大数据必经之路-认识Spark

大数据之——认识spark

什么是spark？

• wiki：Apache Spark是一个开源集群运算框架，最初是由加州大学柏克莱分校AMPLab所开发。相对于Hadoop的MapReduce会在运行完工作后将中介资料存放到磁盘中，Spark使用了存储器内运算技术，能在资料尚未写入硬盘时即在存储器内分析运算。Spark在存储器内运行程序的运算速度能做到比Hadoop MapReduce的运算速度快上100倍，即便是运行程序于硬盘时，Spark也能快上10倍速度。[1]Spark允许用户将资料加载至集群存储器，并多次对其进行查询，非常适合用于机器学习算法。[2]
• 通过官方文档的介绍我们了解到了Spark就是一个开源的大数据集群运算框架，对于我们已知的大数据运算运算框架MapReduce来讲是类似的计算框架，只不过两者在设计上有区别，也从而导致了性能上的差距。接下来分为两个部分认识一下Spark。

2. spark 编程模型

1. 从hadoop的MapReduce的对比我们来进行学习spark，首先spark相对于mapReduce来讲，spark在性能和使用方面是优于mapReduce的，其中原因之一那这里不得不提到Spark的核心，也就是spark的编程模型RDD 弹性数据集（Resilient Distributed Datasets）
2. RDD 既是 Spark 面向开发者的编程模型，又是 Spark 自身架构的核心元素。
3. 大数据计算就是在大规模的数据集上进行一系列的数据计算处理。MapReduce 针对输入数据，将计算过程分为两个阶段，一个 Map 阶段，一个 Reduce 阶段，可以理解成是面向过程的大数据计算。
4. 我们在用 MapReduce 编程的时候，思考的是，如何将计算逻辑用 Map 和 Reduce 两个阶段实现。而 Spark 则直接针对数据进行编程，将大规模数据集合抽象成一个 RDD 对象，然后在这个 RDD 上进行各种计算处理，得到一个新的 RDD，继续计算处理，直到得到最后的结果数据。所以 Spark 可以理解成是面向对象的大数据计算。在这里其实也可以联想一下在java中的stream流，我们将一个数据集装换成我们所谓的stream流然后进行一系列的函数操作，其中有一部分函数是在操作完成后还是stream流，这种函数在spark中叫做transformation函数，另一种函数则是直接得到最终的结果。在spark中也就是得到做种的数据文件这在spark中叫action函数。
5. 所以我们在进行 Spark 编程的时候，思考的是一个 RDD 对象需要经过什么样的操作，转换成另一个 RDD 对象，思考的重心和落脚点都在 RDD 上。RDD就是我们的编程对象，让后通过RDD的内置函数，进行数据的操作。我们可以看一下Spark的RDD是如何实现大数据编程的hello word （word count）下图是scala语言写的，是我喜欢的style

val textFile = sc.textFile("hdfs://...")
val counts = textFile.flatMap(line => line.split(" "))
                 .map(word => (word, 1))
                 .reduceByKey(_ + _)
counts.saveAsTextFile("hdfs://...")

1. 刚也说了RDD有两种函数，一种transformation 一种是Action 。还有具体RDD 是怎么一种形式和方式存在，在后续我们继续了解

在进行了解spark 和 mapReduce的区别时，看到一个大佬所讲：人们在 Spark 出现之后，才开始对 MapReduce 不满。原来大数据计算速度可以快这么多，编程也可以更简单。而且 Spark 支持 Yarn 和 HDFS，公司迁移到 Spark 上的成本很小，于是很快，越来越多的公司用 Spark 代替 MapReduce。也就是说，因为有了 Spark，才对 MapReduce 不满；而不是对 MapReduce 不满，所以诞生了 Spark。真实的因果关系是相反的。这里有一条关于问题的定律分享给你：我们常常意识不到问题的存在，直到有人解决了这些问题。

3. spark 的架构原理

1. 我们先看看Spark的架构图是怎么样的

• 应用程序(Application): 基于Spark的用户程序，包含了一个Driver Program 和集群中多个的Executor； - 驱动(Driver): 运行Application的main()函数并且创建SparkContext; - 执行单元(Executor): 是为某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都有各自独立的Executors; - 集群管理程序(Cluster Manager): 在集群上获取资源的外部服务(例如：Local、Standalone、Mesos或Yarn等集群管理系统)； - 操作(Operation): 作用于RDD的各种操作分为Transformation和Action.
• 整个 Spark 集群中,分为 Master 节点与 worker 节点,其中 Master 节点上常驻 Master 守护进程和 Driver 进程, Master 负责将串行任务变成可并行执行的任务集Tasks, 同时还负责出错问题处理等,而 Worker 节点上常驻 Worker 守护进程, Master 节点与 Worker 节点分工不同, Master 负载管理全部的 Worker 节点,而 Worker 节点负责执行任务.
• Driver 的功能是创建 SparkContext, 负责执行用户写的 Application 的 main 函数进程,Application 就是用户写的程序. Spark 支持不同的运行模式,包括Local, Standalone,Mesoses,Yarn 模式.不同的模式可能会将 Driver 调度到不同的节点上执行.集群管理模式里, local 一般用于本地调试.
• 每个 Worker 上存在一个或多个 Executor 进程,该对象拥有一个线程池,每个线程负责一个 Task 任务的执行.根据 Executor 上 CPU-core 的数量,其每个时间可以并行多个 跟 core 一样数量的 Task.Task 任务即为具体执行的 Spark 程序的任务.*

总结

• 认识到spark是一个开源的大数据分布式计算框架，比hadoop的MapReduce晚出来，且优秀
• Spark的编程模型RDD，包括RDD的两种函数 Transformation 和 Action
• Spark的架构模型原理，以及大概Run的过程
• 令人影像很深刻的一句话：我们常常意识不到问题的存在，直到有人解决了这些问题

参考

• https://time.geekbang.org/column/article/69978（极客时间）
• https://zhuanlan.zhihu.com/p/34436165