Spark设计理念与基本架构

《深入理解Spark：核心思想与源代码分析》一书前言的内容请看链接《深入理解SPARK：核心思想与源代码分析》一书正式出版上市

《深入理解Spark：核心思想与源代码分析》一书第一章的内容请看链接《第1章环境准备》

本文主要展示本书的第2章内容：

第2章设计理念与基本架构

“若夫乘天地之正。而御六气之辩，以游无穷者。彼且恶乎待哉？”

——《庄子·逍遥游》

本章导读：

上一章，介绍了Spark环境的搭建。为方便读者学习Spark做好准备。本章首先从Spark产生的背景開始，介绍Spark的主要特点、基本概念、版本号变迁。然后简要说明Spark的主要模块和编程模型。

最后从Spark的设计理念和基本架构入手，使读者可以对Spark有宏观的认识，为之后的内容做一些准备工作。

Spark是一个通用的并行计算框架，由加州伯克利大学（UCBerkeley）的AMP实验室开发于2009年。并于2010年开源。

2013年成长为Apache旗下为大数据领域最活跃的开源项目之中的一个。Spark也是基于map reduce 算法模式实现的分布式计算框架，拥有Hadoop MapReduce所具有的长处，而且攻克了HadoopMapReduce中的诸多缺陷。

2.1 初识Spark

2.1.1 Hadoop MRv1的局限

早在Hadoop1.0版本号。当时採用的是MRv1版本号的MapReduce编程模型。MRv1版本号的实现都封装在org.apache.hadoop.mapred包中。MRv1的Map和Reduce是通过接口实现的。MRv1包含三个部分：

执行时环境（JobTracker和TaskTracker）。
编程模型（MapReduce）；
数据处理引擎（Map任务和Reduce任务）。

MRv1存在下面不足：

可扩展性差：在执行时，JobTracker既负责资源管理又负责任务调度，当集群繁忙时。JobTracker非常easy成为瓶颈。终于导致它的可扩展性问题。
可用性差：採用了单节点的Master，没有备用Master及选举操作，这导致一旦Master出现问题，整个集群将不可用。
资源利用率低：TaskTracker使用“slot”等量划分本节点上的资源量。“slot”代表计算资源（CPU、内存等）。
一个Task 获取到一个slot 后才有机会执行。Hadoop 调度器负责将各个TaskTracker 上的空暇slot 分配给Task 使用。一些Task并不能充分利用slot。而其它Task也无法使用这些空暇的资源。slot 分为Map slot 和Reduce slot 两种，分别供MapTask 和Reduce Task 使用。有时会由于作业刚刚启动等原因导致MapTask非常多，而Reduce Task任务还没有调度的情况，这时Reduce slot也会被闲置。
不能支持多种MapReduce框架：无法通过可插拔方式将自身的MapReduce框架替换为其它实现，如Spark、Storm等。

MRv1的示意如图2-1。

图2-1 MRv1示意图

Apache为了解决以上问题，对Hadoop升级改造，MRv2终于诞生了。MRv2中，重用了MRv1中的编程模型和数据处理引擎。可是执行时环境被重构了。

JobTracker被拆分成了通用的资源调度平台（ResourceManager，简称RM）和负责各个计算框架的任务调度模型（ApplicationMaste，简称AM）。MRv2中MapReduce的核心不再是MapReduce框架，而是YARN。在以YARN为核心的MRv2中，MapReduce框架是可插拔的。全然能够替换为其它MapReduce实现，比方Spark、Storm等。MRv2的示意如图2-2所看到的。

图2-2 MRv2示意图

Hadoop MRv2尽管攻克了MRv1中的一些问题。可是因为对HDFS的频繁操作（包含计算结果持久化、数据备份及shuffle等）导致磁盘I/O成为系统性能的瓶颈，因此仅仅适用于离线数据处理，而不能提供实时数据处理能力。

2.1.2 使用场景

Hadoop经常使用于解决高吞吐、批量处理的业务场景，比如离线计算结果用于浏览量统计。假设须要实时查看浏览量统计信息。Hadoop显然不符合这种要求。

Spark通过内存计算能力极大地提高了大数据处理速度，满足了以上场景的须要。此外，Spark还支持SQL查询，流式计算，图计算。机器学习等。

通过对Java、Python、Scala、R等语言的支持，极大地方便了用户的使用。

2.1.3 Spark的特点

Spark看到MRv1的问题，对MapReduce做了大量优化。总结例如以下：

高速处理能力。随着实时大数据应用越来越多，Hadoop作为离线的高吞吐、低响应框架已不能满足这类需求。HadoopMapReduce的Job将中间输出和结果存储在HDFS中，读写HDFS造成磁盘IO成为瓶颈。Spark同意将中间输出和结果存储在内存中。节省了大量的磁盘IO。
同一时候Spark自身的DAG运行引擎也支持数据在内存中的计算。Spark官网声称性能比Hadoop快100倍，如图2-3所看到的。即便是内存不足须要磁盘IO。其速度也是Hadoop的10倍以上。

图2-3 Hadoop与Spark运行逻辑回归时间比較

易于使用。Spark如今支持Java、Scala、Python和R等语言编写应用程序，大大减少了使用者的门槛。自带了80多个高等级操作符，同意在Scala，Python，R的shell中进行交互式查询。
支持查询。
Spark支持SQL及Hive SQL对数据查询。
支持流式计算。
与MapReduce仅仅能处理离线数据相比，Spark还支持实时的流计算。Spark依赖Spark Streaming对数据进行实时的处理。其流式处理能力还要强于Storm。
可用性高。Spark自身实现了Standalone部署模式，此模式下的Master能够有多个，攻克了单点故障问题。此模式全然能够使用其它集群管理器替换。比方YARN、Mesos、EC2等。
丰富的数据源支持。Spark除了能够訪问操作系统自身的文件系统和HDFS。还能够訪问Cassandra, HBase, Hive, Tachyon以及不论什么Hadoop的数据源。这极大地方便了已经使用HDFS、Hbase的用户顺利迁移到Spark。

2.2 基础知识

1.版本号变迁

经过4年多的发展，Spark眼下的版本号是1.4.1。我们简单看看它的版本号发展过程。

1) Spark诞生于UCBerkeley的AMP实验室（2009）。

2) Spark正式对外开源（2010）。

3) Spark 0.6.0版本号公布（2012-10-15），大范围的性能改进。添加了一些新特性。并对Standalone部署模式进行了简化。

4) Spark 0.6.2版本号公布（2013-02-07），攻克了一些bug，并增强了系统的可用性。

5) Spark 0.7.0版本号公布（2013-02-27），添加了很多其它关键特性。比如：PythonAPI、Spark Streaming的alpha版本号等。

6) Spark 0.7.2版本号公布（2013-06-02），性能改进并攻克了一些bug，新的API使用的样例。

7) Spark接受进入Apache孵化器（2013-06-21）。

8) Spark 0.7.3版本号公布（2013-07-16），一些bug的解决，更新Spark Streaming API等。

9) Spark 0.8.0版本号公布（2013-09-25），一些新功能及可用性改进。

10) Spark 0.8.1版本号公布（2013-12-19）。支持Scala 2.9，YARN 2.2，Standalone部署模式下调度的高可用性。shuffle的优化等。

11) Spark 0.9.0版本号公布（2014-02-02），添加了GraphX，机器学习新特性，流式计算新特性，核心引擎优化（外部聚合、加强对YARN的支持）等。

12) Spark 0.9.1版本号公布（2014-04-09）。添加使用YARN的稳定性。改进Scala和Python API的奇偶性。

13) Spark 1.0.0版本号公布（2014-05-30），添加了Spark SQL、MLlib、GraphX和Spark Streaming都添加了新特性并进行了优化。

Spark核心引擎还添加了对安全YARN集群的支持。

14) Spark 1.0.1版本号公布（2014-07-11），添加了Spark SQL的新特性和堆JSON数据的支持等。

15) Spark 1.0.2版本号公布（2014-08-05）。Spark核心API及Streaming。Python，MLlib的bug修复。

16) Spark 1.1.0版本号公布（2014-09-11）。

17) Spark 1.1.1版本号公布（2014-11-26），Spark核心API及Streaming，Python。SQL。GraphX和MLlib的bug修复。

18) Spark 1.2.0版本号公布（2014-12-18）。

19) Spark 1.2.1版本号公布（2015-02-09）。Spark核心API及Streaming，Python。SQL。GraphX和MLlib的bug修复。

20) Spark 1.3.0版本号公布（2015-03-13）。

21) Spark 1.4.0版本号公布（2015-06-11）。

22) Spark 1.4.1版本号公布（2015-07-15），DataFrame API及Streaming，Python。SQL和MLlib的bug修复。

2.基本概念

要想对Spark有总体性的了解，推荐读者阅读Matei Zaharia的Spark论文。

此处笔者先介绍Spark中的一些概念：

RDD（resillient distributed dataset）：弹性分布式数据集。
Task：详细运行任务。Task分为ShuffleMapTask和ResultTask两种。ShuffleMapTask和ResultTask分别类似于Hadoop中的Map，Reduce。
Job：用户提交的作业。
一个Job可能由一到多个Task组成。
Stage：Job分成的阶段。一个Job可能被划分为一到多个Stage。
Partition：数据分区。
即一个RDD的数据能够划分为多少个分区。
NarrowDependency：窄依赖。
即子RDD依赖于父RDD中固定的Partition。NarrowDependency分为OneToOneDependency和RangeDependency两种。
ShuffleDependency：shuffle依赖，也称为宽依赖。
即子RDD对父RDD中的全部Partition都有依赖。
DAG（Directed Acycle graph）：有向无环图。用于反映各RDD之间的依赖关系。

3.与Java的比較

Spark为什么要选择Java作为开发语言？笔者不得而知。假设能对二者进行比較，或许能看出一些端倪。

表2-1列出了对Scala与Java的比較。

表2-1 Scala与Java的比較

	Scala	Java
语言类型	面向函数为主，兼有面向对象	面向对象（Java8也添加了lambda函数编程）
简洁性	很简洁	不简洁
类型判断	丰富的类型判断，比如深度和链式的类型判断、 duck type 、隐式类型转换等，但也因此添加了编译时长	少量的类型判断
可读性	一般，丰富的语法糖导致的各种奇幻使用方法，比如方法签名	好
学习成本	较高	一般
语言特性	很丰富的语法糖和更现代的语言特性，比如 Option 、模式匹配、使用空格的方法调用	丰富
并发编程	使用Actor的消息模型	使用堵塞、锁、堵塞队列等

通过以上比較似乎仍然无法推断Spark选择开发语言的原因。因为函数式编程更接近计算机思维，因此便于通过算法从大数据中建模，这应该更符合Spark作为大数据框架的理念吧！

2.3 基本设计思想

2.3.1 Spark模块设计

整个Spark主要由下面模块组成：

Spark Core：Spark的核心功能实现，包含：SparkContext的初始化（DriverApplication通过SparkContext提交）、部署模式、存储体系、任务提交与运行、计算引擎等。
Spark SQL：提供SQL处理能力，便于熟悉关系型数据库操作的project师进行交互查询。此外。还为熟悉Hadoop的用户提供Hive SQL处理能力。
Spark Streaming：提供流式计算处理能力，眼下支持Kafka、Flume、Twitter、MQTT、ZeroMQ、Kinesis和简单的TCP套接字等数据源。此外，还提供窗体操作。
GraphX：提供图计算处理能力，支持分布式， Pregel提供的API能够解决图计算中的常见问题。
MLlib：提供机器学习相关的统计、分类、回归等领域的多种算法实现。其一致的API接口大大减少了用户的学习成本。

Spark SQL、Spark Streaming、GraphX、MLlib的能力都是建立在核心引擎之上，如图2-4。

图2-4 Spark各模块依赖关系

1. Spark核心功能

Spark Core提供Spark最基础与最核心的功能。主要包含：

SparkContext：通常而言。DriverApplication的运行与输出都是通过SparkContext来完毕的，在正式提交Application之前，首先须要初始化SparkContext。SparkContext隐藏了网络通信、分布式部署、消息通信、存储能力、计算能力、缓存、測量系统、文件服务、Web服务等内容，应用程序开发人员仅仅须要使用SparkContext提供的API完毕功能开发。
SparkContext内置的DAGScheduler负责创建Job。将DAG中的RDD划分到不同的Stage。提交Stage等功能。内置的TaskScheduler负责资源的申请、任务的提交及请求集群对任务的调度等工作。
存储体系：Spark优先考虑使用各节点的内存作为存储，当内存不足时才会考虑使用磁盘。这极大地降低了磁盘I/O，提升了任务运行的效率，使得Spark适用于实时计算、流式计算等场景。
此外。Spark还提供了以内存为中心的高容错的分布式文件系统Tachyon供用户进行选择。Tachyon可以为Spark提供可靠的内存级的文件共享服务。
计算引擎：计算引擎由SparkContext中的DAGScheduler、RDD以及详细节点上的Executor负责运行的Map和Reduce任务组成。
DAGScheduler和RDD尽管位于SparkContext内部，可是在任务正式提交与运行之前将Job中的RDD组织成有向无关图（简称DAG）、并对Stage进行划分决定了任务运行阶段任务的数量、迭代计算、shuffle等过程。
部署模式：因为单节点不足以提供足够的存储及计算能力，所以作为大数据处理的Spark在SparkContext的TaskScheduler组件中提供了对Standalone部署模式的实现和Yarn、Mesos等分布式资源管理系统的支持。通过使用Standalone、Yarn、Mesos等部署模式为Task分配计算资源，提高任务的并发运行效率。
除了可用于实际生产环境的Standalone、Yarn、Mesos等部署模式外，Spark还提供了Local模式和local-cluster模式便于开发和调试。

2. Spark扩展功能

为了扩大应用范围。Spark陆续添加了一些扩展功能，主要包含：

Spark SQL：因为SQL具有普及率高、学习成本低等特点，为了扩大Spark的应用面。因此添加了对SQL及Hive的支持。
Spark SQL的过程能够总结为：首先使用SQL语句解析器（SqlParser）将SQL转换为语法树（Tree），而且使用规则运行器（RuleExecutor）将一系列规则（Rule）应用到语法树，终于生成物理运行计划并运行的过程。当中，规则包含语法分析器（Analyzer）和优化器（Optimizer）。Hive的运行过程与SQ类似。
Spark Streaming：Spark Streaming与Apache Storm类似。也用于流式计算。SparkStreaming支持Kafka、Flume、Twitter、MQTT、ZeroMQ、Kinesis和简单的TCP套接字等多种数据输入源。
输入流接收器（Receiver）负责接入数据。是接入数据流的接口规范。Dstream是Spark Streaming中全部数据流的抽象，Dstream能够被组织为DStreamGraph。
Dstream本质上由一系列连续的RDD组成。
GraphX：Spark提供的分布式图计算框架。GraphX主要遵循总体同步并行计算模式（BulkSynchronous Parallell。简称BSP）下的Pregel模型实现。GraphX提供了对图的抽象Graph，Graph由顶点（Vertex）、边（Edge）及继承了Edge的EdgeTriplet（加入了srcAttr和dstAttr用来保存源顶点和目的顶点的属性）三种结构组成。GraphX眼下已经封装了最短路径、网页排名、连接组件、三角关系统计等算法的实现。用户能够选择使用。
MLlib：Spark提供的机器学习框架。机器学习是一门涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多领域的交叉学科。MLlib眼下已经提供了基础统计、分类、回归、决策树、随机森林、朴素贝叶斯、保序回归、协同过滤、聚类、维数缩减、特征提取与转型、频繁模式挖掘、预言模型标记语言、管道等多种数理统计、概率论、数据挖掘方面的数学算法。

2.3.2 Spark模型设计

1. Spark编程模型

Spark 应用程序从编写到提交、运行、输出的整个过程如图2-5所看到的，图中描写叙述的过程例如以下：

1) 用户使用SparkContext提供的API（经常使用的有textFile、sequenceFile、runJob、stop等）编写Driver application程序。

此外SQLContext、HiveContext及StreamingContext对SparkContext进行封装，并提供了SQL、Hive及流式计算相关的API。

2) 使用SparkContext提交的用户应用程序，首先会使用BlockManager和BroadcastManager将任务的Hadoop配置进行广播。

然后由DAGScheduler将任务转换为RDD并组织成DAG，DAG还将被划分为不同的Stage。最后由TaskScheduler借助ActorSystem将任务提交给集群管理器（Cluster Manager）。

3) 集群管理器（ClusterManager）给任务分配资源，即将详细任务分配到Worker上，Worker创建Executor来处理任务的执行。Standalone、YARN、Mesos、EC2等都能够作为Spark的集群管理器。

图2-5 代码运行过程

2.计算模型

RDD能够看做是对各种数据计算模型的统一抽象，Spark的计算过程主要是RDD的迭代计算过程，如图2-6。RDD的迭代计算过程很类似于管道。分区数量取决于partition数量的设定，每一个分区的数据仅仅会在一个Task中计算。

全部分区能够在多个机器节点的Executor上并行运行。

图2-6 RDD计算模型

2.4 Spark基本架构

从集群部署的角度来看，Spark集群由下面部分组成：

Cluster Manager：Spark的集群管理器，主要负责资源的分配与管理。集群管理器分配的资源属于一级分配，它将各个Worker上的内存、CPU等资源分配给应用程序，可是并不负责对Executor的资源分配。
眼下，Standalone、YARN、Mesos、EC2等都能够作为Spark的集群管理器。
Worker：Spark的工作节点。对Spark应用程序来说，由集群管理器分配得到资源的Worker节点主要负责下面工作：创建Executor。将资源和任务进一步分配给Executor，同步资源信息给Cluster Manager。
Executor：运行计算任务的一线进程。
主要负责任务的运行以及与Worker、Driver App的信息同步。
Driver App：client驱动程序，也能够理解为client应用程序，用于将任务程序转换为RDD和DAG，并与Cluster Manager进行通信与调度。

这些组成部分之间的总体关系如图2-7所看到的。