注：本文参考文献有书籍《Spark大数据处理：技术、应用与性能优化》、RDD的Paper《Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing》。从三个部分来解读Spark-core，首先是Spark的架构，阐述了Spark基于弹性分布式数据集RDD这个计算模型的工作机制（计算流程）：Application->Job->Stage->Task 的分解、分发和并行计算；接下去从计算模型和工作机制两个方面，分别解读RDD的设计思想及其算子，以及划分RDD有向无环图为Stage和Task、并行计算的工作机制。进一步的原理分析和源码研读将在该系列的后续文章中撰写。
Spark的架构
Spark采用了分布式计算中的Master-Slave模型。Master作为整个集群的控制器，负责整个集群的正常运行；Worker是计算节点，接受主节点命令以及进行状态汇报；Executor负责任务（Tast）的调度和执行；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架构图：出自《Spark大数据处理》
Spark集群启动时，需要从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是应用的逻辑执行起点，运行Application的main函数并创建SparkContext，DAGScheduler把对Job中的RDD有向无环图根据依赖关系划分为多个Stage，每一个Stage是一个TaskSet， TaskScheduler把Task分发给Worker中的Executor；Worker启动Executor，Executor启动线程池用于执行Task。
Spark执行有向无环图：出自《Spark大数据处理》
Spark的计算模型
RDD：弹性分布式数据集，是一种内存抽象，可以理解为一个大数组，数组的元素是RDD的分区Partition，分布在集群上；在物理数据存储上，RDD的每一个Partition对应的就是一个数据块Block，Block可以存储在内存中，当内存不够时可以存储在磁盘上。
RDD逻辑物理结构
Hadoop将Mapreduce计算的结果写入磁盘，在机器学习、图计算、PageRank等迭代计算下，重用中间结果导致的反复I/O耗时过长，成为了计算性能的瓶颈。为了提高迭代计算的性能和分布式并行计算下共享数据的容错性，伯克利的设计者依据两个特性而设计了RDD:
1、数据集分区存储在节点的内存中，减少迭代过程（如机器学习算法）反复的I/O操作从而提高性能。
2、数据集不可变，并记录其转换过程，从而实现无共享数据读写同步问题、以及出错的可重算性。
Operations：算子
算子是RDD中定义的函数，可以对RDD中的数据进行转换和操作。如下图，Spark从外部空间（HDFS）读取数据形成RDD_0，Tranformation算子对数据进行操作（如fliter）并转化为新的RDD_1、RDD_2，通过Action算子（如collect/count）触发Spark提交作业。
如上的分析过程可以看出，Tranformation算子并不会触发Spark提交作业，直至Action算子才提交作业，这是一个延迟计算的设计技巧，可以避免内存过快被中间计算占满，从而提高内存的利用率。
Spark算子：出自《Spark大数据处理》
下图是算子的列表，分三大类：Value数据类型的Tranformation算子；Key-Value数据类型的Tranformation算子；Action算子。
RDD的算子：出自伯克利的RDD论文
Lineage Graph：血统关系图
下图的第一阶段生成RDD的有向无环图，即是血统关系图，记录了RDD的更新过程，当这个RDD的部分分区数据丢失时，它可以通过Lineage获取足够的信息来重新运算和恢复丢失的数据分区。DAGScheduler依据RDD的依赖关系将有向无环图划分为多个Stage，一个Stage对应着一系列的Task，由TashScheduler分发给Worker计算。
RDD运行变化图
Spark的工作机制
本模块从六个方面，介绍Spark的内部运行机制。
应用执行机制
Spark应用（Application）是用户提交的应用程序，执行模式有Local、Standalone、YARN、Mesos。根据Application的Driver Program（或者YARN的AppMaster）是否在集群中运行，Spark应用的运行方式又可以分为Cluster模式和Client模式。
Standalone模式
Driver运行在客户端
Driver运行在客户端：出自网络
Driver运行在Worker
Driver运行在Worker：出自网络
YARN模式
Spark on YARN架构：出自《Spark大数据处理》
调度与任务分配
从Spark整体上看，调度可以分为4个级别，Application调度 -> Job调度 -> Stage调度 -> Task调度。
Spark应用转换流程：出自《Spark大数据处理》
I/O机制
序列化
块管理
通信机制
Spark在模块间通信使用的是AKKA框架。AKKA基于Scala开发，用于编写Actor应用。Actors是一些包含状态和行为的对象。它们通过显式传递消息来进行通信，这些消息会被发送到它们的收信箱中（消息队列）。
容错机制
Lineage机制：记录粗粒度的更新
Checkpoint机制：将RDD写入Disk做检查点。检查点的本质是作为Lineage做容错的辅助，lineage过长会造成容错成本过高。在计算的中间阶段做检查点容错，如果之后的节点出现问题而丢失分区，从做检查点的RDD开始重做Lineage，就可以减少开销。
Shuffle机制
当单进程空间无法容纳所有计算数据进行计算时，通过Shuffle将各个节点上相同的key拉取到某个节点上的一个task来进行处理，比如按照key进行聚合或join等操作。此时如果某个key对应的数据量特别大的话，就会发生数据倾斜。数据倾斜是Spark性能优化的一个重大课题。
可能会触发shuffle操作的算子 ：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。
Shuffle分为两个阶段：Shuffle Write和Shuffle Fetch。如下图：
Shuffle机制：出自网络
网友评论