1. 技术文章
  2. Spark学习一:Spark概述

Spark学习一:Spark概述

由 对着背影说爱祢 提交于 2021-01-07 00:58:42

1.1 什么是Spark

​ Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。

​ 一站式管理大数据的所有场景(批处理,流处理,sql)

​ spark不涉及到数据的存储,只做数据的计算

​ Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行计算框架，Spark拥有Hadoop MapReduce所具有的优点；

​ 但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

注意:spark框架不能替代Hadoop,只能替代MR,spark的存在完善了Hadoop的生态系统.

​ Spark是Scala编写，方便快速编程。

​ 学习spark的三个网站 ​ 1) http://spark.apache.org/ ​ 2) https://databricks.com/spark/about ​ 3) https://github.com/apache/spark

​ 官网：http://spark.apache.org

  • Apache Spark™ is a fast and general engine for large-scale data processing.
  • Apache Spark is an open source cluster computing system that aims to make data analytics fast
  • both fast to run and fast to write

​ 目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLib、SparkR等子项目，Spark是基于内存计算的大数据并行计算框架。除了扩展了广泛使用的 MapReduce 计算模型，而且高效地支持更多计算模式，包括交互式查询和流处理。Spark 适用于各种各样原先需要多种不同的分布式平台的场景，包括批处理、迭代算法、交互式查询、流处理。通过在一个统一的框架下支持这些不同的计算，Spark 使我们可以简单而低耗地把各种处理流程整合在一起。而这样的组合，在实际的数据分析 过程中是很有意义的。不仅如此，Spark 的这种特性还大大减轻了原先需要对各种平台分别管理的负担。

​ 大一统的软件栈，各个组件关系密切并且可以相互调用，这种设计有几个好处：1、软件栈中所有的程序库和高级组件 都可以从下层的改进中获益。2、运行整个软件栈的代价变小了。不需要运 行 5 到 10 套独立的软件系统了，一个机构只需要运行一套软件系统即可。系统的部署、维护、测试、支持等大大缩减。3、能够构建出无缝整合不同处理模型的应用。

​ Spark的内置项目如下： Spark的内置项目

  • Spark Core：实现了 Spark 的基本功能，包含任务调度、内存管理、错误恢复、与存储系统交互等模块。Spark Core 中还包含了对弹性分布式数据集(resilient distributed dataset，简称RDD)的 API 定义。
  • Spark SQL：是 Spark 用来操作结构化数据的程序包。通过 Spark SQL，我们可以使用 SQL 或者 Apache Hive 版本的 SQL 方言(HQL)来查询数据。Spark SQL 支持多种数据源，比如 Hive 表、Parquet 以及 JSON 等。
  • Spark Streaming：是 Spark 提供的对实时数据进行流式计算的组件。提供了用来操作数据流的 API，并且与 Spark Core 中的 RDD API 高度对应。
  • Spark MLlib：提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。
  • 集群管理器：Spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求，同时获得最大灵活性，Spark 支持在各种集群管理器(cluster manager)上运行，包括 Hadoop YARN、Apache Mesos，以及 Spark 自带的一个简易调度器，叫作独立调度器。

1.2 Spark特点

快

与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。计算的中间结果是存在于内存中的。

易用

Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。

通用

Spark提供了统一的解决方案。Spark可以用于批处理(Spark Core)、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。

兼容性

Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。

1.3 Spark的用户和用途

​ 我们大致把Spark的用例分为两类：数据科学应用和数据处理应用。也就对应的有两种人群：数据科学家和工程师。

数据科学任务

​ 主要是数据分析领域，数据科学家要负责分析数据并建模，具备 SQL、统计、预测建模(机器学习)等方面的经验，以及一定的使用 Python、 Matlab 或 R 语言进行编程的能力。

数据处理应用

​ 工程师定义为使用 Spark 开发 生产环境中的数据处理应用的软件开发者，通过对接Spark的API实现对处理的处理和转换等任务。

1.4 Spark技术栈

Spark技术栈:HDFS,Hadoop,Hive,MR,Storm,SparkCore,SparkSQL,SparkStreaming

mesos相当于yarn 资源调度框架

tachyon基于内存:内存文件系统

HDFS存储层（基于磁盘存储 block存储策略）

mesos资源调度/任务调度层

Spark SQL : 延迟应该在毫秒级别

Spark core：批处理 延迟度非常高

Spark streaming ：流式处理 延迟5s左右

BlinkDB：支持精确度查询的数据库

SparkCore处理批数据

SparkSql使用SQL处理分布式数据

SparkStreaming处理流式数据

一站式管理大数据的所有场景(批处理,流处理,sql)

  • Spark Core：实现了 Spark 的基本功能，包含任务调度、内存管理、错误恢复、与存储系统交互等模块。Spark Core 中还包含了对弹性分布式数据集(resilient distributed dataset，简称RDD)的 API 定义。
  • Spark SQL：是 Spark 用来操作结构化数据的程序包。通过 Spark SQL，我们可以使用 SQL 或者 Apache Hive 版本的 SQL 方言(HQL)来查询数据。Spark SQL 支持多种数据源，比 如 Hive 表、Parquet 以及 JSON 等。
  • Spark Streaming：是 Spark 提供的对实时数据进行流式计算的组件。提供了用来操作数据流的 API，并且与 Spark Core 中的 RDD API 高度对应。
  • Spark MLlib：提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。
  • 集群管理器：Spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求，同时获得最大灵活性，Spark 支持在各种集群管理器(cluster manager)上运行，包括 Hadoop YARN、Apache Mesos，以及 Spark 自带的一个简易调度器，叫作独立调度器。

1.5 Spark演变历史

Spark 相比 hadoop历史

  • 发展尤为迅速
  • Hadoop历史2006~2017 11年时间
  • Spark2012~2017 5年时间

Spark是美国加州大学伯克利分校的AMP实验室(主要创始人lester和Matei)开发的通用的大 数据处理框架 • 2009伯克利大学开始编写最初的源代码 • 2010年才开放的源码 • 2012年2月发布了0.6.0版本 • 2013年6月进入了Apache孵化器项目 • 2013年年中Spark的主要成员成立的DataBricks公司 • 2014年2月成为了Apache的顶级项目（ 8个月的时间） • 2014年5月底Spark1.0.0发布 • 2014年9月Spark1.1.0发布 • 2014年12月spark1.2.0发布 • 2015年3月Spark1.3.0发布 • 2015年6月Spark1.4.0发布 • 2015年9月Spark1.5.0发布 • 2016年1月Spark1.6.0发布 • 2016年5月Spark2.0.0预览版发布 • 2016年7月Spark2.0.0正式版发布 • 2016年12月Spark2.1.0正式版发布 • 2017年7月Spark2.2发布

1.6 Spark与MapReduce的区别

都是分布式计算框架，Spark基于内存，MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上，Spark中除了基于内存计算外，还有DAG有向无环图来切分任务的执行先后顺序。

spark不涉及到数据的存储,只做数据的计算

spark与Hadoop MR不同的是,任务的中间结果可以保存到内存中,大大地提高了计算性能.

基于内存存储

  • MR作业之间如果有依赖关系的话，每个作业都是从磁盘获取数据，处理完成之后数据落盘。

    如：磁盘-MR作业-磁盘-MR作业-磁盘

  • Spark作业之间如果有依赖关系的话，spark程序处理完成之后可以将数据先存于内存中，不落盘，下一个spark程序就可以直接从内存中获取数据然后进行处理

    如：磁盘-spark作业-内存-spark作业-内存-spark作业-磁盘

具体不同点

  1. Spark相比于MR处理数据是可以基于内存来处理数据的
  2. spark与Hadoop MR不同的是,任务的中间结果可以保存到内存中,大大地提高了计算性能.
  3. Spark中有DAG有向无环图来切分任务的执行先后顺序
  4. Spark存储数据可以指定副本个数（持久化存储），MR默认3个。
  5. spark中做了很多已有的算子的封装,提供了各种场景的算子，而MR中只有map和reduce 相当于Spark中的map和reduceByKey两个算子
  6. Spark是粗粒度资源申请,Application执行快
  7. Spark中shuffle map端自动聚合功能,MR手动设置
  8. Spark中shuffle ByPass机制有自己灵活的实现

MR

Spark

1.7 Spark API

API就是用这些语言进行编码的时候使用的方法

应用可以通过使用Spark提供的库获得Spark集群的计算能力，这些库都是Scala编写的,但是Spark提供了面向各种语言的API,例如Scala、 Python Java等, 所以可以使用以上语言进行Spark应用开发。

Spark的API主要由两个抽象部件组成: SparkContext和RDD ,应用程序通过这两个部件和Spark进行交互,连接到 Spark-集群并使用相关资源。

SparkContext

是定义在Spark库中的一个类,作为Spark库的入口。 包含应用程序main ()方法的Driver program通过SparkContext对象访问Spark,因为SparkContext对象表示与Spark集群的一 个连接。每个Spark应用都有且只有一个激活的SparkContext类实例，如若需要新的实例，必须先让当前实例失活。(在shell中SparkContext已经自动创建好，就是sc)

RDD基础概念

  • 弹性分布式数据集(Resilient Distributed Dataset)
  • 并行分布在整个集群中 把指定路径下的文本文件加载到ines这个RDD中，这个lines就是一个RDD, 代表是就是整个文本文件
  • RDD是Spark分发数据和计算的基础抽象类 例如: lines.count() 在.count(的函数操作是在RDD数据集上的，而不是对某一具体分片
  • 一个RDD是一个不可改变的分布式集合对象 就lines来说，如果我们对其所代表的源文件进行了增删改操作，则相当于生成了一个新的RDD,来存放修改后的数据集
  • Spark中所有的计算都是通过RDD的创建、转换,操作完成的
  • 一个RDD内部由许多partitions (分片)组成 partitions: 每个分片包括一部分数据， 分片可在集群不同节点上计算 分片是Spark并行处理的单元，Spark顺序的，并行的处理分片

1.8 Spark运行模式(部署模式)

  • Local

    在本地eclipse、IDEA中写spark代码运行程序，一般用于测试

  • Standalone

    spark自带的资源调度框架(可以抛开hdfs,抛开yarn去运行)，支持完全分布式集群搭建。Spark可以运行在standalone集群上

  • Yarn

    Hadoop生态圈里面的一个资源调度框架，Spark也是可以基于Yarn来计算的。

    要基于Yarn来进行资源调度，必须实现AppalicationMaster接口，Spark实现了这个接口，所以可以基于Yarn。

  • Mesos

    运行在 mesos 资源管理器框架之上，由 mesos 负责资源管理，Spark 负责任务调度和计算,(很少用)

总结

标签
Hadoop
Apache Mesos
apache
MapReduce
yarn
易学教程内所有资源均来自网络或用户发布的内容，如有违反法律规定的内容欢迎反馈！
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!