| spark课后习题 基于spark的课程设计 | 您所在的位置：网站首页 › hadoop技术生态数据链 › spark课后习题 基于spark的课程设计 |
spark课后习题 基于spark的课程设计
|
Table of Contents Spark概述 Spark简介 Scala简介 Spark与Hadoop的比较 Spark生态系统 Spark运行架构 基本概念 Spark运行基本流程 RDD的设计与运行原理 1.RDD设计背景 2.RDD概念 3.RDD特性 4.RDD之间的依赖关系 5.阶段的划分 6.RDD运行过程 Spark的部署方式 讨论：Spark和Hadoop Spark概述Spark简介Spark最初由美国加州伯克利大学（UCBerkeley）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，如今已成为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）Spark在2014年打破了Hadoop保持的基准排序纪录Spark/206个节点/23分钟/100TB数据 Hadoop/2000个节点/72分钟/100TB数据 Spark用十分之一的计算资源，获得了比Hadoop快3倍的速度 Spark具有如下几个主要特点： 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进行交互式编程通用性：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如今已吸引了国内外各大公司的注意，如腾讯、淘宝、百度、亚马逊等公司均不同程度地使用了Spark来构建大数据分析应用，并应用到实际的生产环境中。 Scala简介Scala是一门现代的多范式编程语言，运行于Java平台（JVM，Java 虚拟机），并兼容现有的Java程序 Scala的特性： 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APIScala兼容Java，运行速度快，且能融合到Hadoop生态圈中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 Spark与Hadoop的比较Hadoop存在如下一些缺点： 表达能力有限磁盘IO开销大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，其他任务就无法开始，难以胜任复杂、多阶段的计算任务 Spark在借鉴Hadoop MapReduce优点的同时，很好地解决了MapReduce所面临的问题 相比于Hadoop MapReduce，Spark主要具有如下优点： 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的迭代执行机制图 Hadoop与Spark的执行流程对比：
使用Hadoop进行迭代计算非常耗资源 Spark将数据载入内存后，之后的迭代计算都可以直接使用内存中的中间结果作运算，避免了从磁盘中频繁读取数据
spark与hadoop的总体比较： MapReduce Spark 数据存储结构：磁盘HDFS文件系统的split 使用内存构建弹性分布式数据集RDD 对数据进行运算和cache 编程范式：Map + Reduce DAG: Transformation + Action 计算中间结果落到磁盘，IO及序列化、反序列化代价大 计算中间结果在内存中维护 存取速度比磁盘高几个数量级 Task以进程的方式维护，需要数秒时间才能启动任务 Task以线程的方式维护 对于小数据集读取能够达到亚秒级的延迟 Spark生态系统在实际应用中，大数据处理主要包括以下三个类型： 复杂的批量数据处理：通常时间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 比如: MapReduce / Impala / Storm这样做难免会带来一些问题： 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的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的设计遵循“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即席查询、实时流式计算、机器学习和图计算等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因此，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的生态系统主要包含了Spark Core、Spark SQL、Spark Streaming、MLLib和GraphX 等组件 表1 Spark生态系统组件的应用场景： 应用场景 时间跨度 其他框架 Spark生态系统中的组件 复杂的批量数据处理 小时级 MapReduce、Hive Spark 基于历史数据的交互式查询 分钟级、秒级 Impala、Dremel、Drill Spark SQL 基于实时数据流的数据处理 毫秒、秒级 Storm、S4 Spark Streaming 基于历史数据的数据挖掘 - Mahout MLlib 图结构数据的处理 - Pregel、Hama GraphX Spark运行架构基本概念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 Acyclic Graph（有向无环图）的简称，反映RDD之间的依赖关系Executor：是运行在工作节点（WorkerNode）的一个进程，负责运行TaskApplication：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、相互之间没有Shuffle依赖关系的任务组成的任务集架构设计 Spark运行架构包括集群资源管理器（Cluster Manager）、运行作业任务的工作节点（Worker Node）、每个应用的任务控制节点（Driver）和每个工作节点上负责具体任务的执行进程（Executor）资源管理器可以自带或Mesos或YARN与Hadoop MapReduce计算框架相比，Spark所采用的Executor有两个优点： 一是利用多线程来执行具体的任务，减少任务的启动开销二是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
（1）首先为应用构建起基本的运行环境，即由Driver创建一个SparkContext，进行资源的申请、任务的分配和监控 （2）资源管理器为Executor分配资源，并启动Executor进程 （3）SparkContext根据RDD的依赖关系构建DAG图，DAG图提交给DAGScheduler解析成Stage，然后把一个个TaskSet提交给底层调度器TaskScheduler处理；Executor向SparkContext申请Task，Task Scheduler将Task发放给Executor运行，并提供应用程序代码 （4）Task在Executor上运行，把执行结果反馈给TaskScheduler，然后反馈给DAGScheduler，运行完毕后写入数据并释放所有资源
总体而言，Spark运行架构具有以下特点： （1）每个Application都有自己专属的Executor进程，并且该进程在Application运行期间一直驻留。Executor进程以多线程的方式运行Task （2）Spark运行过程与资源管理器无关，只要能够获取Executor进程并保持通信即可 （3）Task采用了数据本地性和推测执行等优化机制 RDD的设计与运行原理1.RDD设计背景许多迭代式算法（比如机器学习、图算法等）和交互式数据挖掘工具，共同之处是，不同计算阶段之间会重用中间结果目前的MapReduce框架都是把中间结果写入到HDFS中，带来了大量的数据复制、磁盘IO和序列化开销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架构，我们不必担心底层数据的分布式特性，只需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2.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区记录集合，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的不同分区可以被保存到集群中不同的节点上，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RDDRDD提供了一组丰富的操作以支持常见的数据运算，分为“动作”（Action）和“转换”（Transformation）两种类型RDD提供的转换接口都非常简单，都是类似map、filter、groupBy、join等粗粒度的数据转换操作，而不是针对某个数据项的细粒度修改（不适合网页爬虫）表面上RDD的功能很受限、不够强大，实际上RDD已经被实践证明可以高效地表达许多框架的编程模型（比如MapReduce、SQL、Pregel）Spark用Scala语言实现了RDD的API，程序员可以通过调用API实现对RDD的各种操作RDD典型的执行过程如下： RDD读入外部数据源进行创建RDD经过一系列的转换（Transformation）操作，每一次都会产生不同的RDD，供给下一个转换操作使用最后一个RDD经过“动作”操作进行转换，并输出到外部数据源这一系列处理称为一个Lineage（血缘关系），即DAG拓扑排序的结果 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
Spark采用RDD以后能够实现高效计算的原因主要在于： （1）高效的容错性 现有容错机制：数据复制或者记录日志 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、只记录粗粒度的操作 （2）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 （3）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 4.RDD之间的依赖关系Shuffle操作 什么是Shuffle操作MapReduce中的Shuffle操作Spark中的Shuffle操作窄依赖和宽依赖 是否包含Shuffle操作是区分窄依赖和宽依赖的根据RDD之间的依赖关系——Shuffle操作
Reduce1数据源来自上一层的三个节点，即 依赖3个父节点，从而使宽依赖，而进行宽依 赖的一定进行了shuffle操作 Shuffle过程不仅会产生大量网络传输开销，也会带来大量的磁盘IO开销。Spark经常被认为是基于内存的计算框架，为什么也会产生磁盘IO开销呢？ 对于这个问题，这里有必要做一个解释。
Spark经常被认为是基于内存的计算框架，为什么Shuffle过程也会产生磁盘IO开销呢？
Spark经常被认为是基于内存的计算框架，为什么Shuffle过程也会产生磁盘IO开销呢？
RDD之间的依赖关系——窄依赖和宽依赖 5.阶段的划分Spark根据DAG图中的RDD依赖关系，把一个作业分成多个阶段。对于宽依赖和窄依赖而言，窄依赖对于作业的优化很有利。只有窄依赖可以实现流水线优化，宽依赖包含Shuffle过程，无法实现流水线方式处理。 Spark通过分析各个RDD的依赖关系生成了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，具体划分方法是： 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根据RDD分区的依赖关系划分Stage 示例：
被分成三个Stage，在Stage2中，从map到union都是窄依赖，这两步操作可以形成一个流水线操作
流水线操作实例 分区7通过map操作生成的分区9，可以不用等待分区8到分区10这个map操作的计算结束，而是继续进行union操作，得到分区13，这样流水线执行大大提高了计算的效率 6.RDD运行过程通过上述对RDD概念、依赖关系和Stage划分的介绍，结合之前介绍的Spark运行基本流程，再总结一下RDD在Spark架构中的运行过程： （1）创建RDD对象； （2）SparkContext负责计算RDD之间的依赖关系，构建DAG； （3）DAGScheduler负责把DAG图分解成多个Stage，每个Stage中包含了多个Task，每个Task会被TaskScheduler分发给各个WorkerNode上的Executor去执行。
Spark支持三种不同类型的部署方式，包括： Standalone（类似于MapReduce1.0，slot为资源分配单位）Spark on Mesos（和Spark有血缘关系，更好支持MesosSpark on YARN
|
【本文地址】