spark入门及实践PPT文件格式下载.pptx

1、1、中间结果输出 基于MapReduce的计算模型会将中间结果序列化到磁盘上。而Spark将执行模型抽象为通用的有向无环图执行计划。且可以将中间结果缓存内存中。2、数据格式和内存布局 Spark抽象出分布式内存存储结构RDD，进行数据存储。Spark能够控制数据在不同节点上的分区，用户可以自定义分区策略。,一、Spark综述,3、执行策略 MapReduce在数据shuffle之前总是花费大量时间来排序。Spark支持基于Hash的分布式聚合，在需要的时候再进行实际排序。4、任务调度的开销 MapReduce上的不同作业在同一个节点运行时，会各自启动一个JVM。而Spark同一节点的所有任务都

2、可以在一个JVM上运行。,一、Spark综述,Spark生态随着BDAS的完善，已经成型。Spark全面兼容Hadoop的数据持久层。从而让把计算任务从原来的MapReduce计算任务迁移到Spark中更加简单。目前Spark的工业应用在国内已经大范围落地。包括BAT在内的一众互联网公司都建立了自己的Spark集群,纲要,Spark架构,3,BDAS简介,4,函数式编程简介,7,Spark应用实例,6,Spark安装部署,5,二、Spark关键技术,RDD的全称是弹性分布式数据集（resilient distributed dataset）是Spark的核心数据模型，RDD是Spark中待处理

3、的数据的抽象，它是逻辑中的实体。对于使用者来说，你得到的数据操作接口就是RDD，在对RDD进行处理的时候不需要考虑底层的分布式集群，就像在单机上一样即可，这也正是Spark的优势之一。,二、Spark关键技术,从Hadoop文件系统输入（比如HDFS）创建。从父RDD转换得到新的RDD。将数组或者集合这样的数据结构并行化，转化成RDD。通过cache（）函数将计算后的RDD缓存到内存中。,二、Spark关键技术,从逻辑上来看，RDD就是数据。而实际上，从物理上来看，RDD是一种分布式内存的抽象。Spark中的数据实际上是像HDFS那样分块存储,二、Spark关键技术,分区列表计算每个分片的函数

4、对父RDD的依赖对“键值对”数据类型RDD的分区器，控制分区策略和分区数。每个数据分区的地址列表。,所以RDD实际上只是一个元数据对象，用于将对数据集的操作映射到物理存储之上。RDD的重要内部属性如下：,二、Spark关键技术,RDD中的依赖关系RDD之间的依赖关系可以分为两类：窄依赖：每个父 RDD 的分区都至多被一个子 RDD 的分区使用；窄依赖允许在单个集群节点上流水线式执行，这个节点可以计算所有父级分区。在窄依赖中，节点失败后的恢复更加高效。因为只有丢失的父级分区需要重新计算，并且这些丢失的父级分区可以并行地在不同节点上重新计算。宽依赖：多个子 RDD 的分区依赖一个父 RDD 的分区

5、。宽依赖需要所有的父 RDD 数据可用并且数据已经通过类 MapReduce 的操作shuffle 完成。在宽依赖的继承关系中，单个失败的节点可能导致一个 RDD 的所有先祖 RDD 中的一些分区丢失，导致计算的重新执行。,二、Spark关键技术,宽依赖和窄依赖的样例。每一个方框表示一个 RDD，其内的阴影矩形表示 RDD 的分区。,二、Spark关键技术,TransformationTransformation操作是延迟计算的，也就是说从一个RDD转换生成另一个RDD的转换操作不是立即执行的，而是需要等到Action操作是才真正出发运算。ActionAction算子会触发Spark提交作业，

6、并将数据输出到Spark系统。,RDD操作算子，RDD中的操作算子可以分为两类：Transformation（变换）算子 与 Action（行动）算子。,二、Spark关键技术,RDD算子操作举例如下：,Val line=sc.textFile（Test.txt）line.map（n=Integer.parseInt（n）*Integer.parseInt（n）.reduce（_+_）,二、Spark关键技术,二、Spark关键技术,基于血统的容错机制（lineage）：在spark中RDD具有不变性，在数据处理过程中，spark通过lineage图记录了各个RDD之间的变换关系，一旦某个数据

7、处理过程出现错误，spark可以根据lineage图快速进行容错恢复。特别是对于map操作来说，当某个节点的任务失败，spark只需要重新计算相应分区的数据，而不必将整个任务重新计算。在很多分布式数据处理系统中通过备份来进行容错，相比于这种会导致巨大存储消耗的容错方式，spark的lineage图只需要十几kb的存储空间。Spark允许用户将数据cache下来，对于将来可能频繁使用的某个计算结果，将这个RDDcache下来是明智的选择。,二、Spark关键技术,检查点支持：虽然 lineage 可用于错误后 RDD 的恢复，但对于很长的 lineage 的 RDD 来说，这样的恢复耗时较长。由

8、此，可以考虑将某些 RDD 进行检查点操作（Checkpoint）保存到稳定存储上。Spark 当前提供了为 RDD 设置检查点操作的 API,让用户自行决定需要为哪些数据设置检查点操作。由于 RDD 的只读特性使得比常用的共享内存更容易做 checkpoint.由于不需要关心一致性的问题，RDD 的写出可在后台进行，而不需要程序暂停或进行分布式快照,纲要,BDAS简介,4,Scala简介,7,Spark应用实例,6,Spark安装部署,5,三、Spark体系架构,MasterWorker,三、Spark体系架构,三、Spark体系架构,Master进程和Worker进程，对整个集群进行控制。

9、Driver 程序是应用逻辑执行的起点，负责作业的调度，即Task任务的分发Worker用来管理计算节点和创建Executor并行处理任务。Executor对相应数据分区的任务进行处理。,三、Spark体系架构,Client 提交应用，Master找到一个Worker启动DriverDriver向Master或者资源管理器申请资源，之后将应用转化为RDD GraphDAGScheduler将RDD Graph转化为Stage的有向无环图提交给TaskSchedulerTaskScheduler提交任务给Executor执行。,纲要,Spark架构,3,Scala简介,7,Spark应用实例,6

10、,Spark安装部署,5,四、BDAS简介,目前，Spark已经发展成为包含众多子项目的大数据计算平台。伯克利将Spark的整个生态系统称为伯克利数据分析栈（BDAS），目前包含四个已经比较成熟的组件。,四、BDAS简介,谈到Spark SQL：首先需要从Shark说起。,四、BDAS简介,为了给熟悉RDBMS但又不理解MapReduce的技术人员提供快速上手的工具，Hive应运而生，它是当时唯一运行在Hadoop上的SQL-on-Hadoop工具。但是MapReduce计算过程中大量的中间磁盘落地过程消耗了大量的I/O，降低的运行效率，为了提高SQL-on-Hadoop的效率，大量的SQL-

11、on-Hadoop工具开始产生。其中就包括Shark,四、BDAS简介,Shark基于Hive修改了内存管理、物理计划、执行三个模块，并使之能运行在Spark引擎上，从而使得SQL查询的速度得到10-100倍的提升,四、BDAS简介,Shark缺陷：Shark对于Hive的太多依赖，制约了Spark的One Stack Rule Them All的既定方针，制约了Spark各个组件的相互集成SparkSQL抛弃原有Shark的代码，汲取了Shark的一些优点，如内存列存储（In-Memory Columnar Storage）、Hive兼容性等，重新开发了SparkSQL代码；由于摆脱了对Hi

12、ve的依赖性，SparkSQL无论在数据兼容、性能优化、组件扩展方面都得到了极大的方便,四、BDAS简介,*数据兼容方面 不但兼容Hive，还可以从RDD、JSON文件中获取数据*性能优化方面 采取In-Memory Columnar Storage、byte-code generation等优化技术*组件扩展方面 无论是SQL的语法解析器、分析器还是优化器都可以重新定义，进行扩展。,四、BDAS简介,Spark SQL是一个用于结构化的数据处理的模块。Spark SQL和Spark RDD API的区别如下：1、Spark SQL的接口提供更多的关于数据以及操作的结构方面的信息。2、Spar

13、k SQL会利用这些信息对数据操作进行额外的优化。可以通过三种方式与Spark SQL进行交互：SQL、DataFrames API、Datasets API这三种API/语言最终都同一个执行引擎完成操作。所以你可以选择任何一种舒服的方式来书写自己的数据处理逻辑。,四、BDAS简介,Spark SQL的使用方式之一是用来执行SQL查询。特性如下：同时支持标准的SQL语句和HiveQL能够从Hive表中读取数据（需要进行配置）查询结果将返回一个DataFrame支持在交互式环境中使用SQL语句,四、BDAS简介,DataFrame用来描述结构化的数据。Spark官方给出的定义为：A DataFr

14、ame is a distributed collection of data organized into named columns.DataFrame概念上等同于关系型数据库中的一个表或者R/Python语言中的data frame，不同的是Spark提供更丰富的优化。DataFrame可从多种资源中构建：结构化的数据文件、hive中的表、外部数据库、现有的RDD等。DataFrame提供了丰富的API。,四、BDAS简介,Spark Streaming是建立在Spark上的实时计算框架，通过它提供的丰富的API、基于内存的高速执行引擎，用户可以结合流式、批处理和交互试查询应用。Spar

15、k Streaming通过将流数据按指定时间片累积为RDD，然后将每个RDD进行批处理，进而实现大规模的流数据处理。其吞吐量能够超越现有主流流处理框架Storm，并提供丰富的API用于流数据计算。,四、BDAS简介,Spark Streaming是将流式计算分解成一系列短小的批处理作业。把Spark Streaming的输入数据按照batch size（如1秒）分成一段一段的数据，每一段数据都转换成Spark中的RDD将Spark Streaming中对DStream的Transformation操作变为针对Spark中对RDD的Transformation操作将RDD经过操作变成中间结果保存在内存中。整个流式计算根据业务的需求可以对中间的结果进行叠加，或者存储到外部设备。,四、BDAS简介,四、BDAS简介,处理模型,延迟：Storm处理的是每次传入的一个事件，而Spark Streaming是处理某个时间段窗口内的事件流。容错、数据保证：