Spark：一个高效的分布式计算系统

Spark：一个高效的分布式计算系统

概述

什么是Spark

• Spark是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架，Spark基于map reduce算法实现的分布式计算，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出和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map reduce的算法。其架构如下图所示：

Spark与Hadoop的对比

• Spark的中间数据放到内存中，对于迭代运算效率更高。
• Spark更适合于迭代运算比较多的ML和DM运算。因为在Spark里面，有RDD的抽象概念。
• Spark比Hadoop更通用。
• Spark提供的数据集操作类型有很多种，不像Hadoop只提供了Map和Reduce两种操作。比如map, filter, flatMap, sample, groupByKey, reduceByKey, union, join, cogroup,mapValues, sort,partionBy等多种操作类型，Spark把这些操作称为Transformations。同时还提供Count, collect, reduce, lookup, save等多种actions操作。
• 这些多种多样的数据集操作类型，给给开发上层应用的用户提供了方便。各个处理节点之间的通信模型不再像Hadoop那样就是唯一的Data Shuffle一种模式。用户可以命名，物化，控制中间结果的存储、分区等。可以说编程模型比Hadoop更灵活。
• 不过由于RDD的特性，Spark不适用那种异步细粒度更新状态的应用，例如web服务的存储或者是增量的web爬虫和索引。就是对于那种增量修改的应用模型不适合。
• 容错性。
• 在分布式数据集计算时通过checkpoint来实现容错，而checkpoint有两种方式，一个是checkpoint data，一个是logging the updates。用户可以控制采用哪种方式来实现容错。
• 可用性。
• Spark通过提供丰富的Scala, Java，Python API及交互式Shell来提高可用性。

Spark与Hadoop的结合

• Spark可以直接对HDFS进行数据的读写，同样支持Spark on YARN。Spark可以与MapReduce运行于同集群中，共享存储资源与计算，数据仓库Shark实现上借用Hive，几乎与Hive完全兼容。

Spark的适用场景

• Spark是基于内存的迭代计算框架，适用于需要多次操作特定数据集的应用场合。需要反复操作的次数越多，所需读取的数据量越大，受益越大，数据量小但是计算密集度较大的场合，受益就相对较小
• 由于RDD的特性，Spark不适用那种异步细粒度更新状态的应用，例如web服务的存储或者是增量的web爬虫和索引。就是对于那种增量修改的应用模型不适合。
• 总的来说Spark的适用面比较广泛且比较通用。

运行模式

• 本地模式
• Standalone模式
• Mesoes模式
• yarn模式

Spark生态系统

• Shark ( Hive on Spark): Shark基本上就是在Spark的框架基础上提供和Hive一样的H iveQL命令接口，为了最大程度的保持和Hive的兼容性，Shark使用了Hive的API来实现query Parsing和 Logic Plan generation，最后的PhysicalPlan execution阶段用Spark代替Hadoop MapReduce。通过配置Shark参数，Shark可以自动在内存中缓存特定的RDD，实现数据重用，进而加快特定数据集的检索。同时，Shark通过UDF用户自定义函数实现特定的数据分析学习算法，使得SQL数据查询和运算分析能结合在一起，最大化RDD的重复使用。
• Spark streaming: 构建在Spark上处理Stream数据的框架，基本的原理是将Stream数据分成小的时间片断（几秒），以类似batch批量处理的方式来处理这小部分数据。Spark Streaming构建在Spark上，一方面是因为Spark的低延迟执行引擎（100ms+）可以用于实时计算，另一方面相比基于Record的其它处理框架（如Storm），RDD数据集更容易做高效的容错处理。此外小批量处理的方式使得它可以同时兼容批量和实时数据处理的逻辑和算法。方便了一些需要历史数据和实时数据联合分析的特定应用场合。
• Bagel: Pregel on Spark，可以用Spark进行图计算，这是个非常有用的小项目。Bagel自带了一个例子，实现了Google的PageRank算法。

在业界的使用

• Spark项目在2009年启动，2010年开源, 现在使用的有：Berkeley, Princeton, Klout, Foursquare, Conviva, Quantifind, Yahoo! Research & others, 淘宝等，豆瓣也在使用Spark的python克隆版Dpark。

---

Spark核心概念

Resilient Distributed Dataset (RDD)弹性分布数据集

• RDD是Spark的最基本抽象,是对分布式内存的抽象使用，实现了以操作本地集合的方式来操作分布式数据集的抽象实现。RDD是Spark最核心的东西，它表示已被分区，不可变的并能够被并行操作的数据集合，不同的数据集格式对应不同的RDD实现。RDD必须是可序列化的。RDD可以cache到内存中，每次对RDD数据集的操作之后的结果，都可以存放到内存中，下一个操作可以直接从内存中输入，省去了MapReduce大量的磁盘IO操作。这对于迭代运算比较常见的机器学习算法, 交互式数据挖掘来说，效率提升比较大。

• RDD的特点：

• 它是在集群节点上的不可变的、已分区的集合对象。
• 通过并行转换的方式来创建如（map, filter, join, etc）。
• 失败自动重建。
• 可以控制存储级别（内存、磁盘等）来进行重用。
• 必须是可序列化的。
• 是静态类型的。

• RDD的好处

• RDD只能从持久存储或通过Transformations操作产生，相比于分布式共享内存（DSM）可以更高效实现容错，对于丢失部分数据分区只需根据它的lineage就可重新计算出来，而不需要做特定的Checkpoint。
• RDD的不变性，可以实现类Hadoop MapReduce的推测式执行。
• RDD的数据分区特性，可以通过数据的本地性来提高性能，这与Hadoop MapReduce是一样的。
• RDD都是可序列化的，在内存不足时可自动降级为磁盘存储，把RDD存储于磁盘上，这时性能会有大的下降但不会差于现在的MapReduce。

• RDD的存储与分区

• 用户可以选择不同的存储级别存储RDD以便重用。
• 当前RDD默认是存储于内存，但当内存不足时，RDD会spill到disk。
• RDD在需要进行分区把数据分布于集群中时会根据每条记录Key进行分区（如Hash 分区），以此保证两个数据集在Join时能高效。

• RDD的内部表示
  在RDD的内部实现中每个RDD都可以使用5个方面的特性来表示：

• 分区列表（数据块列表）
• 计算每个分片的函数（根据父RDD计算出此RDD）
• 对父RDD的依赖列表
• 对key-value RDD的Partitioner【可选】
• 每个数据分片的预定义地址列表(如HDFS上的数据块的地址)【可选】

• RDD的存储级别
  RDD根据useDisk、useMemory、deserialized、replication四个参数的组合提供了11种存储级别：

•   val NONE = new StorageLevel(false, false, false)
      val DISK_ONLY = new StorageLevel(true, false, false)
      val DISK_ONLY_2 = new StorageLevel(true, false, false, 2)
      val MEMORY_ONLY = new StorageLevel(false, true, true)
      val MEMORY_ONLY_2 = new StorageLevel(false, true, true, 2)
      val MEMORY_ONLY_SER = new StorageLevel(false, true, false)
      val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, 2)
      val MEMORY_AND_DISK = new StorageLevel(true, true, true)
      val MEMORY_AND_DISK_2 = new StorageLevel(true, true, true, 2)
      val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false)
      val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, 2) 
  
  

• RDD定义了各种操作，不同类型的数据由不同的RDD类抽象表示，不同的操作也由RDD进行抽实现。

• RDD的生成

  • RDD有两种创建方式：
    1、从Hadoop文件系统（或与Hadoop兼容的其它存储系统）输入（例如HDFS）创建。
    2、从父RDD转换得到新RDD。

  • 下面来看一从Hadoop文件系统生成RDD的方式，如：val file = spark.textFile("hdfs://...")，file变量就是RDD（实际是HadoopRDD实例），生成的它的核心代码如下：

  // SparkContext根据文件/目录及可选的分片数创建RDD, 这里我们可以看到Spark与Hadoop MapReduce很像

      // 需要InputFormat, Key、Value的类型，其实Spark使用的Hadoop的InputFormat, Writable类型。

      def textFile(path: String, minSplits: Int = defaultMinSplits): RDD[String] = {

          hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable],

          classOf[Text], minSplits) .map(pair => pair._2.toString) }

   

      // 根据Hadoop配置，及InputFormat等创建HadoopRDD  

      new HadoopRDD(this, conf, inputFormatClass, keyClass, valueClass, minSplits)    

   

  对RDD进行计算时，RDD从HDFS读取数据时与Hadoop MapReduce几乎一样的：
  
•  // 根据hadoop配置和分片从InputFormat中获取RecordReader进行数据的读取。

      reader = fmt.getRecordReader(split.inputSplit.value, conf, Reporter.NULL)

   

      val key: K = reader.createKey()

      val value: V = reader.createValue()

   

      //使用Hadoop MapReduce的RecordReader读取数据，每个Key、Value对以元组返回。

      override def getNext() = {

      try {

        finished = !reader.next(key, value)

      } catch {

        case eof: EOFException =>

          finished = true

      }

        (key, value)

      }

   

  RDD的转换与操作

  • 对于RDD可以有两种计算方式：转换（返回值还是一个RDD）与操作（返回值不是一个RDD）。
  • 转换(Transformations) (如：map, filter, groupBy, join等)，Transformations操作是Lazy的，也就是说从一个RDD转换生成另一个RDD的操作不是马上执行，Spark在遇到Transformations操作时只会记录需要这样的操作，并不会去执行，需要等到有Actions操作的时候才会真正启动计算过程进行计算。
  • 操作(Actions) (如：count, collect, save等)，Actions操作会返回结果或把RDD数据写到存储系统中。Actions是触发Spark启动计算的动因。

  • 下面使用一个例子来示例说明Transformations与Actions在Spark的使用。

  
  
•