为什么Spark能成为最火的大数据计算引擎.docx

《为什么Spark能成为最火的大数据计算引擎.docx》由会员分享，可在线阅读，更多相关《为什么Spark能成为最火的大数据计算引擎.docx（8页珍藏版）》请在第一文库网上搜索。

1、为什么Spark能成为最火的大数据计算引擎？它是怎样工作的？导读：零基础入门Spark必读。APAC H SparK01概述十年前我们只有Hadoop ,大家首先通过HDFS实现海量数据的共享存储，然后使用MapReduce以批处理的方式处理这些海量数据，这一切看起来似乎十分完美。但众口难调啊，有人觉得MapReduce的编程模型太难使用了，为什么不能使用SQL来分析数据呢？我们数据库领域已经有非常成熟的数据仓库模型了，为何不实现一个大数据技术的数据仓库呢？于是Hive类的框架便诞生了 ,人们开始使用Hive类的框架来构建大数据技术的数据仓库，使用SQL查询数据。接着人们又开始诟病M叩Redu

2、ce的执行效率太慢，因为它本质上是面向批处理场景的,难以支撑一些实时性要求很高的场景，我们需要一种能够支撑流计算的架构，于是Storm类的框架诞生了。人们开始使用Storm这类框架处理流计算场景。接着伴随垃圾邮件分析、商品推荐、金融风控这类应用场景需求的出现，又迫使我们需要在大数据场景下具备机器学习的能力，于是乎Mahout类的框架出现了，人们使用它们来进行大数据下的机器学习。随着越来越多来自应用领域的细分需求人们从最初Hadoop的HDFS和MapReduce开始，一步步地构造出了各种细分领域的技术框架。有专攻处理批处理场景的，有专攻数据仓库场景的，有处理流计算场景的，也有专职机器学习的。在

3、我看来这有点像在给Hadoop打补丁 ,因为Hadoop在设计之初根本没有考虑过这么多的场景，它只是为了支撑离线批处理。但是需求摆在这里，为了实现目标只得另起炉灶通过设计一个全新的系统满足需求。这种现状造成了很多问题。重复工作：不同的系统之间都需要解决一些相同的共性问题，比如分布式执行和容错性。例如MapReduce、SQL查询引擎和机器学习系统都会涉及聚合操作。组合：不同系统之间的组合使用非常昂贵，因为不同系统之间无法有效的功效数。为了组合使用我们需要将数据在不同的系统之间频繁的导出导入，数据用来移动的时间可能都会超过计算的时间。维护成本：虽然这些系统从每个个体的角度来看都十分优秀，但是它们

4、都是在不同时期由不同的团队设计实现的，其设计思路和实现方式也各不相同。这导致平台在部署运维这些系统的时候十分痛苦，因为它们差异太大了。学习成本：系统之间巨大的差异性对于开发人员来讲更是如此，这些技术框架拥有不同的逻辑对象、专业术语、API和编程模型，每种框架都需要重新学习一遍才能使用。Spark意识到了这个问题,作为一个后起之秀它拥有天然的优势。Spark诞生于2012年，那个时候Hadoop生态已经经过了 6个年头的发展，其生态格局已经成型。Spark已经能够看清大数据有哪些细分领域，同时MapReduce、Hive、Storm等开源组件也已经发展多年，Spark也能够了解到它们的长处和不足

5、。于是Spark横空出世,成为目前开源社区最为火爆的一款分布式内存计算引擎。Spark使用DAG （有向无环图）模型作为其执行模型，并且主要使用内存计算的方式进行任务计算。Spark基于一套统一的数据模型（RDD ）和编程模型（Trans-foration/Action ）之上，构建出了 Spark SQL、Spark Streaming. Spark MLibs等多个分支,其功能涵盖了大数据的多个领域，如图1所示。Spark SQL . . MLlib . GraphX.Streaming Apache Spark图1 Spark涵盖的领域Spark通过统一的数据模型和编程模型，构造出了 S

6、QL查询、流计算、机器学习和图计算等多个分支库。02数据模型RDD是弹性分布式数据集(Resilient Distributed Datasets的缩写，它是MapReduce模型的扩展和延伸。Spark之所以能够同时支撑大数据的多个领域，在很大程度上是依靠了 RDD的能力。虽然批处理、流计算、图计算和机器学习这些计算场景之间初看起来风马牛不相及，但是它们都存在一个共同的需求，那就是在并行i十算阶段能够高效的共享数据。RDD的设计者们洞穿了这一现象，于是通过高效的数据共享概念和类似MapReduce的操作设计了 RDD ,使得它能模拟迭代式算法、关系查询、MapReduce和流式处理等多种编程

7、模型。同时它也是一个可容错的、可并行的数据结构，可以让用户指定将数据存储到磁盘和内存中，并能控制数据的分区。同时它还提供了些高效的编程接口操作数据集。03编程模型和作业调度Spark将RDD的操作分为两类:转换(transformation )与行动(action )。转换操作是一种惰性操作,它只会定义新的RDD ,而不会立即执行。而行动操作则是立即执行计算，它要么返回结果给Driver进程，或是将结果输出到外部存储。常见转换操作如map、flatMap、filter等，常见行动操作如count、collect等。当用户对一个RDD执行了行动操作之后,调度器会根据RDD的依赖关系生成一个DAG

8、 (有向无环图)图来执行程序。DAG由若干个stage组成,每个stage内都包含多个连续的窄依赖。而各个stage之间则是宽依赖。如图2所示，实线方框代表的是RDD。方框内的矩形代表分区,若分区已在内存中保存则用黑色表示。Spark任务拆分示意图204依赖RDD作为数据结构本质上是一个只读的分区记录集合。一个RDD可以包含多个分区,每个分区是一个数据片段。RDD可以相互依赖。如果父RDD的每个分区最多被一个子RDD的分区使用，则称之为窄依赖；若多个子RDD分区依赖一个父RDD的分区，则称之为宽依赖。不同的操作依据其特性，可能会产生不同的依赖。例如m叩操作会产生窄依赖，而join操作则产生宽依

9、赖。Spark之所以将依赖分为两种,基于两点原因。首先，窄依赖支持在同单个集群上以管道的形式式执，例如在执行了 m叩后,紧接着执行filter。相反,宽依赖需要所有的父RDD数据都可用并通过shuffle动作才可继续执行。其次，窄依赖的失败恢复更加高效，因为它只需要重新计算丢失的父分区，并且这些计算可以并行的在不同节点同时进行。与此相反，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。如图3所示，说明了窄依赖与宽依赖之间的区别。Narrow Dependencies:Wide Dependencies:co-partitioncd图3

10、 SparkRDD宽依赖和窄依赖示意05容错传统分布式系统的容错方案有据复制和恢复日志两种方案。对于以数据为中心的系统而言，这两种方式都非常昂贵，因为它需要跨集群网络复制大量数据，而网络带宽的速度远远低于内存访问的速度。RDD天生是支持容错的。首先,它自身是一个不变的数据集,其次,Spark使用DAG作为其执行模型所以它能够通过RDD的依赖特性记住一系列操作生成一张DAG图。因此当执行的任务失败时,Spark只需根据DAG图进行重新计算即可实现容错机制。由于无须采用复制的方式支持容错，Spark很好地降低了跨网络的数据传输成本。06集群模式Spark的应用以一组独立进程的形式运行在一个集群之上

11、,由主程序中的前支持三种集群运行SparkContext对象进行协调（也被称为driver程序）。Spark方式。具体来说，Spark既可以通过standlone模式独立运行,也可以运行在Mesos或者YARN之上。如图4所示，一旦SparkContext连接到集群,Spark首先会从集群的节点中获得一些executor进程,这些进程会用来执行我们程序中的计算和存储逻辑,接着它会通过jar包的形式分发我们的程序代码到各个executor进程。最后，SparkContext会分派任图4 Spark任务进程示意每个应用都拥有自己的executor进程,这些进程会在整个应用生命周期内持续运行并以多线

12、程的方式执行具体的任务。这种设计的好处是将各个应用之间的资源消耗进行了隔离，每个应用都运行在它们各自的JVM中。但是这也意味着不同应用之间的SparkContext无法共享数据，除非借助扩展的存储媒介。Spark对底层集群管理不可知。只要能够获取到executor进行,并且这些进程之间可以通信，它就能匕啜容易的运行在其他通用集群资源调度框架之上如Mesos和YARN。07使用场景Spark借助其RDD的出色设计，做到了横跨多个领域的支撑。这意味着我们在一套程序逻辑之中可以集成多种操作。例如使用SQL查询过滤数据,然后进行机器学习或是通过SQL的方式操作流数据。在提升便利的同时也降低了开发人员的学习曲线，基于Spark ,只需要学习一套编程模型即可处理多个领域。所以将Spark作为平台的一站式计算解决方案是再合适不过了。-END -