本篇內(nèi)容主要講解“Spark是怎樣工作的”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學(xué)習(xí)“Spark是怎樣工作的”吧!

讓客戶滿意是我們工作的目標，不斷超越客戶的期望值來自于我們對這個行業(yè)的熱愛。我們立志把好的技術(shù)通過有效、簡單的方式提供給客戶，將通過不懈努力成為客戶在信息化領(lǐng)域值得信任、有價值的長期合作伙伴，公司提供的服務(wù)項目有：主機域名、虛擬主機、營銷軟件、網(wǎng)站建設(shè)、合川網(wǎng)站維護、網(wǎng)站推廣。

01 概述

隨著越來越多來自應(yīng)用領(lǐng)域的細分需求，人們從最初Hadoop的HDFS和MapReduce開始，一步步地構(gòu)造出了各種細分領(lǐng)域的技術(shù)框架。有專攻處理批處理場景的，有專攻數(shù)據(jù)倉庫場景的，有處理流計算場景的，也有專職機器學(xué)習(xí)的。

在我看來這有點像在給Hadoop打補丁，因為Hadoop在設(shè)計之初根本沒有考慮過這么多的場景，它只是為了支撐離線批處理。但是需求擺在這里，為了實現(xiàn)目標只得另起爐灶通過設(shè)計一個全新的系統(tǒng)滿足需求。這種現(xiàn)狀造成了很多問題。

• 重復(fù)工作：不同的系統(tǒng)之間都需要解決一些相同的共性問題，比如分布式執(zhí)行和容錯性。例如MapReduce、SQL查詢引擎和機器學(xué)習(xí)系統(tǒng)都會涉及聚合操作。

• 組合：不同系統(tǒng)之間的組合使用非?！鞍嘿F”，因為不同系統(tǒng)之間無法有效的功效數(shù)。為了組合使用我們需要將數(shù)據(jù)在不同的系統(tǒng)之間頻繁的導(dǎo)出導(dǎo)入，數(shù)據(jù)用來移動的時間可能都會超過計算的時間。

• 維護成本：雖然這些系統(tǒng)從每個個體的角度來看都十分優(yōu)秀，但是它們都是在不同時期由不同的團隊設(shè)計實現(xiàn)的，其設(shè)計思路和實現(xiàn)方式也各不相同。這導(dǎo)致平臺在部署運維這些系統(tǒng)的時候十分痛苦，因為它們差異太大了。

• 學(xué)習(xí)成本：系統(tǒng)之間巨大的差異性對于開發(fā)人員來講更是如此，這些技術(shù)框架擁有不同的邏輯對象、專業(yè)術(shù)語、API和編程模型，每種框架都需要重新學(xué)習(xí)一遍才能使用。

Spark意識到了這個問題，作為一個后起之秀它擁有天然的優(yōu)勢。Spark誕生于2012年，那個時候Hadoop生態(tài)已經(jīng)經(jīng)過了6個年頭的發(fā)展，其生態(tài)格局已經(jīng)成型。Spark已經(jīng)能夠看清大數(shù)據(jù)有哪些細分領(lǐng)域，同時MapReduce、Hive、Storm等開源組件也已經(jīng)發(fā)展多年，Spark也能夠了解到它們的長處和不足。

于是Spark橫空出世，成為目前開源社區(qū)最為火爆的一款分布式內(nèi)存計算引擎。Spark使用DAG(有向無環(huán)圖)模型作為其執(zhí)行模型，并且主要使用內(nèi)存計算的方式進行任務(wù)計算。

Spark基于一套統(tǒng)一的數(shù)據(jù)模型(RDD)和編程模型(Trans-foration /Action)之上，構(gòu)建出了Spark SQL、Spark  Streaming、Spark MLibs等多個分支，其功能涵蓋了大數(shù)據(jù)的多個領(lǐng)域，如圖2-14所示。

▲圖2-14 Spark涵蓋的領(lǐng)域

Spark通過統(tǒng)一的數(shù)據(jù)模型和編程模型，構(gòu)造出了SQL查詢、流計算、機器學(xué)習(xí)和圖計算等多個分支庫。

02 數(shù)據(jù)模型

RDD是彈性分布式數(shù)據(jù)集(Resilient Distributed  Datasets)的縮寫，它是MapReduce模型的擴展和延伸。Spark之所以能夠同時支撐大數(shù)據(jù)的多個領(lǐng)域，在很大程度上是依靠了RDD的能力。

雖然批處理、流計算、圖計算和機器學(xué)習(xí)這些計算場景之間初看起來風(fēng)馬牛不相及，但是它們都存在一個共同的需求，那就是在并行計算階段能夠高效的共享數(shù)據(jù)。

RDD的設(shè)計者們洞穿了這一現(xiàn)象，于是通過高效的數(shù)據(jù)共享概念和類似MapReduce的操作設(shè)計了RDD，使得它能模擬迭代式算法、關(guān)系查詢、MapReduce和流式處理等多種編程模型。

同時它也是一個可容錯的、可并行的數(shù)據(jù)結(jié)構(gòu)，可以讓用戶指定將數(shù)據(jù)存儲到磁盤和內(nèi)存中，并能控制數(shù)據(jù)的分區(qū)。同時它還提供了一些高效的編程接口操作數(shù)據(jù)集。

03 編程模型和作業(yè)調(diào)度

Spark將RDD的操作分為兩類：轉(zhuǎn)換(transformation)與行動(action)。

轉(zhuǎn)換操作是一種惰性操作，它只會定義新的RDD，而不會立即執(zhí)行。而行動操作則是立即執(zhí)行計算，它要么返回結(jié)果給Driver進程，或是將結(jié)果輸出到外部存儲。常見轉(zhuǎn)換操作如map、flatMap、filter等，常見行動操作如count、collect等。

當用戶對一個RDD執(zhí)行了行動操作之后，調(diào)度器會根據(jù)RDD的依賴關(guān)系生成一個DAG(有向無環(huán)圖)圖來執(zhí)行程序。DAG由若干個stage組成，每個stage內(nèi)都包含多個連續(xù)的窄依賴。而各個stage之間則是寬依賴。如圖2-15所示，實線方框代表的是RDD。方框內(nèi)的矩形代表分區(qū)，若分區(qū)已在內(nèi)存中保存則用黑色表示。

▲圖2-15 Spark任務(wù)拆分示意

04 依賴

RDD作為數(shù)據(jù)結(jié)構(gòu)，本質(zhì)上是一個只讀的分區(qū)記錄集合。一個RDD可以包含多個分區(qū)，每個分區(qū)是一個數(shù)據(jù)片段。

RDD可以相互依賴。如果父RDD的每個分區(qū)最多被一個子RDD的分區(qū)使用，則稱之為窄依賴;若多個子RDD分區(qū)依賴一個父RDD的分區(qū)，則稱之為寬依賴。不同的操作依據(jù)其特性，可能會產(chǎn)生不同的依賴。例如map操作會產(chǎn)生窄依賴，而join操作則產(chǎn)生寬依賴。

Spark之所以將依賴分為兩種，基于兩點原因。首先，窄依賴支持在同單個集群上以管道的形式式執(zhí)，例如在執(zhí)行了map后，緊接著執(zhí)行filter。相反，寬依賴需要所有的父RDD數(shù)據(jù)都可用并通過shuffle動作才可繼續(xù)執(zhí)行。

其次，窄依賴的失敗恢復(fù)更加高效，因為它只需要重新計算丟失的父分區(qū)，并且這些計算可以并行的在不同節(jié)點同時進行。與此相反，在寬依賴的繼承關(guān)系中，單個失敗的節(jié)點可能導(dǎo)致一個RDD的所有先祖RDD中的一些分區(qū)丟失，導(dǎo)致計算的重新執(zhí)行。如圖2-16所示，說明了窄依賴與寬依賴之間的區(qū)別。

▲圖2-16 SparkRDD寬依賴和窄依賴示意

05 容錯

傳統(tǒng)分布式系統(tǒng)的容錯方案有據(jù)復(fù)制和恢復(fù)日志兩種方案。對于以數(shù)據(jù)為中心的系統(tǒng)而言，這兩種方式都非常昂貴，因為它需要跨集群網(wǎng)絡(luò)復(fù)制大量數(shù)據(jù)，而網(wǎng)絡(luò)帶寬的速度遠遠低于內(nèi)存訪問的速度。

RDD天生是支持容錯的。首先，它自身是一個不變的數(shù)據(jù)集，其次，Spark使用DAG作為其執(zhí)行模型，所以它能夠通過RDD的依賴特性記住一系列操作生成一張DAG圖。因此當執(zhí)行的任務(wù)失敗時，Spark只需根據(jù)DAG圖進行重新計算即可實現(xiàn)容錯機制。由于無須采用復(fù)制的方式支持容錯，Spark很好地降低了跨網(wǎng)絡(luò)的數(shù)據(jù)傳輸成本。

06 集群模式

Spark的應(yīng)用以一組獨立進程的形式運行在一個集群之上，由主程序中的SparkContext對象進行協(xié)調(diào)(也被稱為driver程序)。Spark目前支持三種集群運行方式。

具體來說，Spark既可以通過standlone模式獨立運行，也可以運行在Mesos或者YARN之上。

如圖2-17所示，一旦SparkContext連接到集群，Spark首先會從集群的節(jié)點中獲得一些executor進程，這些進程會用來執(zhí)行我們程序中的計算和存儲邏輯，接著它會通過jar包的形式分發(fā)我們的程序代碼到各個executor進程。最后，SparkContext會分派任務(wù)到各executor進程進行執(zhí)行。

▲圖2-17 Spark任務(wù)進程示意

每個應(yīng)用都擁有自己的executor進程，這些進程會在整個應(yīng)用生命周期內(nèi)持續(xù)運行并以多線程的方式執(zhí)行具體的任務(wù)。這種設(shè)計的好處是將各個應(yīng)用之間的資源消耗進行了隔離，每個應(yīng)用都運行在它們各自的JVM中。但是這也意味著不同應(yīng)用之間的SparkContext無法共享數(shù)據(jù)，除非借助擴展的存儲媒介。

Spark對底層集群管理不可知。只要能夠獲取到executor進行，并且這些進程之間可以通信，它就能比較容易的運行在其他通用集群資源調(diào)度框架之上，如Mesos和YARN。

07 使用場景

Spark借助其RDD的出色設(shè)計，做到了橫跨多個領(lǐng)域的支撐。這意味著我們在一套程序邏輯之中可以集成多種操作。

例如使用SQL查詢過濾數(shù)據(jù)，然后進行機器學(xué)習(xí)或是通過SQL的方式操作流數(shù)據(jù)。在提升便利的同時也降低了開發(fā)人員的學(xué)習(xí)曲線，基于Spark，只需要學(xué)習(xí)一套編程模型即可處理多個領(lǐng)域。

所以將Spark作為平臺的一站式計算解決方案是再合適不過了。

到此，相信大家對“Spark是怎樣工作的”有了更深的了解，不妨來實際操作一番吧！這里是創(chuàng)新互聯(lián)網(wǎng)站，更多相關(guān)內(nèi)容可以進入相關(guān)頻道進行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！