【Spark深入学习-11】Spark基本概念和运行模式

----本节内容-------

1.大数据基础

 1.1大数据平台基本框架

 1.2学习大数据的基础

 1.3学习Spark的Hadoop基础

2.Hadoop生态基本介绍

  2.1Hadoop生态组件介绍

  2.2Hadoop计算框架介绍

3.Spark概述

  3.1 Spark出现的技术背景

  3.2 Spark核心概念介绍

4.Spark运行模式

   4.1.Spark程序组成

   4.2.Spark运行模式

5.参考资料

---------------------

 

 

1.大数据基础

1.1 大数据平台基本框架

 从全局了解一下大数据技术的基本框架，在宏观上有个认识，不至于盲人摸象。董先生贴出来的这个图，可以说是非常通用且普遍的一张图， 不管你是哪个行业，框架用这个套，准没错。通用就是大而全的东西，不会考虑细节了。在实际生产中，每一个细节都不是省油的灯。当然 全局的整体把握，对spark理解非常重要，它在整个体系中扮演什么角色，这个很基础 。

 

整体架构分为6个层面

1） 数据收集

数据采集，是汇聚的一个过程，如淘宝，商家，用户，用户行为，买其他公司数据，数据集市等，要收集数据过来，使用的技术组件有Flume、kafka、Ftp、Sqoop、DataX等等。一些自己走的坑，主要有：a.稳定和安全，生产中首要是确保生产，不能把对端系统给搞瘫了，很多时候，对端系统已经弱不禁风了，达到了各种瓶颈，如网络带宽，内存和CPU硬件限制等，汇聚数据稍加马力，就要出事（曾经sqoop抽oralce生产库，不知道对端oralce那么脆弱，上来就猛一抽，完蛋）；b.网络复杂，跨网段的数据汇聚，很头疼，做过几次汇聚，网络有N多种，公安网、视频专网、政务网、互联网，经过各种跳转机和网闸等等，各种网络限制，很可能别人鼓吹的神器，因为网络问题，都是浮云，c.数据质量垃圾，不敢恭维，数据能拿过来了，但是数据质量真的都不敢恭维，ETL工作做起来，杀人的心都有，d.跨部门沟通和协调问题，人的问题永远比技术问题还要难解决，是你主动过去取，还是让人家送过来,是你去协调别人，还是别人来找你要做数据汇聚，这是一个问题；沟通是一门艺术，coding则是一门技术。

2）存储数据

传统关系型数据库，很难存海量数据，采用分布式的架构，其实分布式存储数据并不是传统数据库不能解决的问题，oralce也能做到集群，mysql也没问题，关键的关键还是如何将存起来的数据用起来，除非你真的只想做个网盘。

3）资源管理

一般公司都不仅仅是做网盘，还有挖掘，分析，产生价值，管理cpu，内存等资源，资源管理系统来管理，上百台，千台，分布式集群的资源管理很讲究。

4）计算层

分布式程序作分析和挖掘， 分三类：批处理，交互式分析，流处理。

批处理：10T的数据如何处理，分布式的程序进行处理，讲究高吞吐率，对时间要求不严格，分钟或者消失级别

交互式分析：很多数据，通过语言表达查询意图，马上反馈结果，支持sql，速度足够快， 2~3秒，交互的，时间长就不是交互了，秒级；

流式处理：对时间要求很高，毫秒级处理完数据，不想批处理那样，数据来了就处理

spark可以解决这三类问题。

5）数据分析层

偏向平台，比较通用，银行，电商，都可以用这些引擎来分析问题，改成和应用相关

6）数据可视化

很重要，很多创业公司在做这个，并且根据行业细分，做的都非常不错。

spark在第四层，不做收集，资源管理，数据存储，可视化，仅仅是一个计算框架，可以解决很多实际问题，不是大数据的全部，是数据分析技术

问题1：为什么不采用oralce技术来实现大数据？

oralce不能解决所有的问题，l虽然oralce有load加载数据，oralce也能做做存储，不需要做资源管理，一个节点而已，能做sql做分析，但是数据小可以，没问题；数据大了，收集，存储，都要拿出来做独立模块，各种模块和场景都很复杂，oralce打包一起做不了。

问题2：如何实现大数据平台？

可以自己玩，在生产中可以使用ambari或者CM这样的部署工具来搭建大数据平台，自己搭建和运维；也可以用别人搞好的服务，，如用阿里云，付钱，每个环节都实现了， 也可以google、亚马逊，数据放在他们那里，不安全 。在国内，属于劳动力密集型的地方，很多企业都愿意自己搭建运维，各种坑自己一个个的趟过去；而在国外，如欧洲，人力成本贵的要命，宁愿花钱买别人的服务，而且他们相信专业的人干专业的事情。

 

1.2 基本技能素养

大数据之所以有点学习的门槛，其实不是因为它有多难，而是要有一颗耐的主寂寞的心，有些人看到这幅图可能就要打退堂鼓了。这些技术栈不见得非要精通，至少得用到知道怎么百度和google，能迅速上手，基于我自己对大数据技术的理解做如下阐述，

 

linux基础：linux得入门啊，最基本的命令得会，这个没有入门的，推荐一下老男孩的linux运维系列视频课程

编程语言：java,scala,python

开发工具： (1) intellij开发工具，scala程序推荐该工具，eclipse对scala支持的比较差，高亮，自动提示等都比较若，(2)maven项目构建工具，好好学习一下，如何 打包测试，发布；（3）代码管理工具git，使用git来下载和管理代码

hadoop生态组件：hdfs、yarn、pig、hive和zookeeper等

不求样样精通，你不是神，根据职业角色划分，有所侧重。角色划分我的有限理解，通常有做Hadop平台运维、大数据ETL开发、数据建模分析、大数据可视化等等，每一个工种角色都不一样，掌握技能侧重点也不一样。

1.3 Hadoop生态系统基础

 Hadoop生态组件是Spark的学习基础，Spark建立在HDFS之上，是Mapreduce的改良，使用Yarn做资源调度，通过Zookeeper做主节点的HA，所以学习Spark至少也有点Hadoop的基础。另外对于Spark有几个言论误解，主要有:(1)spark会取代hadoop，其实不然，他们不是不是一个量级的东西，是一个生态系统，Spark就是一个小小的组件，只是逐步替代Mapreduce编程；（2）Spark诸如强Hadoop百倍，也不全然，只能说个别场景如此，谣言止于智者。

2.Hadoop生态基本介绍

2.1Hadoop生态组件介绍

2.Hadoop生态基本介绍

2.1Hadoop生态组件介绍

1）HDFS和Hbase

· HDFS

分布式文件系统，它是一个高度容错的系统，能检测和应对硬件故障，用于在低成本的通用硬件上运行。HDFS简化了文件的一致性模型，通过流式数据访问，提供高吞吐量应用程序数据访问功能，适合带有大型数据集的应用程序。

必须要有HDFS的基础，明白HDFS的基本架构，基本的文件管理，如block、文件、目录等，熟悉基本的HDFS shell操作。1G数据，默认是几个block，5个节点，这些数据会存在哪几个节点.来自一篇论文，有13年时间了，GFS，很经典，hdfs是gfs的克隆版，google没有开源、容错性好，互联网公司抠门，常常是购买x86的机器，经常挂掉，所以要容错好；节点，机器，都是一台服务器，【同通常配置是24个cpu，128G内存，磁盘12*3T】，2万左右的RMB，挂掉    数据不会丢，一个文件切分成多个文件，存放在不同的节点上，一个文件多份，为并行化提供存储的基础，切成几块，并行都就是多少，【16个并行读，16个block】

基本原理：将文件且纷成等大的数据块block，默认是128M，存储在多台机器上；将数据切分、容错、负载均衡等功能透明化；可将HDFS看成是一个容量巨大的、具有高容错性的磁盘。

应用场景：海量数据的可靠性存储、数据归档

基本架构：主从架构，主节点会做HA，数据存放在datanode。

 

Hbase

HBase是一个针对结构化数据的可伸缩、高可靠、高性能、分布式和面向列的动态模式数据库。和传统关系数据库不同，HBase采用了BigTable的数据模型：增强的稀疏排序映射表（Key/Value），其中，键由行关键字、列关键字和时间戳构成。HBase提供了对大规模数据的随机、实时读写访问，同时，HBase中保存的数据可以使用MapReduce来处理，它将数据存储和并行计算完美地结合在一起。数据模型：Schema-->Table-->Column Family-->Column-->RowKey-->TimeStamp-->Value

2)YARN

    群的资管管理和调度，在yarn上跑各种程序，spark不一定泡在yarn上，也可以mesos，甚至裸集群上，有很多分布式特点，扩展，容错，并行

是什么？ Hadoop2.0新增的资源管理系统，负责集群的资源管理和调度，使得多个计算框架可以运行在一个集群上。

啥特点？ 良好的扩展性、高可用性，对多种类型的应用程序进行统一管理和调度，自带多种用户调度器，适合共享集群环境。

    要熟悉YARN的基本架构，各个角色的功能和交互流程，资源管理的基本方法等。

 

执行流程：

a.nodemanager管理资源，将资源，有cpu，内存等汇报给resourceManager，统一管理

b.客户client要执行任务

client查找rm->rm找nodemanager->rm找到nodemanager资源后，将资源分给client->client就直接去找nodemanager->nodemanager执行任务

3)MapReduce和Spark

Mapreduce

   源自goole开源的mapreduce论文，发表于2004年12月，是google Mapreduce的克隆版MapReduce是一种计算模型，用以进行大数据量的计算。其中Map对数据集上的独立元素进行指定的操作，生成键-值对形式中间结果。Reduce则对中间结果中相同“键”的所有“值”进行规约，以得到最终结果。要掌握MapReeduce的基本编程模型，WordCount的执行流程。Spark经常和mr对比，经典的最好是了解，不要一无所知，只能说你太虚伪了。

特点：良好的扩展性、高容错性、适合PB级以上海量数据的离线处理；分布式错误是一个正常现象，常态。转为2个阶段，map和reduce，就是计算机里面的汇编语言，难用

 

Spark：UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架，Spark，拥有Hadoop MapReduce所具有的优点,支持整个目录读取支持通配符读取支持压缩文件读取，基于gz的压缩不带分片参数，会将每个block创建一个分片，每个分片上运行一个task支持读取目录中的小文件, 支持整个目录读取支持通配符读取支持压缩文件读取，基于gz的压缩不带分片参数，会将每个block创建一个分片，每个分片上运行一个task支持读取目录中的小文件

4）Hive和Pig

Hive：由facebook开源，最初用于解决海量结构化的日志数据统计问题。Hive定义了一种类似SQL的查询语言(HQL),将SQL转化为MapReduce任务在Hadoop上执行。

通常用于离线分析。

Pig:由yahoo!开源，设计动机是提供一种基于MapReduce的ad-hoc(计算在query时发生)数据分析工具定义了一种数据流语言—Pig Latin，将脚本转换为MapReduce任务在Hadoop上执行。

通常用于进行离线分析。

5）Oozie和Zookeeper

Zookeeper:源自Google的Chubby论文，发表于2006年11月，Zookeeper是Chubby克隆版解决分布式环境下的数据管理问题：统一命名，状态同步，集群管理，配置同步等。

6）Flume和sqoop

Sqoop是SQL-to-Hadoop的缩写，主要用于传统数据库和Hadoop之前传输数据。数据的导入和导出本质上是Mapreduce程序，充分利用了MR的并行化和容错性。

Flume:Cloudera开源的日志收集系统，具有分布式、高可靠、高容错、易于定制和扩展的特点。

它将数据从产生、传输、处理并最终写入目标的路径的过程抽象为数据流，在具体的数据流中，数据源支持在Flume中定制数据发送方，从而支持收集各种不同协议数据。同时，Flume数据流提供对日志数据进行简单处理的能力，如过滤、格式转换等。此外，Flume还具有能够将日志写往各种数据目标（可定制）的能力。总的来说，Flume是一个可扩展、适合复杂环境的海量日志收集系统。

7)Ambari

由hortworks开源，是一种基于Web的工具，支持Apache Hadoop集群的供应、管理和监控。Ambari目前已支持大多数Hadoop组件，包括HDFS、MapReduce、Hive、Pig、 Hbase、Zookeper、Sqoop和Hcatalog等。1000个机器，如何部署，拷贝数据都考死人，自动化安装工具ambari，点击鼠标自动安装，修改配置，启动服务。

目前来说，只有可视化功能，hadoop生态系统没有提供，

2.2 Hadoop计算框架介绍

通常来说，计算引擎的分类，

1）批处理：对时间没有严格要求，离线分析，不关系时间，关注吞吐率

2）交互式：支持sql，对数据进行快速分析，人机交互，时间要求高

3）流式处理：流水一样流入系统，实时分析，来一条处理一条。对每一条数据时间要求高，吞吐率要求不高

4） 迭代式与DAG计算：机器学习算法，离线分析

当然有些公司也有自己的划分方法，比如hortworks（已经上市了的大数据公司），划分方式：

用时间来划分0~5秒实时分析，和其他公司划分就不一样，比如在线查询有些公司要求毫秒，作为参考而已

 

hortworks将计算框架也划分了几类

简单批处理：MapReduce和hive

DAG与迭代式： tez逐步替代hive，Spark替代shark，简单批处理和DAG迭代式都是离线分析

交互式框架：Impala，Presto

流/实时计算：Stoam，Samz，Spark Streaming

 

涵盖三类应用场景，如果spark能解决的就用spark把,Spark架构如下

 

1）计算框架

分布式，基于内存，弹性

2）数据存储

在hadoop生态系统，如hdfs，hbase，分布式存储引擎

3）资源管理

由yarn管理，或者mesos等，有一个内核，spark core，在这之上，构建了很多计算引擎，方便用户编写

4）spark sql

写sql，将sql转为spark程序

5）spark streaming

6）graphx：图计算

7）MLLib：机器学习，通用的机器学习算法，聚类，分类，避免重复造轮子

8）Spark R：用r语言写spark程序

Spark不是一门孤立的技术，社区很活跃，支持linux和windows；微软怕被淘汰，给大数据社区贡献了一些windows运行的patch，但依然很少有人用，spark不断在发展过程中，版本的升级都是内核变动，api层很少变动，一般不会该使用和优化为主，

 

 

3.Spark概述

3.1 Spark出现的技术背景

1）Mapreduce的局限性

mapreduce框架的局限性主要表现在

· 仅仅支持map和reduce两种操作

· 处理效率低（中间结果写磁盘，多个mr之间通过hdfs交换数据；任务调度和启动开销大；无法充分利用内存，不管什么操作map和reduce都要排序），为什么写磁盘，因为当时磁盘便宜，内存贵，现在内存很便宜。

· 不适合做复杂的计算，如迭代计算，如机器学习图计算、交互处理和流计算。

· 编程不灵活，基本就是分布式编程界的汇编语言。

2）各种计算框架多样化

spark之前，很多，各种框架部署和管理都比较乱，spark可以同时解决这三种场景，学习一类解决三类问题，写程序和管理都很简单。 现有的各种计算框架各自为战，批处理mapreduce、Hive、Tez，流式计算storm，交互式计算Impala，Spark同时处理批处理、流计算、交互式计算等。

3）Spark特点

·  高效：快10~100倍，取决于逻辑和具体的计算，内存计算引擎，提供驾驭内存的机制，灵活利用内存，DAG的计算杨引擎，减少开销，使用多线程，减少启动开销，shuffle减少不必要的开销和磁盘IO。

· 易用，非常丰富的API，支持JAVA，scala，pyhon，R四种语言，spark之前，scala很小众

spark带动scala的销量，scala代码少2~5倍，更短，出错更少，

·与hadoop集成的很好，和yarn很好的集成

给人更多的选择，你不喜欢可以使用mr，我比mr更快，你自己看着办，如下面的sql语句，   mapreduce程序启动就会有4个mr，并且读写hdfs非常频繁，效率很低；而使用Spark，DAG模式大大节省磁盘IO。

在一个统一的框架下，进行批处理、流计算、交互式计算

 

3.2 Spark核心概念介绍

1.RDD弹性分布式数据集

· 数据集的抽象，以前学过很多数据集，array，list，map数据集等，抽象成不同的数据结构，

分布式：数据被分解成很多块放到不同节点

弹性：相对于存储介质而言，可以放在磁盘，可以放在内存，这就是弹性的意思

·  分布在集群上，只读

一个RDD被分解成很多块partition，这些partition分布在不同的机器上。多个partion组成，hdfs的block有什么关系，2套术语，都叫块不可以，2个团队2个社区的人，命名方式不同了。

·   可以在内存或者磁盘上

·   可以并行的构造，一个或者2个可以产生新的

·  失效后，自动重构

 

2.基本操作Transfoation和Action

rdd是数据，有数据，就有计算操作，基本操作分成2类（为什么分成2类），

1）transformation：一类算子的简称，完成转换功能，函数和算子一个意思，看成一个大的数组，里面有元素，被切分放到各个节点上。

2）action：把rdd变换成一个或者一组值，这些是单机的，前面transformation都是分布式的值，

 

3）Spark提供了大量的函数

transformation：参数也是函数，输入T类型rdd，输出U类型也是RDD，

aciton：输入rdd，输出不是rdd了，可能是基本类型或者数组等，都是单机的类型

 

4）惰性执行

transformation只会记录RDD的转化关系，并不会触发计算

action是触发程序执行（分布式）的算子

 

3.缓存cache和persist

spark非常好的能力，能控制内存的使用量，就是通过cache和persist实现，称为控制语句

可以让rdd cache到内存或磁盘上。

问题： cache和persist 区别（面试会经常被问到） ，回答以下知识点

（1）cache和persist都是用于将一个RDD进行缓存的，这样在之后使用的过程中就不需要重新计算了，可以大大节省程序运行时间，

（2） cache只有一个默认的缓存级别MEMORY_ONLY ，cache调用了persist，而persist可以根据情况设置其它的缓存级别。

（3）executor执行的时候，默认60%做cache，40%做task操作，persist最根本的函数，最底层的函数

storagelever每个等级有5个参数

·是不是用磁盘

·是不是不内存

·是不是用tacyon

·是不是反序列化

·缓存保存多少份

序列化器，使用序列化节省内存但是消耗cpu，拿出来的时候要进行反序列化，缺省的，用自带的，但是性能很差，根据自己的需求是否进行序列化，不要用自带的序列化器

4.Spark运行模式

4.1.Spark程序组成

1）程序执行

  · spark-shell，读取文件->RDD转换-> RDD触发执行->保存结果

 

· spark-submit，很多参数，注意下参数：--master，指定程序运行的模式，可以本地，yarn，别的集群上

 

2）Spark程序架构

2个组件组成，application = driver（1个）+ executor（多个）

· driver:main函数，2g内存1个cpu，运行指定将相应的jar包和文件传给work node

· application：driver+executor，spark应用程序，2个应用程序是没有任何关联，如果共享数据只能hdfs或者tacyon. executor运行是指定，可以同时跑几个task,一个application转为多个task（driver转化），task扔给exe执行，

4.2.Spark程运行模式

1）本地模式

不一定非要跑在hadoop集群，可以在本地，起多个线程的方式来指定。将Spark应用以多线程的方式直接运行在本地，一般都是为了方便调试，本地模式分三类

·  local：只启动一个executor

·  local[k]:启动k个executor

·  local[*]：启动跟cpu数目相同的 executor

2）独立模式

搭建一个集群跑，分布式环境中执行spark程序，资源管理和任务监控是Spark自己控制。

 

3）集群模式

 

driver运行在本地，没有容错，但是调试方便

driver运行在集群里面，yarn从slave里面选择一个跑driver，有个好处就是当driver挂掉了，resourceManager可以重新启动一个driver，实现容错，生产环境使用的模式。

 

5.参考资料

1.http://blog.csdn.net/woshiwanxin102213/article/details/19688393 Hadoop生态系统介绍

2.董西成ppt