Spark内核介绍

相信大数据工程师都非常了解Hadoop MapReduce一个最大的问题是在很多应用场景中速度非常慢，只适合离线的计算任务。这是由于MapReduce需要将任务划分成map和 reduce两个阶段，map阶段产生的中间结果要写回磁盘，而在这两个阶段之间需要进行shuffle操作。Shuffle操作需要从网络中的各个节点 进行数据拷贝，使其往往成为最为耗时的步骤，这也是Hadoop MapReduce慢的根本原因之一，大量的时间耗费在网络磁盘IO中而不是用于计算。在一些特定的计算场景中，例如像逻辑回归这样的迭代式的计 算，MapReduce的弊端会显得更加明显。

那Spark是如果设计分布式计算的呢？首先我们需要理解Spark中最重要的概念--弹性分布数据集（Resilient Distributed Dataset），也就是RDD。

2.1 弹性分布数据集RDD

RDD是Spark中对数据和计算的抽象，是Spark中最核心的概念，它表示已被分片（partition），不可变的并能够被并行操作的数据集 合。对RDD的操作分为两种transformation和action。Transformation操作是通过转换从一个或多个RDD生成新的 RDD。Action操作是从RDD生成最后的计算结果。在Spark最新的版本中，提供丰富的transformation和action操作，比起 MapReduce计算模型中仅有的两种操作，会大大简化程序开发的难度。

RDD的生成方式只有两种，一是从数据源读入，另一种就是从其它RDD通过transformation操作转换。一个典型的Spark程序就是通 过Spark上下文环境（SparkContext）生成一个或多个RDD，在这些RDD上通过一系列的transformation操作生成最终的 RDD，最后通过调用最终RDD的action方法输出结果。

每个RDD都可以用下面5个特性来表示，其中后两个为可选的：

分片列表（数据块列表）计算每个分片的函数对父RDD的依赖列表对key-value类型的RDD的分片器（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）

虽然Spark是基于内存的计算，但RDD不光可以存储在内存中，根据useDisk、useMemory、useOffHeap, deserialized、replication五个参数的组合Spark提供了12种存储级别，在后面介绍RDD的容错机制时，我们会进一步理解。值 得注意的是当StorageLevel设置成OFF_HEAP时，RDD实际被保存到Tachyon中。Tachyon是一个基于内存的分布式文件系统，目前正在快速发展，本文不做详细介绍，可以通过其官方网站进一步了解。

classStorageLevelprivate(　　privatevar _useDisk:Boolean,　　privatevar _useMemory:Boolean,　　privatevar _useOffHeap:Boolean,　　privatevar _deserialized:Boolean　　privatevar _replication:Int=1)　　extendsExternalizable{//… }　　val NONE =newStorageLevel(false,false,false,false)　　val DISK_ONLY =newStorageLevel(true,false,false,false)　　val DISK_ONLY_2 =newStorageLevel(true,false,false,false,2)　　val MEMORY_ONLY =newStorageLevel(false,true,false,true)　　val MEMORY_ONLY_2 =newStorageLevel(false,true,false,true,2)　　val MEMORY_ONLY_SER =newStorageLevel(false,true,false,false)　　val MEMORY_ONLY_SER_2 =newStorageLevel(false,true,false,false,2)　　val MEMORY_AND_DISK =newStorageLevel(true,true,false,true)　　val MEMORY_AND_DISK_2 =newStorageLevel(true,true,false,true,2)　　val MEMORY_AND_DISK_SER =newStorageLevel(true,true,false,false)　　val MEMORY_AND_DISK_SER_2 =newStorageLevel(true,true,false,false,2)　　val OFF_HEAP =newStorageLevel(false,false,true,false)