【图解大数据技术】Spark
Spark简介
Spark与MapReduce一样，也是大数据计算框架。Spark相比MapReduce拥有更快的执行速度和更低的编程复杂度。
Spark包括以下几个模块：
- Spark Core：封装了Spark的基本功能，比如RDD、任务调度等。
- Spark SQL：Spark SQL可以处理结构化数据，当我们遇到结构化数据的计算时，可以使用Spark SQL，它允许我们把数据集映射为表结构，然后像操作关系型数据库的库表一样操作Spark SQL的表。
- Spark Streaming：Spark Streaming可以做流式的准实时计算，比如可以监听kafka的消息做实时计算。
- MLib：提供了机器学习的程序库。
- GraphX：用于图计算的API。
Spark支持以下几种部署模式：
- Standalone
- Yarn
- Mesos
- Kubernetes
Spark是支持使用Yarn做资源调度的，因此Spark是可以替代掉MapReduce的。
而Mesos和Yarn一样，也是一个分布式资源管理器。
RDD
RDD（Resilient Distributed Dataset）的意思是弹性分布式数据集，本质上就是数据集，是Spark中最基本的数据抽象。
RDD是对不同存储节点的分片数据组成的数据集的抽象，RDD中每个Partition都指向存储集群中某个节点上的一个数据分片，当然我们也可以手动指定RDD的分区数。
Spark的计算就是对RDD的计算，Spark的计算是基于RDD进行的，一个RDD经过若干转换操作函数，转换操作本身返回的也是RDD，直到遇到action操作，则生成数据结果集返回。
RDD的转换操作和action操作包括以下这些：
Spark示例
Spark的wordcount示例：
val textFile = sc.textFile("hdfs://...") // 从hdfs中读取数据生成一个RDD
val counts = textFile.flatMap(line => line.split(" ")) // 按行切分
.map(word => (word, 1)) // 每个单词映射为1
.reduceByKey(_ + _) // 计算每个单词个数
counts.saveAsTextFile("hdfs://...") // 结果写回HDFS
Spark运行原理
整体流程
Spark 支持 Standalone、Yarn、Mesos、Kubernetes 等多种部署方案，下面的运行流程不针对任何一种运行方案，不同运行方案可能角色名称不同，但是大体流程是相似的。
- Spark应用程序在JVM进程中启动，这个进程就是Driver进程。
- Driver进程启动后，调用SparkContext进行初始化，SparkContext启动DAGScheduler构建DAG（有向无环图）。
- DAGScheduler将DAG切分成一个一个的stage（阶段）。
- Driver向ClusterManager注册并申请资源。
- ClusterManager把Driver的主机地址等信息通知给计算节点（上图的Worker Node）。
- 计算节点收到ClusterManager的通知后，向Driver注册并申报自己可领取的任务数。
- SparkContext调用TaskScheduler给计算节点分配任务。
- 所有任务执行完毕后，Driver向ClusterManager发起注销。
DAG 与 stage
DAG是有向无环图，我们的代码会被Spark解析成DAG，DAG上的节点代表的就是RDD，边代表的就是RDD的操作。
比如以下程序：
val textFile = sc.textFile("hdfs://...") // 从hdfs中读取数据生成一个RDD
val counts = textFile.flatMap(line => line.split(" ")) // 按行切分
.map(word => (word, 1)) // 每个单词映射为1
.reduceByKey(_ + _) // 计算每个单词个数
counts.saveAsTextFile("hdfs://...") // 结果写回HDFS
会被解析成如下DAG
上图中，父RDD的一个Partition只会被子RDD的一个Partition依赖的这种情况叫窄依赖，而父RDD的一个Partition会被子RDD的多个Partition依赖的这种情况叫宽依赖。
宽依赖是存在shuffle的，Spark会根据宽依赖划分stage。
涉及到宽依赖的操作主要有：groupByKey、partitionBy、reduceByKey、join。
为什么Spark比MapReduce快？
Spark尽量使用内存来保存中间结果；而MapReduce则默认使用磁盘保存中间结果，这是Spark比MapReduce快的其中一个原因。
另外一个原因是在处理迭代式计算的时候，MapReduce要通过多个MapReduce程序进行处理，每个MapReduce都经过Map-Shuffle-Reduce的处理，然后上一个Reduce输出的结果作为下一个Map的输入，这种处理方式效率不高。
而Spark使用DAG 执行引擎，能够构建复杂的多阶段任务流程，并优化执行计划。这样可以在任务之间重用数据，减少不必要的读写操作，相比MapReduce的线性Map-Shuffle-Reduce流程，DAG能更灵活地管理计算任务，减少磁盘I/O次数，尽管shuffle次数本身并不能减少。
