文章目录

10. Spark

10.1 Spark简介
10.1.1 Spark简介

  • Spark最初由美国加州伯克利大学 ( 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，如今己成为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 )
    image-20231011165855576

    • 运行速度快：使用DAG执行引擎以支持循环数据流与内存计算
    • 容易使用：支持使用Scala、Java、Python和R语言进行编程、可以通过Spark Shell进行交互式编译
    • 通用性：Spark提供了完整而强大的技术栈，包括SQL查询、流式计算、机器学习和图算法组件
    • 运行模式多样：可运行于独立的集群模式中，可运行于Hadoop中，也可运行于Amazon EC2等云环境中，并且可以访问HDFS、Cassandra、HBase、Hive等多种数据源

  • Spark的发展趋势

    image-20231011170336472

  • Scala是一门现代的多范式编程语言

    • Spark是由Scala编写的，运行于Java平台（JVM、Java虚拟机）,并兼容现有的Java程序
    • Scala具备强大的并发性，支持函数式编程，可以更好地支持分布式系统
    • Scala语法简洁，能提供优雅的API
    • Scala兼容Java,运行速度快，且能融合到Hadoop生态圈中

    注意：虽然Scala是Spark的主要编程语言，但Spark还支持Java、Python、R作为编程语言

    Scala的优势是提供了REPL（Read-Eval-Print Loop，交互式解释器），提高程序开发效率

10.1.2 Spark和Hadoop的对比

  • Hadoop的缺点

    • 表达能力有限：并不是所有的任务都能用MapReduce去解决

    • 磁盘IO开销大：所有中间结果需要写到HDFS中去

    • 延迟高

    • 任务之间的衔接涉及IO开销

    • 在前一个任务执行完成之前，其他任务久无法开始，难以胜任复杂、多阶段的计算任务

  • Spark相比于MapReduce的优点

    • Spark的计算模式也属于MapReduce，但不局限于Map和Reduce操作,还提供了多种数据集操作类型，编程模型比Hadoop MapReduce更灵活
    • Spark提供了内存计算，可将中间结果放到内存中，对于迭代运算效率更高
    • Spark基于DAG的任务调度执行机制，要优于Hadoop MapReduce的迭代执行机制

  • Hadoop与Spark的执行流程对比

    • Hadoop每次都是从磁盘读取数据，完成迭代计算，再写入磁盘，如此往复
    • Spark从磁盘中读取完数据就放在内存，迭代的结果仍然保存在内存中

    image-20231011171805190

  • Hadoop与Spark执行逻辑回归的时间对比

    image-20231011172036728

10.2 Spark生态系统

  • 大数据处理主要包括以下三个场景类型

    • 复杂的批量数据处理：通常跨度在数十分钟到数小时之间
    • 基于历史数据的交互式查询：通常时间跨度在数十秒到数分钟之间
    • 基于实时数据流的数据处理：通常时间跨度在数百毫秒到数秒之间

  • 当同时存在以上三种场景时，就需要同时部署三种不同的软件

    image-20231011172630287

    • 同时部署不同软件问题？
      • 不同场景之间输入输出数据无法做到无缝共享，通常需要进行数据格式的转换
      • 不同软件需要不同的开发和维护团队，带来了较高的使用成本
      • 比较难以对同一个集群中的各个系统进行统一的资源协调和分配

  • Spark设计：遵循“一个软件栈满足不同应用场景”的理念，逐渐形成了一套完整的生态系统

    • 既能够提供内存计算框架

    • 也可以支持SQL即时查询、实时流式计算、机器学习和图计算等

      image-20231011173204057

    • Spark可以部署在资源管理器YARN之上，提供一站式的大数据解决方案

    • Spark所提供的生态系统足以应对上述三种场景，即同时支持批处理、交互式查询和流数据处理

    • Spark生态系统已经成为伯克利数据分析软件栈BDAS(Berkeley Data Analytics Stack)的重要组成部分

      image-20231011173439595

  • Spark生态系统

    image-20231011173606352

  • Spark生态系统组件的应用场景

    image-20231011173659426

10.3 Spark运行架构
10.3.1 基本概念和架构设计

  • 基本概念

    • RDD:是Resillient Distributed Dataset(弹性分布式数据集）的简称，是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:是Directed Acyalic Graph（有向无环图）的简称，反映RDD之问的依赖关系

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

    • Application:用户编写的Spark应用程序

    • Task:运行在Executor 上的工作单元

    • Job:一个Job包含多个RDD及作用于相应RDD上的各种操作

    • Stage:是Job的基本调度单位，一个Job会分为多组Task，每组Task被称为Stage， 或者也被称为TaskSet，代表了一组关联的、相互之问没有

      Shuffle依赖关系的任务组成的任务集

  • Spark运行架构

    • Cluster Manager:集群资源管理器，负责对集群资源的分配和调度

      image-20231011174632802

  • Spark架构设计

    • 与Hadoop MapReduce计算框架相比，Spark所采用的Executor有两个优点
      • Executor是利用多线程的方式来执行具体的Task任务，减少任务的启动开销，MapReduce是以进程的方式启动
      • Executor中有一个BlockManager存储模块，会将内存和磁盘共同作为存储设备，有效减少IO开销

  • Spark中各种概念之间的相互关系

    image-20231011175143365

  • Spark执行Application过程

    image-20231011175251564

10.3.2 Spark运行基本流程

  • Spark运行基本流程

      1. 注册并申请资源

      image-20231011175353857

    • 2.为Executor分配资源

      • Executor启动之后，会不断的向资源管理器汇报资源的使用情况

      image-20231011175459942

    • 3.注册并申请Task

      image-20231011175725649

    • 4.反馈结果并注销

      image-20231011175753848

  • Spark运行架构特点

    • 每个Application都有自己专属的Executor进程，井且该进程在Application运行期间一直驻留。Executor进程以多线程的方式运行Task。
    • Spark运行过程与资源管理器无关，只要能够获取Executor进程井保持通信即可
    • Task采用了数据本地性和推测执行等优化机制
      • 数据本地性：计算向数据靠拢，Task靠近数据所在地方运行
      • 推测执行：假设运行Task节点的数据节点已经有其他Task任务运行，并且占据资源；它会自动推测是继续等到上个Task释放资源，还是数据移动到其他数据节点所消耗的时间更少
10.3.3 RDD概念

  • 设计背景

    image-20231011190733631

    • 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结构
    • 我们不必担心底层数据的分布式特性、只需要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

  • 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布记录集合，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的不同分区可以保存到集群中不同节点上，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

      image-20231011192327476

    • RDD的典型执行过程如下

      image-20231011192456755

    • RDD执行过程实例

      • RDD最后一步Action操作才会生成具体结果

        image-20231011193008202

        优点：惰性调用、管道化、避免同步等待、不需要保存中间结果、每次操作变得简单

10.3.4 RDD特性

  • Spark采用RDD以后能够实现高效计算的原因

    • 现有容错机制：数据复制或者记录日志；在数据密集型任务中，采用这种方式进行容错的代价昂贵

    • RDD:血缘关系、重新计算丢失分区、无需回滚系统、重算过程在不同节点之间并行、只计算粗粒度的操作，具有高效的容错性

      • RDD执行构成有向无环图，若是某个RDD出故障，只需要从它的父RDD重新计算恢复即可

        image-20231011193522558

      • 中间结果持久化到内存，数据在内存中的多个RDD操作之间进行传递，避免了不必要的读写磁盘开销

      • 存放的数据可以是Java对象，避免了不必要的对象序列化和反序列化

10.3.5 RDD的依赖关系和运行过程

  • RDD之间的依赖关系（宽依赖、窄依赖）是划分Stage的依据

    • 窄依赖：表现为一个父RDD的分区对应于一个子RDD的分区，或者多个父RDD的分区对应于一个子RDD的分区

    image-20231011194501237

    • 宽依赖：表现为存在一个父RDD的一个分区对应一个子RDD的多个分区

      image-20231011194629193

  • Stage的划分：Spark通过分析各个RDD的依赖关系生成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：

      • 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，可以实现流水线计算，从而使得数据可以直接在内存中进行交换，避免了磁盘IO开销

    • Stage划分举例：

      image-20231011195317057

    • Stage类型：

      • ShuffleMapStage
        • 他不是最终的Stage,在它之后还有其他Stage，所以，它的输出一定需要经过Shffle过程，并作为后续Stage的输入
        • 这种Stage是以Shuffle为输出边界，其输入边界可以是从外部获取数据，也可以是另一个ShuffleMapStage的输出，其输出可以是另一个Stage的开始
        • 在一个Job里可以包含该类型的Stage,也可能没有该类型的Stage
      • ResultStage
        • 最终的Stage，没有输出，而是直接产生结果或存储
        • 这种Stage是直接输出结果，其输入边界可以是从外部获取数据，也可以是另外一个ShuffleMapStage的输出
        • 在一个Job里必定有该类型的Stage
        • 因此，一个Job含有一个或者多个Stage,其中至少含有一个ResultStage

  • RDD运行过程：

    image-20231011200044270

10.4 Spark SQL

  • Shark(Hive on Spark)
    image-20231011200213509

  • 其执行步骤只在生成执行计划时有区别，其可能带来的问题：

    • 执行计划优化完全依赖于Hive,不方便添加新的优化策略

    • Spark是线程级的并行，而MapReduce是进程级并行，因此Spark在兼容Hive的实现上存在线程安全问题，导致Shark不得不使用另外一套独立维护的打了补丁的Hive源码分支

      image-20231011200534948

      因此Shark被停止开发

  • Spark SQL架构

    image-20231011200624649

    • Spark SQL在Hive兼容层面仅依赖HiveQL解析、Hive元数据。即从HQL被解析成抽象语法树（AST）起，就全部由Spark SQL接管了。Spark SQL执行计划生成和优化都由Catalyst(函数式关系查询优化框架)负责
    • Spark SQL增加了SchemaRDD（即带有Schema信息的RDD）,使用户可以在Spark SQL中执行SQL语句
      • 它允许在SchemaRDD中封装多种数据源数据：Hive、HDFS、Cassandra、JSON

  • Spark SQL目前支持Scala、Java、Python三种语言、支持SQL-92规范

    image-20231011201246870

10.5 Spark的部署和应用方式

  • Spark三种部署方式

    • Standalone:类似于MapReduce1.0,slot为资源分配单位

    • Spark on Mesos:Mesos也是一个资源管理框架，它和Spark有一定的亲缘关系

    • Spark on Yarn:

      image-20231011201540786

  • 企业部署大数据分析平台的案例

    • 这个架构部署较为繁琐

    image-20231011201606267

    • 而用Spark架构可以同时满足批处理和流处理需求：

      image-20231011201804765

      注意，Spark Streaming无法实现毫秒级别的流计算，因此，对于需要毫秒级别实时响应的企业应用而言，仍然需要采用流计算框架（如Storm）

    • 用Spark架构的优点：

      • 实现一键式安装和配置、线程级别的任务监控和告警
      • 降低硬件集群、软件维护、任务监控和应用开发难度
      • 便于做成统一的硬件、计算平台资源池

  • 企业采用Hadoop和Spark统一部署的原因

    • 由于Hadoop生态系统中的一些组件所实现的功能，目前还是无法由Spark取代

    • 现有的Hadoop组件开发的应用，完全转移到Spark上需要一定的成本

      image-20231011202349464

    • 不同的计算框架统一运行在YARN中，可以带来如下好处

      • 计算资源按需伸缩
      • 不同负载应用混搭，集群利用率高
      • 共享底层存储（HDFS），避免数据跨集群迁移
10.6 Spark安装和编程实践
10.6.1 安装Spark

见：Spark安装和编程实践（Spark3.4.0）_厦大数据库实验室博客 (xmu.edu.cn)

10.6.2 Spark RDD基本操作
# spark # 大数据 # 分布式
Logo
GitCode 开源社区

旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。

更多推荐

[转载]在Windows环境下安装GNU Radio

转自：在Windows环境下安装GNURadio_恐弱智_新浪博客GNU Radio是用Python开发的，大部分开源的工程能够在Linux环境下运行良好，而Windows下却运行的很勉强，而且安装配置都很复杂。GNU Radio算是个例外了，不光提供了Windows的二进制安装，还有比较详细的说明。我是Python小白，所以折腾了好久才弄好，特意记录下来，免得以后再装还折腾。GNU Radio的

avatar GitCode 开源社区

centOS 8 使用dnf安装Docker

DNF是什么？CentOS 8使用YUM软件包管理器版本v4.0.4。现在，该版本使用DNF(已删除YUM)。DNF是软件包管理器。它会在Linux发行版上安装，执行更新并删除软件包。使用DNF安装Docker跳过具有损坏依赖性的程序包一个有效的解决方案是使您的CentOS 8系统使用以下--nobest命令安装最符合条件的版本：sudo dnf install docker...

avatar GitCode 开源社区

定时同步数据库表(mysql+linux+crontab)

sync.sh里面的参数需要改变，ip/username/password/database/tablesync.sh#!/bin/sh# Please change the IP and password of the data source db.# Then change the table name.filename=/home/nington/db/$(date +%Y-%m

avatar GitCode 开源社区