【Spark深入学习 -13】Spark计算引擎剖析
----本节内容-------
1.遗留问题解答
2.Spark核心概念
2.1 RDD及RDD操作
2.2 Transformation和Action
2.3 Spark程序架构
2.4 Spark on Yarn运行流程
2.5 WordCount执行原理
3.Spark计算引擎原理
3.1 Spark内部原理
3.2 生成逻辑执行图
3.3 生成物理执行图
4.Spark Shuffle解析
4.1 Shuffle 简史
4.2 Spark Shuffle
·Shuffle Write
·Shuffle Read
·Shuffle Aggregate
5.参考资料
---------------------
有些东西是要常提的，因为太重要了那么有哪些概念是必须做到胸有成竹的呢？我觉得有以下几点：1)RDD概念：RDD是什么，干什么的，基本原理是什么，为什么要整一个RDD这样的概念，解决了什么问题，有什么特点；2）基本算子：Transformation算子，Action算子，常用的几10种算子，哪些是transformation，哪些是action，哪些算子会触发shuffle等；3）Spark基本架构，Spark程序基本构成，Spark程序执行的几种模式，程序提交到执行的基本过程。不需要精通所有的细节，但基本概念和原理至少做到八九不离十。如果初次接触不是很好理解，就多看看视频各种机构的视频，多记一点笔记，实在基础不行，哪怕是抄写一遍，每一次感觉都会不一样。这是自己的一点理解，也许每个人的学习方法都不一样，对Spark的理解也不同。
另外提一点，写程序真是个体力活，不消耗体力，但是消耗体能，所以运动很重要，锻炼结合兴趣才能乐在其中，坚持不解。系列博客中出现很多户外图片，其实都是和车友们骑行拍的，各位将就着看吧。
补充：本章的内容很关键，反复学习了好几遍才动笔写。
1.遗留问题解答
1.Spark如何处理不能序列化的对象
将不能序列化的对象封装成object对象。
2.企业级生产平台如何搭建
说实话，关于生产集群如何搭建，方法多样，但细节特别多，很多人讲的或者写的我也不是特别满意，后面我自己结合实践写几篇对生产平台搭建的看法；有些细节问题一交流就知道是不是有参与过大型生产集群运维和开发。
3.使用Intelij开发工具连接Spark生产集群
实际开发过程中很少这样做，Intelj编写程序在本地运行和调试，打成jar包到开发环境,编写代码，本地模式跑结果，不做分布式开发和调试，代价高
4.使用maven开发，打包
在BAT这种级别的公司，一般开发程序打包都是用maven，他们程序那么多，一个个的打包是不现实的，必须用maven这样的程序，自动化打包。
5.Spark日志问题
可以通过spark web ui查看日志，前提额是要开启historyServer，如何开启spark的history Server自行百度，Spark的historyServer依赖MR的historyServer。如果没有开启也可以通过命令拉取日志，前提也是要做一些配置，并且用命令拉回任务日志，用户名要和提交任务的用户名一致。
通过Web UI查看程序运行日志
Web UI 的executor监控界面，这个非常详细了，可以看到driver在哪里运行，消耗的资源，task在哪里运行消耗的资源，strerr那个链接可以看到更详细的日志情况，不要误认为那里只是打印错误日志，其实不是的，所有日志都会网那里输出，是标准日志输出。
如果提交一个程序啥都不指定，程序默认分配给executor2个task，一个task占用1G内存和1个CPU.当然，你也可以指定task占用的资源，但是原则上不要超过资源分配器设置的阀值，因为资源不够的时候，你指定多个task，它也不会给你启动。另外还有一个防止内存碎片的机制，程序申请2.5G，会给你3G，自动补全机制，防止产生内存碎片。
另外从Web UI还可以看出很多东西，如task执行时间，gc时间，数据是否倾斜，RDD之间的依赖关系等等。总之，Spark Web UI很牛，程序有问题，平台有问题，都能看出个大概。
6.有时候xxRDD.foreach(println)在shell窗口打印不出来内容
client在本机，是可以打印出来的，若client不是在本机运行（其实是在driver运行节点上打印出来了），这样执行在shell所在界面是打印不出内容的，用这种方式：xxRDD.collect().foreach(println)
7.启动手报netty 4040端口已经被使用错误
正常的错误，因为又shell开启来了，被占用，会自动使用4041端口，还被占用，就4042端口
8.Spark shell启动时会启动derby
spark shell启动会启动spark sql，spark sql默认使用derby保存元数据，但是尽量不要用derby，它是单实例，不利于开发。会在本地生成一个文件metastore_db,如果启动报错，就把那个文件给删了
9.KeyValue格式数据如何获取Key和value
属于scala基础了
key._1：拿到kv的key
key._2：拿到kv的value
2.Spark核心概念
2.1 RDD及RDD操作
· RDD是什么数据集，他是一个描述数据在哪里，对数据做什么操作，以及操作之间的依赖关系的一个数据集
· 为什么是弹性，主要是说他的存储，既可以在内存，也可以在磁盘
· 分布式：分布在集群上
· 自动重构：失效够可以自动重构
2.2 Transformation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），
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。
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，
2.3 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executor执行，
2.4 Spark on Yarn运行流程
1）client发送资源申请请求
2）RM发送通知NodeManger要调用资源，
3）NodeManger启动AppAplicationMaster
4）AppAplicationMaster通知nodeManager启动各个Executor
5）nodeManager启动Executor
6）nodeManager向Driver回报实时执行情况，也会告知AppAplicationMaster
2.5 WordCount执行原理
WordCount，分布式计算HelloWord，读取数据，切分数据，将数据转为KeyValue对，根据Key进行规约求和，输出规约结果，这就是WordCout的过程。就像1千个读者有一千个哈姆雷特一样，不同的工具设计者，对WordCount的底层实现不一样。
MapReduce对WordCount分为Map和Reduce两个阶执行，这个是很明智的，我觉得MapReduce编程模型就是分布式计算模型的汇编语言，写起来很罗嗦，但是霸道啊。Spark再优化，在牛逼，还不是脱离不了Map和Reduce这个编程思想，只不过是人家封装好了，不要你再写那么繁杂的MR代码罢。WordCount在Spark中执行大概经历了这么几个过程，
每一个环节都会产生一个RDD,生成一个RDD的依赖关系，这种依赖关系图就是逻辑查询计划，不涉及物理查询，根据逻辑关系，算出数据在那里，考虑数据特征，知道处理什么数据，怎么处理，生成一个物理查询计划，根据物理查询计划，将rdd划分很多stage，每个stage之间会有依赖关系，每个stage内部会划分多个task，这些操作都是在driver生成的，driver将生成的可执行物理任务分发到各个executor执行。
问题1：spark中task的类型有几种？
只有2中，分别是
shuffleMapTask：非最后一轮的task都叫这个shuffleMapTask
ResultTask：最后一轮的task
问题2：每个stage task数目如何决定？
第一个stage，由hdfs中block的个数决定，可以使用命令查看，如果源数据是hbase，region个数决定
其他stage的task，可以自己设置，如果没有设置，和前面task个数一样
总结：
1）spark中一个action生成一个job。
2）每个job生成多个stage ，spark有个优化机制一些已经执行的stage会自动跳过
3）每个stage会有多个task在跑
所以结合WordCount，可以得出一个作业提交以后在Spark中执行的流程是: driver生成逻辑执行计划->driver生成物理执行计划->driver任务调度->executor任务执行;前三个在driver执行，后面一个在节点上分布式执行。
3.Spark计算引擎原理
上图再次描述一个程序执行的过程，driver生成逻辑执行计划->driver生成物理执行计划->driver任务调度->executor任务执行 。假如面试被问到请你简要介绍spark计算引擎的原理？我会这样回答，（我的个人经验，被面过无数次，也面过别人N次，面试被问到不会答的不要着急，想办法把你懂的知识点都带出来，同样可以达到效果了）
1）四个阶段
逻辑执行计划-》成物理执行计划-》任务调度-》任务执行
2）四个对象
driver-》DAGScheduler-》TaskScheduler-》Executor
3）两种模式
任务解析、优化和提交单机模式-》任务执行分布式模式
再上一个图，好好理解，后面都是基于这个展开了。
3.1 生成逻辑执行图
逻辑执行计划 ， 描述RDD之间的依赖关系，这个是逻辑查询计划，但不知道join怎么算，也不知道groupby该怎么group，rdd选择什么样的类型，不清楚，说白了就是知道大方向，具体如何做，不知道，纸上谈兵。应用提交后，形成RDD Graph，并且在后台创建DAG对象(spark不仅仅用DAG建模，而且还会执行它，并且里面不是用对象表示，而是用RDD对象之间的关系)
举例： map->mapedRDD->compute()
这里还有个重要的知识点，就是RDD之间的关系：宽依赖和窄依赖
前面提到过 RDD 被分成几个分区，分散在多台机器上。当我们把一个 RDD A 转化成下一个 RDD B 时，这里有两种情况：
窄依赖：有时候只需要一个 A 里面的一个分区，就可以产生 B 里的一个分区了，比如 map 的例子：A 和 B 之间每个分区是一一对应的关系，这就是 narrow transofmration.【一对一】
宽依赖： 需要 A 里面所有的分区，才能产生 B 里的一个分区，比如 reduceByKey的例子，这就是 wide transformation【多对一】.
为什么要分宽依赖和窄依赖，理解这个很重要，很重要，很重要，董先生居然没有和各位同胞讲解？
大胆设想一下，如果每个分区里的数据就待在那台机器的内存里，我们逐一的调用 map, filter, map 函数到这些分区里，Job 就很好的完成。
更重要的是，由于数据没有转移到别的机器，我们避免了 Network IO 或者 Disk IO. 唯一的任务就是把 map / filter 的运行环境搬到这些机器上运行，这对现代计算机来说，overhead 几乎可以忽略不计。
这种把多个操作合并到一起，在数据上一口气运行的方法在 Spark 里叫 pipeline （其实 pipeline 被广泛应用的很多领域，比如 CPU）。这时候不同就出现了：只有 narrow transformation 才可以进行 pipleline 操作。对于 wide transformation, RDD 转换需要很多分区运算，包括数据在机器间搬动，所以失去了 pipeline 的前提。
总结起来一句话：数据和算是否在一起，计算的性能是不一样的，为了区分，就有了宽依赖和窄依赖。
3.2 生成物理执行图
具体的物理查询计划是在，选择什么样的算法，根据rdd数据量大小。
Spark 会把这个 RDD逻辑计划DAG 交给一个叫 DAG scheduler 的模块，DAG scheduler 会优先使用 pipeline 方法，把 RDD 的 transformation 压缩；当我们遇到 wide transformation 时，由于之前的 narrow transformation 无法和 wide transformation pipeline, 那 DAG scheduler 会把前面的 transformation 定义成一个 stage.
重要的事情说三遍：DAG scheduler 会分析 Spark Job 所有的 transformation, 用 wide transformation 作为边界，把所有 transformation 分成若干个stages. 一个 stage 里的一个分区就被 Spark 叫做一个task. 所以一个 task 是一个分区的数据和数据上面的操作，这些操作可能包括一个 transformation，也可能是多个，但一定是 narrow transformation.
DAG scheduler 工作的结果就是产生一组 stages. 这组 stages 被传到 Spark 的另一个组件 task scheduler, task scheduler 会使用集群管理器依次执行 task, 当所有的 task 执行完毕，一个 stage 标记完成；再运行下一个 stage …… 直到整个 Spark job 完成。
3.3 调度并执行task
将DAG Scheduler产生的stages传送给task scheduler，task scheduler使用集群管理器依次执行task，task被分配到各个work下执行，当所有的task执行完毕，一个stage标记完成，再运行下一个stage，直到整个spark job完成。
作业调度
FIFO或Fair
优化机制：数据本地性和推测执行
任务执行
Task被序列化后，发送到executor上执行
ShuffleMapTask将中间数据写到本地，ResultTask远程读取数据
数据用的时候再算，而且数据是流到要计算的位置的
4.Spark Shuffle解析
4.1 Shuffle简史
在MapReduce框架中，shuffle是连接Map和Reduce之间的桥梁，Map的输出要用到Reduce中必须经过shuffle这个环节，shuffle的性能高低直接影响了整个程序的性能和吞吐量。Spark作为MapReduce框架的一种实现，自然也实现了shuffle的逻辑。shuffle是MapReduce框架中的一个特定的phase，介于Map phase和Reduce phase之间，当Map的输出结果要被Reduce使用时，输出结果需要按key哈希，并且分发到每一个Reducer上去，这个过程就是shuffle。由于shuffle涉及到了磁盘的读写和网络的传输，因此shuffle性能的高低直接影响到了整个程序的运行效率。下面这幅图清晰地描述了MapReduce算法的整个流程，其中shuffle phase是介于Map phase和Reduce phase之间。概念上shuffle就是一个沟通数据连接的桥梁。
4.1 Spark Shuffle
以图为例简单描述一下Spark中shuffle的整一个流程：
Shuffle 过程本质上都是将 Map 端获得的数据使用分区器进行划分，并将数据发送给对应的 Reducer 的过程。首先每一个Mapper会根据Reducer的数量创建出相应的bucket，bucket的数量是M×RM×R，其中MM是Map的个数，RR是Reduce的个数。
-
其次Mapper产生的结果会根据设置的partition算法填充到每个bucket中去。这里的partition算法是可以自定义的，当然默认的算法是根据key哈希到不同的bucket中去。
-
当Reducer启动时，它会根据自己task的id和所依赖的Mapper的id从远端或是本地的block manager中取得相应的bucket作为Reducer的输入进行处理。
4.1Shuffle Write
在Spark 0.6和0.7的版本中，对于shuffle数据的存储是以文件的方式存储在block manager中，与rdd.persist(StorageLevel.DISk_ONLY)采取相同的策略，可以参看：
我已经将一些干扰代码删去。可以看到Spark在每一个Mapper中为每个Reducer创建一个bucket，并将RDD计算结果放进bucket中。需要注意的是每个bucket是一个ArrayBuffer，也就是说Map的输出结果是会先存储在内存。
-
Map的输出必须先全部存储到内存中，然后写入磁盘。这对内存是一个非常大的开销，当内存不足以存储所有的Map output时就会出现OOM。
-
每一个Mapper都会产生Reducer number个shuffle文件，如果Mapper个数是1k，Reducer个数也是1k，那么就会产生1M个shuffle文件，这对于文件系统是一个非常大的负担。同时在shuffle数据量不大而shuffle文件又非常多的情况下，随机写也会严重降低IO的性能。
在Spark 0.8版本中，shuffle write采用了与RDD block write不同的方式，同时也为shuffle write单独创建了ShuffleBlockManager，部分解决了0.6和0.7版本中遇到的问题。首先我们来看一下Spark 0.8的具体实现：
在这个版本中为shuffle write添加了一个新的类ShuffleBlockManager，由ShuffleBlockManager来分配和管理bucket。同时ShuffleBlockManager为每一个bucket分配一个DiskObjectWriter，每个write handler拥有默认100KB的缓存，使用这个write handler将Map output写入文件中。可以看到现在的写入方式变为buckets.writers(bucketId).write(pair)，也就是说Map output的key-value pair是逐个写入到磁盘而不是预先把所有数据存储在内存中在整体flush到磁盘中去。
Spark 0.8显著减少了shuffle的内存压力，现在Map output不需要先全部存储在内存中，再flush到硬盘，而是record-by-record写入到磁盘中。同时对于shuffle文件的管理也独立出新的ShuffleBlockManager进行管理，而不是与rdd cache文件在一起了。
但是这一版Spark 0.8的shuffle write仍然有两个大的问题没有解决：
-
首先依旧是shuffle文件过多的问题，shuffle文件过多一是会造成文件系统的压力过大，二是会降低IO的吞吐量。
-
其次虽然Map output数据不再需要预先在内存中evaluate显著减少了内存压力，但是新引入的DiskObjectWriter所带来的buffer开销也是一个不容小视的内存开销。假定我们有1k个Mapper和1k个Reducer，那么就会有1M个bucket，于此同时就会有1M个write handler，而每一个write handler默认需要100KB内存，那么总共需要100GB的内存。这样的话仅仅是buffer就需要这么多的内存，内存的开销是惊人的。当然实际情况下这1k个Mapper是分时运行的话，所需的内存就只有cores * reducer numbers * 100KB大小了。但是reducer数量很多的话，这个buffer的内存开销也是蛮厉害的。
为了解决shuffle文件过多的情况，Spark 0.8.1引入了新的shuffle consolidation，以期显著减少shuffle文件的数量。
首先我们以图例来介绍一下shuffle consolidation的原理
假定该job有4个Mapper和4个Reducer，有2个core，也就是能并行运行两个task。我们可以算出Spark的shuffle write共需要16个bucket，也就有了16个write handler。在之前的Spark版本中，每一个bucket对应的是一个文件，因此在这里会产生16个shuffle文件。
而在shuffle consolidation中每一个bucket并非对应一个文件，而是对应文件中的一个segment，同时shuffle consolidation所产生的shuffle文件数量与Spark core的个数也有关系。在上面的图例中，job的4个Mapper分为两批运行，在第一批2个Mapper运行时会申请8个bucket，产生8个shuffle文件；而在第二批Mapper运行时，申请的8个bucket并不会再产生8个新的文件，而是追加写到之前的8个文件后面，这样一共就只有8个shuffle文件，而在文件内部这有16个不同的segment。因此从理论上讲shuffle consolidation所产生的shuffle文件数量为C×R，其中C是Spark集群的core number，R是Reducer的个数。
需要注意的是当 M=C时shuffle consolidation所产生的文件数和之前的实现是一样的。
Shuffle consolidation显著减少了shuffle文件的数量，解决了之前版本一个比较严重的问题，但是writer handler的buffer开销过大依然没有减少，若要减少writer handler的buffer开销，我们只能减少Reducer的数量，但是这又会引入新的问题，下文将会有详细介绍。
4.2 Shuffle Read
Shuffle write写出去的数据要被Reducer使用，就需要shuffle fetcher将所需的数据fetch过来，这里的fetch包括本地和远端，因为shuffle数据有可能一部分是存储在本地的。Spark对shuffle fetcher实现了两套不同的框架：NIO通过socket连接去fetch数据；OIO通过netty server去fetch数据。分别对应的类是BasicBlockFetcherIterator和NettyBlockFetcherIterator。
在Spark 0.7和更早的版本中，只支持BasicBlockFetcherIterator，而BasicBlockFetcherIterator在shuffle数据量比较大的情况下performance始终不是很好，无法充分利用网络带宽，为了解决这个问题，添加了新的shuffle fetcher来试图取得更好的性能。对于早期shuffle性能的评测可以参看Spark usergroup。当然现在BasicBlockFetcherIterator的性能也已经好了很多，使用的时候可以对这两种实现都进行测试比较。
4.3 Shuffle Aggregate
我们都知道在Hadoop MapReduce的shuffle过程中，shuffle fetch过来的数据会进行merge sort，使得相同key下的不同value按序归并到一起供Reducer使用，这个过程可以参看下图：
所有的merge sort都是在磁盘上进行的，有效地控制了内存的使用，但是代价是更多的磁盘IO。
那么Spark是否也有merge sort呢，还是以别的方式实现，下面我们就细细说明。
首先虽然Spark属于MapReduce体系，但是对传统的MapReduce算法进行了一定的改变。Spark假定在大多数用户的case中，shuffle数据的sort不是必须的，比如word count，强制地进行排序只会使性能变差，因此Spark并不在Reducer端做merge sort。既然没有merge sort那Spark是如何进行reduce的呢？这就要说到aggregator了。
aggregator本质上是一个hashmap，它是以map output的key为key，以任意所要combine的类型为value的hashmap。当我们在做word count reduce计算count值的时候，它会将shuffle fetch到的每一个key-value pair更新或是插入到hashmap中(若在hashmap中没有查找到，则插入其中；若查找到则更新value值)。这样就不需要预先把所有的key-value进行merge sort，而是来一个处理一个，省下了外部排序这一步骤。但同时需要注意的是reducer的内存必须足以存放这个partition的所有key和count值，因此对内存有一定的要求。
在上面word count的例子中，因为value会不断地更新，而不需要将其全部记录在内存中，因此内存的使用还是比较少的。考虑一下如果是group by key这样的操作，Reducer需要得到key对应的所有value。在Hadoop MapReduce中，由于有了merge sort，因此给予Reducer的数据已经是group by key了，而Spark没有这一步，因此需要将key和对应的value全部存放在hashmap中，并将value合并成一个array。可以想象为了能够存放所有数据，用户必须确保每一个partition足够小到内存能够容纳，这对于内存是一个非常严峻的考验。因此Spark文档中建议用户涉及到这类操作的时候尽量增加partition，也就是增加Mapper和Reducer的数量。
增加Mapper和Reducer的数量固然可以减小partition的大小，使得内存可以容纳这个partition。但是我们在shuffle write中提到，bucket和对应于bucket的write handler是由Mapper和Reducer的数量决定的，task越多，bucket就会增加的更多，由此带来write handler所需的buffer也会更多。在一方面我们为了减少内存的使用采取了增加task数量的策略，另一方面task数量增多又会带来buffer开销更大的问题，因此陷入了内存使用的两难境地。
为了减少内存的使用，只能将aggregator的操作从内存移到磁盘上进行，Spark社区也意识到了Spark在处理数据规模远远大于内存大小时所带来的问题。因此PR303提供了外部排序的实现方案，相信在Spark 0.9 release的时候，这个patch应该能merge进去，到时候内存的使用量可以显著地减少。
5.参考资料
1）.https://my.oschina.net/repine/blog/545695详细探究Spark的shuffle实现
2）董先生ppt
