大数据技术原理与应用 第三篇 大数据处理与分析（三）Spark_读取数据进行处理分析,可以使用spark(rdd的基本操作或dataframe的基本操作)或者ha

一、 Spark简介

Spark最初由美国加州伯克利大学（UCBerkeley）的AMP实验室于2009年开发，是基于内存计算的大数据并行计算框架，可用于构建大型的、低延迟的数据分析应用程序

1.1 Spark特点

运行速度快：使用DAG执行引擎以支持循环数据流与内存计算

容易使用：支持使用Scala、Java、Python和R语言进行编程，可以通过Spark Shell进行交互式编程

通用性：Spark提供了完整而强大的技术栈，包括SQL查询、流式计算、机器学习和图算法组件

运行模式多样：可运行于独立的集群模式中，可运行于Hadoop中，也可运行于Amazon EC2等云环境中，并且可以访问HDFS、Cassandra、HBase、Hive等多种数据源

1.2 Scala简介

Scala是一门现代的多范式编程语言，运行于Java平台（JVM，Java虚拟机），并兼容现有的Java程序

Scala是Spark的主要编程语言，但Spark还支持Java、Python、R作为编程语言

Scala的优势是提供了REPL（Read-Eval-Print Loop，交互式解释器），提高程序开发效率

特点：

Scala具备强大的并发性，支持函数式编程，可以更好地支持分布式系统

Scala语法简洁，能提供优雅的API

Scala兼容Java，运行速度快，且能融合到Hadoop生态圈中

1.3 Spark与Hadoop的对比

虽然Hadoop是大数据技术的事实标准，但主要缺陷是其MapReduce计算模型延迟高，无法胜任实时快速计算的需求，只适用于离线批处理的应用场景

Hadoop存在如下一些缺点：

表达能力有限：计算必须转化为Map和Reduce

磁盘IO开销大：每次都从磁盘读取数据，且中间结果也写入磁盘

延迟高 ：任务之间的衔接涉及IO开销 在前一个任务执行完成之前，其他任务就无法开始，难以胜任复杂、多阶段的计算任务

相比于Hadoop MapReduce，Spark主要具有如下优点：

Spark的计算模式也属于MapReduce，但不局限于Map和Reduce操作，还提供了多种数据集操作类型，编程模型比Hadoop MapReduce更灵活

Spark提供了内存计算，可将中间结果放到内存中，对于迭代运算效率更高S

spark基于DAG的任务调度执行机制，要优于Hadoop MapReduce的迭代执行机制

相比于Hadoop MapReduce，Spark主要具有如下缺点：

Hadoop可以使用廉价异构的计算机做分布式存储与计算，Spark对硬件要求较高

1.4 Spark生态系统

在实际应用中，大数据处理主要包括以下三个类型：

复杂的批量数据处理：通常时间跨度在数十分钟到数小时之间-MapReduce

基于历史数据的交互式查询：时间跨度在数十秒到数分钟之间-Impala

基于实时数据流的数据处理：时间跨度在数百毫秒到数秒之间-Storm

Spark的设计遵循“一个软件栈满足不同应用场景”的理念：

逐渐形成了一套完整的生态系统，既能够提供内存计算框架，也可以支持SQL即时查询、实时流式计算、机器学习和图计算等

Spark可以部署在资源管理器YARN之上，提供一站式的大数据解决方案

因此，Spark所提供的生态系统足以应对上述三种场景，即同时支持批处理、交互式查询和流数据处理

Spark生态系统

Spark的生态系统主要包含了Spark Core、Spark SQL、Spark Streaming、MLLib和GraphX 等组件

二、 Spark运行架构

2.1 基本概念

RDD：Resillient Distributed Dataset（弹性分布式数据集）的简称，是分布式内存的一个抽象概念，提供了一种高度受限的共享内存模型

DAG：Directed Acyclic Graph（有向无环图）的简称，反映RDD间的依赖关系

Executor：运行在工作节点（WorkerNode）的一个进程，负责运行Task

Application：用户编写的Spark应用程序

Task：运行在Executor上的工作单元

Job：一个Job包含多个RDD及作用于相应RDD上的各种操作

Stage：Job的基本调度单位，一个Job会分为多组Task，每组Task被称为Stage，或者也被称为TaskSet，代表了一组关联的、相互之间没有Shuffle依赖关系的任务组成的任务集

2.2 架构设计

Spark运行架构包括：集群资源管理器（Cluster Manager）、运行作业任务的工作节点（Worker Node）、每个应用的任务控制节点（Driver）和每个工作节点上负责具体任务的执行进程（Executor）。资源管理器可以使用自带的或Mesos、YARN等资源管理调度框架

与Hadoop MapReduce计算框架相比，Spark所采用的Executor有两个优点：一是利用多线程来执行具体的任务，减少任务的启动开销。二是Executor中有一个BlockManager存储模块，会将内存和磁盘共同作为存储设备，有效减少IO开销

一个Application由一个Driver和若干个Job构成，一个Job由多个Stage构成，一个Stage由多个没有Shuffle关系的Task组成

当执行一个Application时，Driver会向集群管理器申请资源，启动Executor，并向Executor发送应用程序代码和文件，然后在Executor上执行Task，运行结束后执行结果返回给Driver，或写到HDFS或其他数据库中

2.3 Spark运行基本流程

（1）首先为应用构建基本的运行环境，即由Driver创建一个SparkContext，进行资源的申请、任务的分配和监控

（2）资源管理器为Executor分配资源，并启动Executor进程

（3）SparkContext根据RDD的依赖关系构建DAG图，DAG图提交给DAG Scheduler解析成Stage，然后把一个个TaskSet提交给底层调度器Task Scheduler处理；Executor向SparkContext申请Task，Task Scheduler将Task发放给Executor运行，并提供应用程序代码

（4）Task在Executor上运行，把执行结果反馈给Task Scheduler，然后反馈给DAG Scheduler，运行完毕后写入数据并释放所有资源

Spark运行架构具有以下特点：

（1）每个Application都有自己专属的Executor进程，并且该进程在Application运行期间一直驻留。Executor进程以多线程的方式运行Task

（2）Spark运行过程与资源管理器无关，只要能够获取Executor进程并保持通信即可

（3）Task采用了数据本地性和推测执行等优化机制

2.4 RDD的设计与运行原理

设计理念

RDD就是为了满足这种需求而出现的，它提供了一个抽象的数据架构，不必担心底层数据的分布式特性，只需将具体的应用逻辑表达为一系列转换处理，不同RDD之间的转换操作形成依赖关系，可以实现管道化，避免中间数据存储

RDD概念

一个RDD就是一个分布式对象集合，本质上是一个只读的分区记录集合，每个RDD可分成多个分区，每个分区就是一个数据集片段，并且一个RDD的不同分区可以被保存到集群中不同的节点上，从而可以在集群中的不同节点上进行并行计算

RDD提供了一种高度受限的共享内存模型，即RDD是只读的记录分区的集合，不能直接修改，只能基于稳定的物理存储中的数据集创建RDD，或者通过在其他RDD上执行确定的转换操作（如map、join和group by）而创建得到新的RDD

RDD提供了一组丰富的操作以支持常见的数据运算，分为“动作”（Action）和“转换”（Transformation）两种类型

RDD提供的转换接口都非常简单，都是类似map、filter、groupBy、join等粗粒度的数据转换操作，而不是针对某个数据项的细粒度修改（不适合网页爬虫）

表面上RDD的功能很受限、不够强大，实际上RDD已经被实践证明可以高效地表达许多框架的编程模型（比如MapReduce、SQL、Pregel）

Spark用Scala语言实现了RDD的API，程序员可以通过调用API实现对RDD的各种操作

RDD典型的执行过程

RDD读入外部数据源进行创建

RDD经过一系列的转换（Transformation）操作，每一次都会产生不同的RDD，供给下一个转换操作使用

最后一个RDD经过“动作”操作进行转换，并输出到外部数据源

【P.S.】

转换操作，并不会发生真正的计算，只是记录转换的轨迹。动作操作，才会触发从头到尾的真正的计算，并得到结果

优点∶惰性调用、管道化、避免同步等待、不需要保存中间结果、每次操作变得简单

RDD特性

RDD具有天生的容错性∶血缘关系、重新计算丢失分区、无需回滚系统、重算过程在不同节点之间并行、只记录粗粒度的操作

中间结果持久化到内存：数据在内存中的多个RDD操作之间进行传递

避免了不必要的读写磁盘开销

存放的数据可以是Java对象：避免了不必要的对象序列化和反序列化

RDD之间的依赖关系

窄依赖表现为一个父RDD的分区对应于一个子RDD的分区或多个父RDD的分区对应于一个子RDD的分区

宽依赖则表现为存在一个父RDD的一个分区对应一个子RDD的多个分区

是否包含Shuffle操作是区分窄依赖和宽依赖的根据

阶段的划分

Spark根据DAG图中的RDD依赖关系，把一个作业分成多个阶段。阶段划分的依据是窄依赖和宽依赖。窄依赖可以实现流水线优化，对于作业的优化很有利，宽依赖包含Shuffle过程，无法实现流水线方式处理。

具体划分方法:

在DAG中进行反向解析，遇到宽依赖就断开

遇到窄依赖就把当前的RDD加入到Stage中

将窄依赖尽量划分在同一个Stage中，可以实现流水线计算从而使得数据可以直接在内存中进行交换，避免了磁盘IO开销

RDD的运行过程

（1）创建RDD对象；

（2）SparkContext负责计算RDD之间的依赖关系，构建DAG；

（3）DAGScheduler负责把DAG图分解成多个Stage，每个Stage中包含了多个Task，每个Task会被TaskScheduler分发给各个WorkerNode上的Executor去执行。