Spark

Spark简介汇报人：韩瑾1.Spark概述2.Spark生态系统3.Spark运行架构1.Spark概述•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用十分之一的计算资源，获得了比Hadoop快3倍的速度Spark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SparkShell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AmazonEC2等云环境中，并且可以访问HDFS、Cassandra、HBase、Hive等多种数据源Spark与Hadoop的对比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MapReduce更灵活；•Spark提供了内存计算，中间结果直接放到内存中，带来了更高的迭代运算效率；•Spark基于DAG的任务调度执行机制，要优于MapReduce的迭代执行机制。Spark与Hadoop的对比MapReduceSpark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+ReduceDAG: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2Spark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•基于历史数据的交互式查询•基于实时数据流的数据处理存在的问题：•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•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2Spark生态系统•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2Spark生态系统ResourceVirtualizationStorageProcessingEngineMesosHadoopYarnHDFS,S3TachyonSparkCoreAccessandInterfacesSparkStreamingSparkSQLBlinkDBGraphXMLlibMLBaseSpark的生态系统主要包含了SparkCore、SparkSQL、SparkStreaming、MLLib和GraphX等组件图BDAS架构Spark生态系统已经成为伯克利数据分析软件栈BDAS（BerkeleyDataAnalyticsStack）的重要组成部分3Spark运行架构1基本概念2架构设计3Spark运行基本流程4RDD的设计与运行原理1基本概念•RDD：是ResillientDistributedDataset（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DirectedAcyclicGraph（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、相互之间没有Shuffle依赖关系的任务组成的任务集2架构设计图Spark运行架构•Spark运行架构包括集群资源管理器（ClusterManager）、运行作业任务的工作节点（WorkerNode）、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HadoopMapReduce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SparkContextDriverProgramClusterManagerWorkerNodeCacheTaskTaskExecutorHDFS、HBaseWorkerNodeCacheTaskTaskExecutor2架构设计图Spark中各种概念之间的相互关系•一个Application由一个Driver和若干个Job构成，一个Job由多个Stage构成，一个Stage由多个没有Shuffle关系的Task组成•当执行一个Application时，Driver会向集群管理器申请资源，启动Executor，并向Executor发送应用程序代码和文件，然后在Executor上执行Task，运行结束后，执行结果会返回给Driver，或者写到HDFS或者其他数据库中任务控制节点(Driver)应用作业任务任务阶段.........任务任务阶段...作业任务任务阶段.....任务任务阶段............3Spark运行基本流程图Spark运行基本流程图SparkContextRDDObjects构建DAG图DAGScheduler将DAG图分解成StageTaskScheduler提交和监控TaskDAG图Taskset资源管理器分配并监控资源使用情况资源Executor进程汇报资源使用状况1:注册并申请资源4:注销3:注册并申请Task2:分配资源Task3Spark运行基本流程总体而言，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4RDD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4RDD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4RDD运行原理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groupby）而创建得到新的RDD4RDD运行原理•RDD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4RDD运行原理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图RDD执行过程的一个实例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InputABCDEFOutput动作转换转换转换转换转换创建创建4RDD运行原理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3.RDD特性4RDD运行原理•窄依赖表现为一个父RDD的分区对应于一个子RDD的分区或多个父RDD的分区对应于一个子RDD的分区•宽依赖则表现为存在一个父RDD的一个分区对应一个子RDD的多个分区(a)窄依赖map,filterunionjoingroupByKeyjoin分区1分区2分区3分区4分区5分区6分区15分区16分区17分区7分区8分区9分区10分区11分区12分区13分区14分区18分区19分区20分区30分区22分区23分区24分区25分区26分区29分区21分区31分区32分区27分区28分区33分区34分区35(b)宽依赖RDD1RDD2RDD3RDD5RDD4RDD7RDD6RDD8RDD9RDD10RDD11RDD12RDD13图窄依赖与宽依赖的区别4.RDD之间的依赖关系——窄依赖和宽依赖4RDD运行原理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5.阶段的划分4RDD运行原理图根据RDD分区的依赖关系划分Stage5.Stage的划分被分成三个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Stage1