 *  - Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned) //自定义分区器
 *  - Optionally, a list of preferred locations to compute each split on (e.g. block locations for
 *    an HDFS file)//首选位置
 *
 * All of the scheduling and execution in Spark is done based on these methods
 */
abstract class RDD[T: ClassTag]( @transient private var _sc: SparkContext,@transient private var deps: Seq[Dependency[_]]) extends Serializable with Logging {}

1. 分区列表

  /**
   * Implemented by subclasses to return the set of partitions in this RDD. This method will only
   * be called once, so it is safe to implement a time-consuming computation in it.
   *
   * The partitions in this array must satisfy the following property:
   *   `rdd.partitions.zipWithIndex.forall { case (partition, index) => partition.index == index }`
   *
   * ##### Driver在切分任务的时候 会生成多个小队列 ，每个队列的任务发往不同的机器的Executor
   * ##### 也支持根据partion对任务做部分调整 exp:mapPartitionsWithIndex
   */
  protected def getPartitions: Array[Partition]

2. 分区计算函数

  /**
   * :: DeveloperApi ::
   * Implemented by subclasses to compute a given partition.
   *
   * ##### 每个分区都有自己的计算函数 但如RDD的结构图所示 其实计算函数都是相同的
   */
  @DeveloperApi
  def compute(split: Partition, context: TaskContext): Iterator[T]

3. RDD之间的依赖关系

  /**
   * Implemented by subclasses to return how this RDD depends on parent RDDs. This method will only
   * be called once, so it is safe to implement a time-consuming computation in it.
   *
   * ##### 因为需要接收到的入参由上一个计算的结果决定 所以需要存储RDD之间的依赖关系(类似于java Stream流中的函数入参)
   * ##### 依赖关系也可以是一个依赖多个
   */
  protected def getDependencies: Seq[Dependency[_]] = deps

4. 分区器

  /** 
   *
   * Optionally overridden by subclasses to specify how they are partitioned. 
   *
   * ##### 自定义分区器
   */
  @transient val partitioner: Option[Partitioner] = None

5. 首选位置

  /**
   * Optionally overridden by subclasses to specify placement preferences.
   *
   * ##### 可以根据特殊要求选择计算任务执行的节点 
   * ##### 如：类似于hadoop中，选择MapReduce的计算的节点最好是，计算需要的数据(HDFS在该台机上有副本)和计算任务都在同一个机器上。减少网络IO
   */
  protected def getPreferredLocations(split: Partition): Seq[String] = Nil

累加器

累加器：分布式共享只写变量

广播变量

广播变量：分布式共享只读变量

Spark Streaming

Spark Streaming 是 Spark 平台上针对实时数据进行流式计算的组件，提供了丰富的处理 数据流的 API。

Spark SQL

Spark SQL 是 Spark 用来操作结构化数据的组件。通过 Spark SQL，用户可以使用 SQL 或者 Apache Hive 版本的 SQL 方言（HQL）来查询数据。