首页 > 其他分享> > 3.Spark设计与运行原理，基本操作

3.Spark设计与运行原理，基本操作

2022-03-10 15:00:13 作者：互联网

1.Spark已打造出结构一体化、功能多样化的大数据生态系统，请用图文阐述Spark生态系统的组成及各组件的功能。

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

图1 Spark生态系统的组成及各组件

各个组件的具体功能如下：

Spark Core

Spark Core包含Spark最基础和最核心的功能，如内存计算、任务调度、部署模式、故障恢复、存储管理等，主要面向批数据处理。

Spark SQL

用于结构化数据处理的组件，允许开发人员直接处理RDD，同时也可查询Hive，HBase等外部数据源。

Spark Streaming

一种流计算框架，可以支持高吞吐量、可容错处理的实时流数据处理，其核心思路是将流数据分解成一系列短小的批处理作业，每个短小的批处理作业都可以使用Spark Core进行快速处理。

Structrued Streaming

一种基于Spark SQL引擎构建的、可扩展且容错的流处理引擎。

MLlib

MLlib提供了常用机器学习算法的实现，包括聚类、分类、回归、协同过滤等，降低了机器学习的门槛，开发人员只需具备一定的理论知识就能进行机器学习的工作。

GraphX

GraphX是Spark中用于图计算的API，可认为是Pregel在Spark上的重写和优化，GraphX性能良好，拥有丰富的功能和运算符，能在海量数据上自如地运行复杂的图算法。

二、请详细阐述Spark的几个主要概念及相互关系

1. Master、Worker

Master和Worker是Spark独立集群里用到的类。如果是yarn环境部署，是不需要这两个类的。

Master是Spark独立集群的控制者，Worker是工作者，一个Spark独立集群需要启动一个Master和多个Worker。

Spark提供了Master选举功能，保障Master挂掉的时候能选出另一个Master，做一个切换的动作，这块原理和ZooKeeper类似。

Master节点常驻Master守护进程，负责管理Worker节点，从Master节点提交应用。

Worker节点常驻worker守护进程，与Master节点通信，并且管理executor进程。

2. RDD、DAG

RDD：Resillient Distributed Dataset（弹性分布式数据集），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)，反映RDD之间的依赖关系。

3. Application、Job、Stage、Task

RDD任务切分中间分为：Application、Job、Stage和Task

（1）Application（应用）

用户编写的Spark应用程序。

（2）Job（作业）

Job是用户程序一个完整的处理流程，是逻辑的叫法。

一个作业可以包含多个RDD及作用于相应RDD上的各种操作。

（3）Stage（阶段）

是作业的基本调度单位，每个作业会因为RDD之间的依赖关系拆分成多组任务集合TaskSet，称为调度阶段。

调度阶段的划分是由DAGScheduler来划分的，有Shuffle Map Stage和Result Stage两种。

（4）Task（任务）

分发到Executor上的工作任务，是spark实际执行应用的最小单元，一个Stage阶段中，最后一个RDD的分区个数就是Task的个数。

一个Stage可以包含多个task，比如sc.textFile("/xxxx").map().filter()，其中map和filter就分别是一个task。

每个task的输出就是下一个task的输出。

4. Driver、Executor、Claster Manager

Driver进程应用 main() 函数并且构建sparkContext对象。

当我们提交了应用之后，便会启动一个对应的Driver进程，Driver本身会根据我们设置的参数占有一定的资源就是Executor。

然后集群管理者会分配一定数量的Executor，每个Executor都占用一定数量的cpu和memory。

这里Executors其实是一个独立的JVM进程，在每个工作节点上会起一个，主要用来执行task，一个executor内，可以同时并行的执行多个task。

而Claster Manager主要负责整个程序的资源调度目前的主要调度器有：YARN、Spark Standalone、Mesos。

5. DAGScheduler、TaskScheduler

DAGScheduler：面向调度阶段的任务调度器，负责接收spark应用提交的作业，根据RDD的依赖关系划分调度阶段，并提交调度阶段给TaskScheduler.

TaskScheduler：面向任务的调度器，它接受DAGScheduler提交过来的调度阶段，然后把任务分发到work节点运行，由Worker节点的Executor来运行该任务

2.请详细阐述Spark的几个主要概念及相互关系：

　Master,Worker;RDD,DAG;Application,job,stage,task;driver,executor,Cluster ManagerDAGScheduler, TaskScheduler.

1）Master

主要是控制、管理和监督整个spark集群

2）Worker

从节点，负责控制计算节点，启动Executor或者Driver。在YARN模式中为NodeManager，负责计算节点的控制。

3）RDD

Spark的基础计算单元，一组RDD可形成执行的有向无环图RDD Graph。

4）DAG

DAG 是一个应用被切分为任务之后的执行的相关处理流程，主要是用来控制任务的执行顺序和调用的数据，它是一个有向无环图。

5）Application

用户编写的spark应用程序，由一个或者多个job组成，提交到spark之后，spark为application分派资源，将程序转换并执行。

6）Job

包含多个Task组成的并行计算，是由Action行为触发的

7）Stage

一般而言一个Job会切换成一定数量的stage。各个stage之间按照顺序执行。至于stage是怎么切分的，首选得知道spark论文中提到的narrow dependency(窄依赖)和wide dependency（宽依赖）的概念。

8）Task

是类的实例 ,有属性(从哪里读取数据/读取的是哪个切片的数据) ,有方法(如何计算/即数据的计算分析逻辑) ;

9）Driver

负责应用的业务逻辑和运行规划（DAG—有向无环图）。

10）Executor

由若干core组成，每个Executor的每个core一次只能执行一个Task。

11）Cluster Manager

集群上获取资源的外部服务，比如Standalone（由Master负责资源的分配）和Yarn（由ResourceManager负责资源的分配）DAGScheduler

根据作业（task）构建基于Stage的DAG，并提交Stage给TaskScheduler。

12）TaskScheduler

将任务（task）分发给Executor执行。

　　相互关系

3.在PySparkShell尝试以下代码，观察执行结果，理解sc,RDD,DAG。请画出相应的RDD转换关系图。

sc
lines = sc.textFile("file:///home/hadoop/my.txt")
lines
words=lines.flatMap(lambda line:line.split())
words
wordKV=words.map(lambda word:(word,1))
wordKV
wc=wordKV.reduceByKey(lambda a,b:a+b)
wc
cs=lines.flatMap(lambda line:list(line))
cs
cKV=cs.map(lambda c:(c,1))
cKV
cc=cKV.reduceByKey(lambda a,b:a+b)
cc