Spark学习一:Spark概述

1.1 什么是spark

​ apache spark 是专为大规模数据处理而设计的快速通用的计算引擎。

​ 一站式管理大数据的所有场景(批处理,流处理,sql)

​ spark不涉及到数据的存储,只做数据的计算

​ spark是uc berkeley amp lab (加州大学伯克利分校的amp实验室)所开源的类hadoop mapreduce的通用并行计算框架，spark拥有hadoop mapreduce所具有的优点；

​ 但不同于mapreduce的是job中间输出结果可以保存在内存中，从而不再需要读写hdfs，因此spark能更好地适用于数据挖掘与机器学习等需要迭代的mapreduce的算法。

注意:spark框架不能替代hadoop,只能替代mr,spark的存在完善了hadoop的生态系统.

​ spark是scala编写，方便快速编程。

​ 学习spark的三个网站
​ 1)
​ 2)
​ 3)

​ 官网：

• apache spark™ is a fast and general engine for large-scale data processing.
• apache spark is an open source cluster computing system that aims to make data analytics fast
• both fast to run and fast to write

​ 目前，spark生态系统已经发展成为一个包含多个子项目的集合，其中包含sparksql、spark streaming、graphx、mlib、sparkr等子项目，spark是基于内存计算的大数据并行计算框架。除了扩展了广泛使用的
mapreduce 计算模型，而且高效地支持更多计算模式，包括交互式查询和流处理。spark 适用于各种各样原先需要多种不同的分布式平台的场景，包括批处理、迭代算法、交互式查询、流处理。通过在一个统一的框架下支持这些不同的计算，spark 使我们可以简单而低耗地把各种处理流程整合在一起。而这样的组合，在实际的数据分析 过程中是很有意义的。不仅如此，spark 的这种特性还大大减轻了原先需要对各种平台分别管理的负担。

​ 大一统的软件栈，各个组件关系密切并且可以相互调用，这种设计有几个好处：1、软件栈中所有的程序库和高级组件 都可以从下层的改进中获益。2、运行整个软件栈的代价变小了。不需要运 行 5 到 10 套独立的软件系统了，一个机构只需要运行一套软件系统即可。系统的部署、维护、测试、支持等大大缩减。3、能够构建出无缝整合不同处理模型的应用。

​ spark的内置项目如下：

• spark core：实现了 spark 的基本功能，包含任务调度、内存管理、错误恢复、与存储系统交互等模块。spark core 中还包含了对弹性分布式数据集(resilient distributed dataset，简称rdd)的 api 定义。
• spark sql：是 spark 用来操作结构化数据的程序包。通过 spark sql，我们可以使用 sql 或者 apache hive 版本的 sql 方言(hql)来查询数据。spark sql 支持多种数据源，比如 hive 表、parquet 以及 json 等。
• spark streaming：是 spark 提供的对实时数据进行流式计算的组件。提供了用来操作数据流的 api，并且与 spark core 中的 rdd api 高度对应。
• spark mllib：提供常见的机器学习(ml)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。
• 集群管理器：spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求，同时获得最大灵活性，spark 支持在各种集群管理器(cluster manager)上运行，包括 hadoop yarn、apache mesos，以及 spark 自带的一个简易调度器，叫作独立调度器。

1.2 spark特点

快

与hadoop的mapreduce相比，spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。spark实现了高效的dag执行引擎，可以通过基于内存来高效处理数据流。计算的中间结果是存在于内存中的。

易用

spark支持java、python和scala的api，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且spark支持交互式的python和scala的shell，可以非常方便地在这些shell中使用spark集群来验证解决问题的方法。

通用

spark提供了统一的解决方案。spark可以用于批处理(spark core)、交互式查询（spark sql）、实时流处理（spark streaming）、机器学习（spark mllib）和图计算（graphx）。这些不同类型的处理都可以在同一个应用中无缝使用。spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。

兼容性

spark可以非常方便地与其他的开源产品进行融合。比如，spark可以使用hadoop的yarn和apache mesos作为它的资源管理和调度器，并且可以处理所有hadoop支持的数据，包括hdfs、hbase和cassandra等。这对于已经部署hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用spark的强大处理能力。spark也可以不依赖于第三方的资源管理和调度器，它实现了standalone作为其内置的资源管理和调度框架，这样进一步降低了spark的使用门槛，使得所有人都可以非常容易地部署和使用spark。此外，spark还提供了在ec2上部署standalone的spark集群的工具。

1.3 spark的用户和用途

​ 我们大致把spark的用例分为两类：数据科学应用和数据处理应用。也就对应的有两种人群：数据科学家和工程师。

数据科学任务

​ 主要是数据分析领域，数据科学家要负责分析数据并建模，具备 sql、统计、预测建模(机器学习)等方面的经验，以及一定的使用 python、 matlab 或 r 语言进行编程的能力。

数据处理应用

​ 工程师定义为使用 spark 开发 生产环境中的数据处理应用的软件开发者，通过对接spark的api实现对处理的处理和转换等任务。

1.4 spark技术栈

spark技术栈:hdfs,hadoop,hive,mr,storm,sparkcore,sparksql,sparkstreaming

mesos相当于yarn 资源调度框架

tachyon基于内存:内存文件系统

hdfs存储层（基于磁盘存储 block存储策略）

mesos资源调度/任务调度层

spark sql : 延迟应该在毫秒级别

spark core：批处理 延迟度非常高

spark streaming ：流式处理 延迟5s左右

blinkdb：支持精确度查询的数据库

sparkcore处理批数据

sparksql使用sql处理分布式数据

sparkstreaming处理流式数据

一站式管理大数据的所有场景(批处理,流处理,sql)

• spark core：实现了 spark 的基本功能，包含任务调度、内存管理、错误恢复、与存储系统交互等模块。spark core 中还包含了对弹性分布式数据集(resilient distributed dataset，简称rdd)的 api 定义。
• spark sql：是 spark 用来操作结构化数据的程序包。通过 spark sql，我们可以使用 sql 或者 apache hive 版本的 sql 方言(hql)来查询数据。spark sql 支持多种数据源，比 如 hive 表、parquet 以及 json 等。
• spark streaming：是 spark 提供的对实时数据进行流式计算的组件。提供了用来操作数据流的 api，并且与 spark core 中的 rdd api 高度对应。
• spark mllib：提供常见的机器学习(ml)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。
• 集群管理器：spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求，同时获得最大灵活性，spark 支持在各种集群管理器(cluster manager)上运行，包括 hadoop yarn、apache mesos，以及 spark 自带的一个简易调度器，叫作独立调度器。

1.5 spark演变历史

spark 相比 hadoop历史

• 发展尤为迅速
• hadoop历史2006~2017 11年时间
• spark2012~2017 5年时间

spark是美国加州大学伯克利分校的amp实验室(主要创始人lester和matei)开发的通用的大
数据处理框架
• 2009伯克利大学开始编写最初的源代码
• 2010年才开放的源码
• 2012年2月发布了0.6.0版本
• 2013年6月进入了apache孵化器项目
• 2013年年中spark的主要成员成立的databricks公司
• 2014年2月成为了apache的*项目（ 8个月的时间）
• 2014年5月底spark1.0.0发布
• 2014年9月spark1.1.0发布
• 2014年12月spark1.2.0发布
• 2015年3月spark1.3.0发布
• 2015年6月spark1.4.0发布
• 2015年9月spark1.5.0发布
• 2016年1月spark1.6.0发布
• 2016年5月spark2.0.0预览版发布
• 2016年7月spark2.0.0正式版发布
• 2016年12月spark2.1.0正式版发布
• 2017年7月spark2.2发布

1.6 spark与mapreduce的区别

都是分布式计算框架，spark基于内存，mr基于hdfs。spark处理数据的能力一般是mr的十倍以上，spark中除了基于内存计算外，还有dag有向无环图来切分任务的执行先后顺序。

spark不涉及到数据的存储,只做数据的计算

spark与hadoop mr不同的是,任务的中间结果可以保存到内存中,大大地提高了计算性能.

基于内存存储

• mr作业之间如果有依赖关系的话，每个作业都是从磁盘获取数据，处理完成之后数据落盘。

  如：磁盘-mr作业-磁盘-mr作业-磁盘

• spark作业之间如果有依赖关系的话，spark程序处理完成之后可以将数据先存于内存中，不落盘，下一个spark程序就可以直接从内存中获取数据然后进行处理

  如：磁盘-spark作业-内存-spark作业-内存-spark作业-磁盘

具体不同点

1. spark相比于mr处理数据是可以基于内存来处理数据的
2. spark与hadoop mr不同的是,任务的中间结果可以保存到内存中,大大地提高了计算性能.
3. spark中有dag有向无环图来切分任务的执行先后顺序
4. spark存储数据可以指定副本个数（持久化存储），mr默认3个。
5. spark中做了很多已有的算子的封装,提供了各种场景的算子，而mr中只有map和reduce 相当于spark中的map和reducebykey两个算子
6. spark是粗粒度资源申请,application执行快
7. spark中shuffle map端自动聚合功能,mr手动设置
8. spark中shuffle bypass机制有自己灵活的实现

mr

spark

1.7 spark api

api就是用这些语言进行编码的时候使用的方法

应用可以通过使用spark提供的库获得spark集群的计算能力，这些库都是scala编写的,但是spark提供了面向各种语言的api,例如scala、 python java等, 所以可以使用以上语言进行spark应用开发。

spark的api主要由两个抽象部件组成: sparkcontext和rdd ,应用程序通过这两个部件和spark进行交互,连接到
spark-集群并使用相关资源。

sparkcontext

是定义在spark库中的一个类,作为spark库的入口。 包含应用程序main ()方法的driver program通过sparkcontext对象访问spark,因为sparkcontext对象表示与spark集群的一 个连接。每个spark应用都有且只有一个激活的sparkcontext类实例，如若需要新的实例，必须先让当前实例失活。(在shell中sparkcontext已经自动创建好，就是sc)

rdd基础概念

• 弹性分布式数据集(resilient distributed dataset)
• 并行分布在整个集群中
  把指定路径下的文本文件加载到ines这个rdd中，这个lines就是一个rdd, 代表是就是整个文本文件
• rdd是spark分发数据和计算的基础抽象类
  例如: lines.count()
  在.count(的函数操作是在rdd数据集上的，而不是对某一具体分片
• 一个rdd是一个不可改变的分布式集合对象
  就lines来说，如果我们对其所代表的源文件进行了增删改操作，则相当于生成了一个新的rdd,来存放修改后的数据集
• spark中所有的计算都是通过rdd的创建、转换,操作完成的
• 一个rdd内部由许多partitions (分片)组成
  partitions:
  每个分片包括一部分数据， 分片可在集群不同节点上计算
  分片是spark并行处理的单元，spark顺序的，并行的处理分片

1.8 spark运行模式(部署模式)

• local

  在本地eclipse、idea中写spark代码运行程序，一般用于测试

• standalone

  spark自带的资源调度框架(可以抛开hdfs,抛开yarn去运行)，支持完全分布式集群搭建。spark可以运行在standalone集群上

• yarn

  hadoop生态圈里面的一个资源调度框架，spark也是可以基于yarn来计算的。

  要基于yarn来进行资源调度，必须实现appalicationmaster接口，spark实现了这个接口，所以可以基于yarn。

• mesos

  运行在 mesos 资源管理器框架之上，由 mesos 负责资源管理，spark 负责任务调度和计算,(很少用)

总结