01_Spark基础

1.1、Spark Ecosystem

BlinkDB: 允许用户定义一个错误范围，BlinkDB将在用户给定的错误范围内，尽可能快的提供查询结果

1.2、Spark愿景

1.3、Spark简介

1）加州大学伯克利分校AMP实验室(Algorithms, Machines, and People lab), 内存并行计算框架（computing system)
2）2013年6月，Apache孵化项目
3）8个月后，Apache顶级项目
4）围绕着Spark，推出了Spark Streaming, Spark SQL, MLLib，GraphX等组件（BDAS 伯克利数据分析栈）
5）基于Scala实现，能够像操作本地数据一样操作分布式数据集（RDD/Dataset)

特点：
1）快，主要是两个因素：DAG将计算并行，在内存中进行数据的迭代计算（官方数据：如果原始数据从磁盘读取，处理速度是MapReduce的10倍以上）

2）易用：Scala本身简洁，同时支持Java，Python等其他语言
3）通用性强：Spark生态圈(BDAS)包括了：Spark Core, Spark Streaming, Spark SQL, GraphX, MLLib等组件，分别提供内存计算框架，实时数据处理，即刻查询，图处理，机器学习，并且能无缝集成
4）随处运行：
　　　　　　　　存储层面：Spark能够从HDFS，Cassandra，HBASE，S3等持久层读写原生数据
　　　　　　　　Job调用层面：自带的Standalone，yarn，Mesos作为资源管理器来进行Job调度

厂家支持情况：

1）30+公司100+开发者在提交代码
2）Hadoop最大的发行厂商Cloudera宣称增大Spark框架的投入
3）Hortonworks
4) Haddop厂商MapR投入Spark阵营
5）Apache Mahout(机器学习）放弃MapReduce，将使用Spark作为其后续的计算平台

1.4、Spark和Hadoop的差异

1）中间数据在内存
2）DAG图的方式来组织计算过程，将可能的task并行执行
3）RDD(Resilent Distributed Dataset)的变换，和基于RDD的action数据计算，是Spark的核心抽象
　　RDD的起源：https://cs.stanford.edu/~matei/papers/2012/nsdi_spark.pdf
4）RDD，一组数据元素构成的集合，具有不可变性和分布性；数据进入Spark会转换为RDD，之后的所有数据转换及计算都基于RDD进行，概括的来看Spark计算，就是一系列的RDD转换和对RDD中的数据进行计算
　　Spark会根据一定的规则，将RDD分布的存储在集群内存中，并且提供了一定的机制将RDD进行重建（某个RDD所在的节点突然down机）
5）RDD计算时可以通过CheckPoint实现容错，两种方式：CheckPoint Data, Logging The updates, 用户可以自由控制
6）需要多说的是，当前Spark更推荐使用datasets来替代RDD，从效率上来看datasets的执行速度更快
7）Spark相比MapReduce提供了更多的RDD操作：
　　Transformation: 由1个RDD生成另一个RDD，并且延迟执行，map/filter/flatmap/Sample/GroupBykey/ReduceByKey/Union/join等等
　　Actions: 基于RDD进行计算并得到结果，Collect/Reduce/Lookup/Save

1.6 Spark术语

Spark运行模式

Spark运行模式，主要指的是Application提交时指定, 而部署上并没有区分

Local 　　　　　　本地模式　　常用于本地开发测试，细分为local单线程，local-cluster多线程
Standalone　　　　集群模式　　集群模式(Master/Slave), 通过自带的资源调度器来完成作业、资源调度，支持zookeeper来实现Master HA
on yarn 　　　　　集群模式　使用yarn作为资源调度，spark负责作业调度和计算
on mesos 集群模式使用mesos作为资源调度，spark负责作业调度和计算
on cloud 集群模式 AWS EC2，可以方便的使用Amazon的S3存储

Spark应用程序

Application 　　　　　　　　 Spark的应用程序，包含1个Driver programme和若干executor
Driver Programme 　　　　　运行Application的main()函数，并创建SparkContext
SparkContext 　　　　　　　由Driver Programme创建，协调各个worker Node上的Executor进程，调度计算资源
Executor Application运行在Worker Node上的1个进程，负责运行task, 以及存储数据（内存或磁盘）
ClusterManager 负责在集群上获取资源（standalone, yarn, mesos都是Cluster Manager）
worker node 集群中可以运行Application代码的物理节点，1个worker node上可以运行多个executor
Task 运行在executor进程内的工作单元，1个Executor进程内可以运行多个Task
Job SparkContext提交的具体Action，常和Action对应
Stage Job会被拆分为很多组task，每组task = Stage = Taskset
RDD Spark内的数据都用RDD来描述，根据一定的规则(partition),分布在cluster memory
两种生成方式：1）从外部存储HDFS/S3输入 2）从父RDD转换得到新RDD
DAG Scheduler 根据Job(Action) -> Stages(taskset) -> Stage间的依赖关系图（DAG），并提交Stage(1个stage中包含1组task)给task scheduler
Task Scheduler 将Stage(taskset)提交给Worker Node集群运行，并返回结果(启动、监控、汇报task）
Transformation Spark Core（内存计算）提供的RDD操作，基于1个RDD生成另外1个RDD，Transformation并不立即执行
Action Spark Core(内存计算）提供的RDD操作，基于RDD返回scala集合（结果），Action会触发transformation的执行

总结：1个Application含有1个或多个Action, 每个Action对应1个Job; 1个Job将会拆分为不同的Stage，每个Stage是1个Taskset，内部含有多个Task

2、Spark Application的运行过程

通用过程

1、构建Spark Application的运行环境（启动SparkContext）
2、SparkContext向资源管理器（可以是Standalone、Mesos、Yarn）申请Executor资源，并在worker node上启动ExecutorBackend，Executo启动后向SparkContext注册并申请Task。
3、SparkContext先将应用程序代码发给executor
4、SparkContext构建DAG图、将DAG图分解成Stage、将Taskset发送给Task Scheduler、最后由Task Scheduler将Task发放给Executor运行
5、Task在Executor上运行，运行完毕释放所有资源

StandAlone(client模式)下的Spark Application运行过程

1、DriverProgramm运行在Client所在机器，创建SparkContext
2、SparkContext连接到Master(standalone资源调度），注册并申请资源（CPU core/Memory）
3、Master(standalone资源调度）根据worker周期性心跳决定在哪些worker上运行executor
4、Master(standalone资源调度）在worker上分配资源，启动StandaloneExecutorBackend
5、Worker Node上的StandaloneExecutorBackend，向SparkContext注册（此时SparkContext才知道哪些Worker Node可用）
6、SparkContext将Spark Application代码发送给ExecutorBackend
7、SparkContext解析Spark Application代码，构建DAG图，并提交给DAG Schduler将其分解为多个Stage，然后将Stage(1个taskset）提交给Task Scheduler
8、TaskScheduler将Task分配给不同的worker
9、worker上的backendExecutor执行task
10、backendExecutor会创建executor池，开始执行task，并向SparkContext汇报task状态
11、所有task执行完成后，SparkContext向Master(Standalone资源调入）注销，释放申请的资源

Spark on Yarn(cluster模式）运行过程

注意：Spark on Yarn有client/cluster两种模式，区别在于：
Client模式，AM（DriverProgramme）运行在提交Spark Application的节点；
Cluster模式，AM(DriverProgramme) 由Yarn进行调度，在某一个HDFS Datanode上运行

1、用户通过bin/spark-submit 向YARN提交Application
2、RM为Application分配第一个container，并在指定节点的container上启动SparkContext。
3、SparkContext向RM申请资源以运行Executor
4、RM分配Container给SparkContext，SparkContext和相关的NM通讯，在获得的Container上启动StandaloneExecutorBackend，StandaloneExecutorBackend启动后，开始向 SparkContext注册并申请Task
5、SparkContext经过DAG图构建->拆分Stage(taskset)->TaskScheduler, 将Task分配给各个NM上的StandaloneExecutorBackend执行
6、StandaloneExecutorBackend执行Task并向SparkContext汇报运行状况
7、所有Task运行完毕，SparkContext归还资源给NM，并注销退出

3、提交Spark Application

Spark集群模式包括：standalone,on yarn, on mesos; 任一种集群模式，都是通过spark-submit命令来提交Spark Application，提交Spark Application时，才指定了Spark的运行模式
官方的Application提交文档：http://spark.apache.org/docs/latest/submitting-applications.html

通过bin/spark-submit提交Spark Application：
1）通用格式及参数说明
./bin/spark-submit \
--class <main-class> \ # Java/Scala程序的入口，主类(含有main方法）
--master <master-url> \ # 通过master-url，来指定local, standalone, yarn集群模式
--deploy-mode <deploy-mode> \ # 集群模式下，根据DriverProgramme的位置（集群内，集群外）又细分为client，cluster模式
--conf <key>=<value> \ # Application的相关资源调整：内存，CPU，不同内存的占比
... # other options # 基于python构建的SparkApplication
<application-jar> \ # Java/Scala程序打包得到的jar文件，hdfs://, file:/
[application-arguments] # java,scala,python编写的程序运行时，需要从命令行读入的输入参数

<master-url>
Master URL 　　　　　　含义
local 　　　　　　　　　　　本地运行SparkApplication,单线程
local[k] 　　　　　　　　　　本地运行SparkApplication,多线程k, K=机器的CPU核
local[k,F] 　　　　　　　　　本地运行SparkApplication,多线程k, 最多F次失败（spark.task.maxFailures参数）
local[*] 　　　　　　　　　　本地运行SparkApplicaton,线程数尽可能多（机器的最大逻辑CPU核数）
local[*,F] 　　　　　　　　　本地运行SparkApplicaton,线程数尽可能多，每个task最多允许F次失败
spark://HOST:PORT 　　　　　　　Host为Master，节点上运行自带的集群资源管理器，Port默认7077
spark://192.168.229.200:7077
spark://HOST1:PORT1,　　　　　 Standalone模式配置zookeeper时，将有Master的备选节点；HOST1，HOST2为所有可能的Master
HOST2:PORT2
yarn 　　　　　　　　　　　　　 DriverProgramme将连接yarn集群的RM，yarn集群的位置通过Spark-env.sh中的HADOOP_CONF_DIR或者YARN_CONF_DIR来自动确定

2）Spark Application运行时的配置优先级
Spark Applicaiton内的conf对象中的配置，最高优先级
Spark-submit中的指定的配置，次高优先级
conf/spark-defaluts.conf默认配置文件中的配置，最低优先级

3）例子
# Run a Python application on a Spark standalone cluster
# ./bin/spark-submit \
--master spark://192.168.229.200:7077 \
examples/src/main/python/pi.py \
1000

4、RDD基本概念

1、RDD概念
Spark的计算都是围绕RDD进行，可以理解为：所有的数据要进入Spark进行处理，都要先转换为RDD，之后都围绕RDD进行转换、计算，最终得到结果

一个RDD：由多个partition组成，每个partition包含一部分数据集片段；1个RDD的不同partition将被保存到集群中不同节点不同节点上基于partition进行并行计算

一个RDD：只读数据，如果需要修改数据就必须从父RDD转换到子RDD，同时Spark会记录RDD父子依赖（血缘），通过重新计算得到丢失的分区来完成容错

中间结果：默认是持久化到内存，通过内存完成数据共享，避免了不必要的磁盘读写开销
存放形式：存储的数据可以直接是java对象，避免了不必要的序列化和反序列化开销

2、RDD间的依赖关系（宽依赖，窄依赖）

窄依赖：1个子RDD的partition, 对应1个父RDD的partition
1个子RDD的partition, 对应多个父RDD的有限个partition(而不是全部）