从WordCount看Spark大数据处理的核心机制(2)
来源:互联网 发布:mac air 安装windows 编辑:程序博客网 时间:2024/05/01 20:56
本文转自http://mp.weixin.qq.com/s?__biz=MzA5MTcxOTk5Mg==&mid=208059053&idx=3&sn=1157ab5db7bc2783e812e3dc14a0b92e&scene=18#rd,所有权力归原作者所有。
在上一篇文章中,我们讲了Spark大数据处理的可扩展性和负载均衡,今天要讲的是更为重点的容错处理,这涉及到Spark的应用场景和RDD的设计来源。
Spark的应用场景
Spark主要针对两种场景:
机器学习,数据挖掘,图应用中常用的迭代算法(每一次迭代对数据执行相似的函数)
交互式数据挖掘工具(用户反复查询一个数据子集)
Spark在spark-submit外,还提供了spark-shell,它就是专门用来做交互数据挖掘的工具
MapReduce等框架并不明确支持迭代中间结果/数据子集的共享,所以需要将数据输出到磁盘,然后在每次查询时重新加载,这带来较大的开销。
既然反复写磁盘和从磁盘加载数据使得性能下降,那就把数据放到内存中,这就是Spark基于内存的弹性分布式数据集(RDD)的出发点。
自动容错
MapReduce是容错性非常好的系统。处理一步就放到磁盘,再处理一步又放到磁盘,一旦哪一步有问题,重做就好了,真可谓是一步一个脚印。Spark为了上述场景下的性能,把数据放在内存中,那整个系统的容错就成了最困难的地方。
一般来说,分布式数据集的容错性有两种方式:即数据检查点和记录数据的更新。由于面向的是大规模数据分析,数据检查点操作成本很高:需要通过数据中心的网络连接在机器之间复制庞大的数据集,而网络带宽往往比内存带宽低得多,同时还需要消耗更多的存储资源(在内存中复制数据可以减少需要缓存的数据量,而存储到磁盘则会拖慢应用程序)。所以选择记录更新的方式。但是,如果更新太多,那么记录更新成本也不低。因此,RDD只支持读操作,并且只支持粗粒度转换,即在大量记录上执行的单个操作。将创建RDD的一系列转换记录下来(即Lineage),以便恢复丢失的分区。
虽然只支持粗粒度转换限制了编程模型,但是RDD仍然可以很好地适用于很多应用,特别是支持数据并行的批量分析应用,包括数据挖掘、机器学习、图算法等,因为这些程序通常都会在很多记录上执行相同的操作。
RDD抽象
RDD是只读的、分区记录的集合。RDD只能基于在稳定物理存储中的数据集和其他已有的RDD上执行确定性操作来创建。这些确定性操作称之为转换,如map、filter、groupBy、join(转换不是程开发人员在RDD上执行的操作)。
RDD含有如何从其他RDD计算出本RDD的相关信息(即Lineage),据此可以从物理存储的数据计算出相应的RDD分区。
在需要反复使用的某个数据集时,使用RDD的持久化,即persist,这个持久化优先是放在内存中的。
再来看看WordCount
说了这么多,我们依然拿WordCount来说说,帮忙小伙伴们理解,还没有看本系列前两篇文章的童鞋抓紧去看看哈。
val file = "hdfs://127.0.0.1:9000/file.txt"
val lines = sc.textFile(file)
val words = lines.flatMap(line => line.split("\\s+"))
val partialCountMap = words
.mapPartitions(convertWordsInPartitionToWordCountMap)
val wordCount = distCountMap.reduce(mergeMaps)
WordCount一共涉及到三个RDD,用于承载文本行的lines,用于承载单词的words,用于承载每个文件块上部分单词计数的partialCountMap。Lineage关系:partialCountMap的父RDD为words,words的父RDD为lines,如下图:
有了Lineage和RDD的只读特性,就可以轻松完成容错了。
如果words在slave1上的一个分区出问题了,那么我们只需要加载slave1上对应的文件块,并重新计算其lines对应的分区,进而计算得到words的这个分区。
图中每个slave中只画了一个文件块,实际上可能有多个文件块。一定要注意的是哪个分区出问题了,只会重算这一个分区,也就只会重新加载这个分区关联的文件块。
上面讨论的是窄依赖的情况,如果像groupBy这种转换,一个RDD分区需要依赖父RDD的多个分区,那么一个分区挂了,就需要计算父RDD中的多个分区。
分布式系统的三个问题:可扩展性,负载均衡,容错处理,都解决了吧。
不知道看到这里的小伙伴,心里是否有个疑问,既然RDD的API只支持粗粒度的转换,它真的能够支持这么多千奇百怪的应用场景吗?下一篇,我们一起看RDD的API,以及它对其它大数据处理框架能够处理的应用场景的等效解决方案。
- Spark大数据处理之从WordCount看Spark大数据处理的核心机制(1)
- 从WordCount看Spark大数据处理的核心机制(2)
- Spark大数据处理之从WordCount看Spark大数据处理的核心机制
- 从WordCount看Spark大数据处理的核心机制(1)
- 【Spark大数据处理】动手写WordCount
- Spark核心编程:高级编程之基于排序机制的wordcount程序
- Spark基于排序机制的wordcount程序(Java版)
- 从大飞机核心网络芯片看科研院所的未来
- Spark源码分析(1) 从WordCount示例看Spark延迟计算原理
- Spark源码分析(1) 从WordCount示例看Spark延迟计算原理
- 闪亮的新星--Spark大数据处理平台
- Spark-大数据处理框架的安装
- Spark 大数据处理技术
- 【spark 大数据处理技术】
- 从源码剖析一个Spark WordCount Job执行的全过程
- 用Apache Spark进行大数据处理之Spark SQL(2)
- 007-spark的wordCount
- Spark入门的WordCount
- CSS简单理解与应用
- Android平台下利用zxing实现二维码开发(取景器横线扫描)
- 阿里云服务器去掉tomcat的8080端口和项目名
- windows端口占用及结束进程
- Windows平台分布式架构实践 - 负载均衡(下)
- 从WordCount看Spark大数据处理的核心机制(2)
- maven添加镜像地址
- UIAlertView/警告框
- Android通讯录获取联系方式
- GBK编码详细解析(附GBK码位分布图)
- Android Studio如何导入jar包
- C#自动更新
- iOS 本地推送 UILocalNotification
- C语言实现顺序栈的基本操作(初始化、判断空、入栈、出栈、获取栈顶元素)