大数据技术原理与应用 - (10). Spark

【第三篇】 - 大数据处理与分析, 《大数据技术原理与应用, 林子雨》

本篇介绍大数据处理与分析的相关技术，包括

• 第7章 - MapReduce
• 第8章 - Hive - 基于 Hadoop 的数据仓库
• 第9章 - Hadoop 的优化与发展
• 第10章 - Spark
• 第11章 - 流计算
• 第12章 - 图计算

Spark 最初诞生于伯克利大学的 APM 实验室，是一个可应用于大规模数据处理的快速、通用引擎，如今是 Apache 软件基金会下的顶级开源项目之一。Spark 在借鉴Hadoop MapReduce 优点的同时，很好地解决了 MapReduce 所面临的问题。

Spark 概述

Spark 简介

Spark 最初诞生于 University of California, Berkeley 的 APM 实验室，是一个可应用于大规模数据处理的快速、通用引擎，如今是 Apache 软件基金会下的顶级开源项目之一。

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。

Spark 和 Hadoop 对比

Hadoop 缺点:

1. 表达能力有限。计算必须要转化成 Map 和 Reduce 两个操作，但这并不适合所有情况。
2. 磁盘 IO 开销大。每次执行和结束都需分别从磁盘中读取和写入数据或中间结果。
3. 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

Spark 在借鉴Hadoop MapReduce 优点的同时，很好地解决了 Hadoop MapReduce 所面临的问题。相较于 Hadoop，Spark 的优点有:

1. 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。
2. 提供 内存计算，可将中间结果放到内存中，带来了更高的迭代运算效率。
3. 基于 DAG 的任务调度执行机制，优于 MapReduce 的迭代执行机制。

• 使用 Hadoop 进行迭代计算非常耗资源，因为频繁从磁盘中读写数据。
• Spark 将数据载入内存后，之后的迭代计算都可以直接使用内存中的中间结果作运算，避免了从磁盘中频繁读取数据。

Spark 生态系统

在实际应用中，大数据处理主要包括一下三大类型 (应用场景)。

1. 复杂的批量数据处理: 时间跨度通常在数十分钟到数小时之间。(Hadoop)
2. 基于历史数据的交互式查询: 时间跨度通常在数十秒到几分钟之间。(Impala)
3. 基于实时数据流的数据处理: 时间跨度通常在数百毫秒到数秒之间。(Storm)

对于互联网公司而言，通常会同时存在以上三种场景，就同时需要部署三种不同的软件，多软件难免带来一些问题。

1. 不同场景之间输入输出数据无法做到无缝共享，通常需要进行数据格式的转换。
2. 不同软件需要不同的开发和维护团队，带来了较高的使用成本。
3. 比较难以对同一个集群中的各个系统进行统一的资源协调和分配。

Spark 生态系统已经成为伯克利数据分析软件栈 BDAS (Berkeley Data Analytics Stack) 的重要组成部分。

Spark 生态系统中提供的许多组件，可以满足不同的应用场景，如 Spark Core, Spark SQL, Spark Streaming, MLLib, GraphX 等。

1. Spark Core 包含 Spark 的基本功能，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。
2. Spark SQL 允许开发人员直接处理 RDD (Resillient Distributed Dataset)，同时也可以查询 Hive, HBase 等外部数据源。其能够统一处理关系表和 RDD，使得开发人员不需要自己编写 Spark 应用程序。
3. Spark Streaming 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，每个批处理作业都可以使用 Spark Core 进行快速处理。
4. MLLib 提供常用机器学习算法的实现，包括聚类、分类、回归、协同过滤等。
5. GraphX 是 Spark 中用于图计算的 API，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。

应用场景	时间跨度	其他框架	Spark 生态系统中的组件
复杂的批量数据处理	小时级	MapReduce, Hive	Spark
基于历史数据的交互式查询	分钟级、秒级	Impala, Dremel, Drill	Spark SQL
基于实时数据流的数据处理	毫秒、秒级	Storm, S4	Spark Streaming
基于历史数据的数据挖掘	-	Mahout	MLlib
图结构数据的处理	-	Pregel, Hama	GraphX

Spark 运行架构

基本概念

• RDD：是 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：是 Directed Acyclic Graph（有向无环图）的简称，反映 RDD 之间的依赖关系。
• Executor：是运行在工作节点 （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：是 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。

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)。
• 资源管理器可以自带或 Mesos 或 YARN。
• 与 Hadoop MapReduce 计算框架相比，Spark 所采用的 Executor 有两个优点：
  1. 利用多线程来执行具体的任务，减少任务的启动开销。
  2. 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，执行结果会返回给 Driver，或者写到 HDFS 或者其他数据库中。

Spark 运行基本流程

1. 首先为应用构建起基本的运行环境，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 DAGScheduler 解析成 Stage，然后把一个个 TaskSet 提交给底层调度器 TaskScheduler 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 TaskScheduler，然后反馈给 DAGScheduler，运行完毕后写入数据并释放所有资源

总体而言，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

RDD 运行原理

设计背景

• 许多迭代式算法（比如机器学习、图算法等）和交互式数据挖掘工具，共同之处是，不同计算阶段之间会重用中间结果。
• 目前的 MapReduce 框架都是把中间结果写入到 HDFS 中，带来了大量的数据复制、磁盘 IO 和序列化开销。
• 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，我们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 典型的执行过程如下：

• 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图 10-8 RDD 执行过程的一个实例这一系列处理称为一个 Lineage（血缘关系），即 DAG 拓扑排序的结果

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

Spark 采用 RDD 以后能够实现高效计算的原因主要在于：

1. 高效的容错性
   • 现有容错机制：数据复制或者记录日志
   • RDD：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
2. 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
3. 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

Stage 的划分

Spark 通过分析各个 RDD 的依赖关系生成了 DAG，再通过分析各个 RDD 中的分区之间的依赖关系来决定如何划分 Stage，具体划分方法是：

• 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

如上图，被分成三个 Stage，在 Stage2 中，从 map 到 union 都是窄依赖，这两步操作可以形成一个流水线操作。

流水线操作实例：

分区 7 通过 map 操作生成的分区9，可以不用等待分区8到分区10这个 map 操作的计算结束，而是继续进行 union 操作，得到分区13，这样流水线执行大大提高了计算的效率。

Stage的类型包括两种：ShuffleMapStage 和 ResultStage，具体如下：

1. ShuffleMapStage：不是最终的 Stage，在它之后还有其他 Stage，所以，它的输出一定需要经过 Shuffle 过程，并作为后续 Stage 的输入；这种 Stage 是以 Shuffle 为输出边界，其输入边界可以是从外部获取数据，也可以是另一个 ShuffleMapStage 的输出，其输出可以是另一个 Stage 的开始；在一个 Job 里可能有该类型的 Stage，也可能没有该类型 Stage；
2. ResultStage：最终的 Stage，没有输出，而是直接产生结果或存储。这种 Stage 是直接输出结果，其输入边界可以是从外部获取数据，也可以是另一个 ShuffleMapStage 的输出。在一个 Job 里必定有该类型 Stage。因此，一个 Job 含有一个或多个 Stage，其中至少含有一个 ResultStage。

RDD 运行过程

通过上述对 RDD 概念、依赖关系和 Stage 划分的介绍，结合之前介绍的 Spark 运行基本流程，再总结一下 RDD 在 Spark 架构中的运行过程：

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。