Apache Spark---學習總結一

Apache Spark是一個圍繞速度、易用性和複雜分析建構的大資料處理架構，最初在2009年由加州大學伯克利分校的AMPLab開發，并于2010年成為Apache的開源項目之一，與Hadoop和Storm等其他大資料和MapReduce技術相比，Spark有如下優勢：

• Spark提供了一個全面、統一的架構用于管理各種有着不同性質（文本資料、圖表資料等）的資料集和資料源（批量資料或實時的流資料）的大資料處理的需求
• 官方資料介紹Spark可以将Hadoop叢集中的應用在記憶體中的運作速度提升100倍，甚至能夠将應用在磁盤上的運作速度提升10倍

 目标：

• 架構及生态
• spark 與 hadoop
• 運作流程及特點
• 常用術語
• standalone模式
• yarn叢集
• RDD運作流程

架構及生态：

• 通常當需要處理的資料量超過了單機尺度(比如我們的計算機有4GB的記憶體，而我們需要處理100GB以上的資料)這時我們可以選擇spark叢集進行計算，有時我們可能需要處理的資料量并不大，但是計算很複雜，需要大量的時間，這時我們也可以選擇利用spark叢集強大的計算資源，并行化地計算，其架構示意圖如下：

• 

• Spark Core：包含Spark的基本功能；尤其是定義RDD的API、操作以及這兩者上的動作。其他Spark的庫都是建構在RDD和Spark Core之上的
• Spark SQL：提供通過Apache Hive的SQL變體Hive查詢語言（HiveQL）與Spark進行互動的API。每個資料庫表被當做一個RDD，Spark SQL查詢被轉換為Spark操作。
• Spark Streaming：對實時資料流進行處理和控制。Spark Streaming允許程式能夠像普通RDD一樣處理實時資料
• MLlib：一個常用機器學習算法庫，算法被實作為對RDD的Spark操作。這個庫包含可擴充的學習算法，比如分類、回歸等需要對大量資料集進行疊代的操作。
• GraphX：控制圖、并行圖操作和計算的一組算法和工具的集合。GraphX擴充了RDD API，包含控制圖、建立子圖、通路路徑上所有頂點的操作
• Spark架構的組成圖如下：

• 

• Cluster Manager：在standalone模式中即為Master主節點，控制整個叢集，監控worker。在YARN模式中為資料總管
• Worker節點：從節點，負責控制計算節點，啟動Executor或者Driver。
• Driver： 運作Application 的main()函數
• Executor：執行器，是為某個Application運作在worker node上的一個程序

Spark與hadoop:

• Hadoop有兩個核心子產品，分布式存儲子產品HDFS和分布式計算子產品Mapreduce
• spark本身并沒有提供分布式檔案系統，是以spark的分析大多依賴于Hadoop的分布式檔案系統HDFS
• Hadoop的Mapreduce與spark都可以進行資料計算，而相比于Mapreduce，spark的速度更快并且提供的功能更加豐富
• 關系圖如下：

• 

 運作流程及特點：

• spark運作流程圖如下：

• 

1. 建構Spark Application的運作環境，啟動SparkContext
2. SparkContext向資料總管（可以是Standalone，Mesos，Yarn）申請運作Executor資源，并啟動StandaloneExecutorbackend，
3. Executor向SparkContext申請Task
4. SparkContext将應用程式分發給Executor
5. SparkContext建構成DAG圖，将DAG圖分解成Stage、将Taskset發送給Task Scheduler，最後由Task Scheduler将Task發送給Executor運作
6. Task在Executor上運作，運作完釋放所有資源

     Spark運作特點：

1. 每個Application擷取專屬的executor程序，該程序在Application期間一直駐留，并以多線程方式運作Task。這種Application隔離機制是有優勢的，無論是從排程角度看（每個Driver排程他自己的任務），還是從運作角度看（來自不同Application的Task運作在不同JVM中），當然這樣意味着Spark Application不能跨應用程式共享資料，除非将資料寫入外部存儲系統
2. Spark與資料總管無關，隻要能夠擷取executor程序，并能保持互相通信就可以了
3. 送出SparkContext的Client應該靠近Worker節點（運作Executor的節點），最好是在同一個Rack裡，因為Spark Application運作過程中SparkContext和Executor之間有大量的資訊交換
4. Task采用了資料本地性和推測執行的優化機制

常用術語:

• Application: Appliction都是指使用者編寫的Spark應用程式，其中包括一個Driver功能的代碼和分布在叢集中多個節點上運作的Executor代碼
• Driver:  Spark中的Driver即運作上述Application的main函數并建立SparkContext，建立SparkContext的目的是為了準備Spark應用程式的運作環境，在Spark中有SparkContext負責與ClusterManager通信，進行資源申請、任務的配置設定和監控等，當Executor部分運作完畢後，Driver同時負責将SparkContext關閉，通常用SparkContext代表Driver
• Executor:  某個Application運作在worker節點上的一個程序，  該程序負責運作某些Task， 并且負責将資料存到記憶體或磁盤上，每個Application都有各自獨立的一批Executor， 在Spark on Yarn模式下，其程序名稱為CoarseGrainedExecutor Backend。一個CoarseGrainedExecutor Backend有且僅有一個Executor對象， 負責将Task包裝成taskRunner,并從線程池中抽取一個空閑線程運作Task， 這個每一個oarseGrainedExecutor Backend能并行運作Task的數量取決與配置設定給它的cpu個數
• Cluter Manager：指的是在叢集上擷取資源的外部服務。目前有三種類型

1. 1. Standalon : spark原生的資源管理，由Master負責資源的配置設定
   2. Apache Mesos:與hadoop MR相容性良好的一種資源排程架構
   3. Hadoop Yarn: 主要是指Yarn中的ResourceManager

• Worker: 叢集中任何可以運作Application代碼的節點，在Standalone模式中指的是通過slave檔案配置的Worker節點，在Spark on Yarn模式下就是NoteManager節點
• Task: 被送到某個Executor上的工作單元，但hadoopMR中的MapTask和ReduceTask概念一樣，是運作Application的基本機關，多個Task組成一個Stage，而Task的排程和管理等是由TaskScheduler負責
• Job: 包含多個Task組成的并行計算，往往由Spark Action觸發生成， 一個Application中往往會産生多個Job
• Stage: 每個Job會被拆分成多組Task， 作為一個TaskSet， 其名稱為Stage，Stage的劃分和排程是有DAGScheduler來負責的，Stage有非最終的Stage（Shuffle Map Stage）和最終的Stage（Result Stage）兩種，Stage的邊界就是發生shuffle的地方
• DAGScheduler: 根據Job建構基于Stage的DAG（Directed Acyclic Graph有向無環圖)，并送出Stage給TASkScheduler。 其劃分Stage的依據是RDD之間的依賴的關系找出開銷最小的排程方法，如下圖

• 

• TASKSedulter: 将TaskSET送出給worker運作，每個Executor運作什麼Task就是在此處配置設定的. TaskScheduler維護所有TaskSet，當Executor向Driver發生心跳時，TaskScheduler會根據資源剩餘情況配置設定相應的Task。另外TaskScheduler還維護着所有Task的運作标簽，重試失敗的Task。下圖展示了TaskScheduler的作用

• 

• 在不同運作模式中任務排程器具體為：

1. 1. Spark on Standalone模式為TaskScheduler
   2. YARN-Client模式為YarnClientClusterScheduler
   3. YARN-Cluster模式為YarnClusterScheduler

• 将這些術語串起來的運作層次圖如下：

• 

• Job=多個stage，Stage=多個同種task, Task分為ShuffleMapTask和ResultTask，Dependency分為ShuffleDependency和NarrowDependency

Spark運作模式：

• Spark的運作模式多種多樣，靈活多變，部署在單機上時，既可以用本地模式運作，也可以用僞分布模式運作，而當以分布式叢集的方式部署時，也有衆多的運作模式可供選擇，這取決于叢集的實際情況，底層的資源排程即可以依賴外部資源排程架構，也可以使用Spark内建的Standalone模式。
• 對于外部資源排程架構的支援，目前的實作包括相對穩定的Mesos模式，以及hadoop YARN模式
• 本地模式：常用于本地開發測試，本地還分别 local 和 local cluster

standalone: 獨立叢集運作模式

• Standalone模式使用Spark自帶的資源排程架構
• 采用Master/Slaves的典型架構，選用ZooKeeper來實作Master的HA
• 架構結構圖如下:

• 

• 該模式主要的節點有Client節點、Master節點和Worker節點。其中Driver既可以運作在Master節點上中，也可以運作在本地Client端。當用spark-shell互動式工具送出Spark的Job時，Driver在Master節點上運作；當使用spark-submit工具送出Job或者在Eclips、IDEA等開發平台上使用”new SparkConf.setManager(“spark://master:7077”)”方式運作Spark任務時，Driver是運作在本地Client端上的
• 運作過程如下圖：（參考至：http://blog.csdn.net/gamer_gyt/article/details/51833681）

• 

1. SparkContext連接配接到Master，向Master注冊并申請資源（CPU Core 和Memory）
2. Master根據SparkContext的資源申請要求和Worker心跳周期内報告的資訊決定在哪個Worker上配置設定資源，然後在該Worker上擷取資源，然後啟動StandaloneExecutorBackend；
3. StandaloneExecutorBackend向SparkContext注冊；
4. SparkContext将Applicaiton代碼發送給StandaloneExecutorBackend；并且SparkContext解析Applicaiton代碼，建構DAG圖，并送出給DAG Scheduler分解成Stage（當碰到Action操作時，就會催生Job；每個Job中含有1個或多個Stage，Stage一般在擷取外部資料和shuffle之前産生），然後以Stage（或者稱為TaskSet）送出給Task Scheduler，Task Scheduler負責将Task配置設定到相應的Worker，最後送出給StandaloneExecutorBackend執行；
5. StandaloneExecutorBackend會建立Executor線程池，開始執行Task，并向SparkContext報告，直至Task完成
6. 所有Task完成後，SparkContext向Master登出，釋放資源

yarn:  （參考：http://blog.csdn.net/gamer_gyt/article/details/51833681）

• Spark on YARN模式根據Driver在叢集中的位置分為兩種模式：一種是YARN-Client模式，另一種是YARN-Cluster（或稱為YARN-Standalone模式）
• Yarn-Client模式中，Driver在用戶端本地運作，這種模式可以使得Spark Application和用戶端進行互動，因為Driver在用戶端，是以可以通過webUI通路Driver的狀态，預設是http://hadoop1:4040通路，而YARN通過http:// hadoop1:8088通路
• YARN-client的工作流程步驟為：

• 

• Spark Yarn Client向YARN的ResourceManager申請啟動Application Master。同時在SparkContent初始化中将建立DAGScheduler和TASKScheduler等，由于我們選擇的是Yarn-Client模式，程式會選擇YarnClientClusterScheduler和YarnClientSchedulerBackend
• ResourceManager收到請求後，在叢集中選擇一個NodeManager，為該應用程式配置設定第一個Container，要求它在這個Container中啟動應用程式的ApplicationMaster，與YARN-Cluster差別的是在該ApplicationMaster不運作SparkContext，隻與SparkContext進行聯系進行資源的分派
• Client中的SparkContext初始化完畢後，與ApplicationMaster建立通訊，向ResourceManager注冊，根據任務資訊向ResourceManager申請資源（Container）
• 一旦ApplicationMaster申請到資源（也就是Container）後，便與對應的NodeManager通信，要求它在獲得的Container中啟動CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend啟動後會向Client中的SparkContext注冊并申請Task
• client中的SparkContext配置設定Task給CoarseGrainedExecutorBackend執行，CoarseGrainedExecutorBackend運作Task并向Driver彙報運作的狀态和進度，以讓Client随時掌握各個任務的運作狀态，進而可以在任務失敗時重新啟動任務
• 應用程式運作完成後，Client的SparkContext向ResourceManager申請登出并關閉自己

Spark Cluster模式:

• 在YARN-Cluster模式中，當使用者向YARN中送出一個應用程式後，YARN将分兩個階段運作該應用程式：

1. 1. 第一個階段是把Spark的Driver作為一個ApplicationMaster在YARN叢集中先啟動；
   2. 第二個階段是由ApplicationMaster建立應用程式，然後為它向ResourceManager申請資源，并啟動Executor來運作Task，同時監控它的整個運作過程，直到運作完成

• YARN-cluster的工作流程分為以下幾個步驟

• 

• Spark Yarn Client向YARN中送出應用程式，包括ApplicationMaster程式、啟動ApplicationMaster的指令、需要在Executor中運作的程式等
• ResourceManager收到請求後，在叢集中選擇一個NodeManager，為該應用程式配置設定第一個Container，要求它在這個Container中啟動應用程式的ApplicationMaster，其中ApplicationMaster進行SparkContext等的初始化
• ApplicationMaster向ResourceManager注冊，這樣使用者可以直接通過ResourceManage檢視應用程式的運作狀态，然後它将采用輪詢的方式通過RPC協定為各個任務申請資源，并監控它們的運作狀态直到運作結束
• 一旦ApplicationMaster申請到資源（也就是Container）後，便與對應的NodeManager通信，要求它在獲得的Container中啟動CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend啟動後會向ApplicationMaster中的SparkContext注冊并申請Task。這一點和Standalone模式一樣，隻不過SparkContext在Spark Application中初始化時，使用CoarseGrainedSchedulerBackend配合YarnClusterScheduler進行任務的排程，其中YarnClusterScheduler隻是對TaskSchedulerImpl的一個簡單包裝，增加了對Executor的等待邏輯等
• ApplicationMaster中的SparkContext配置設定Task給CoarseGrainedExecutorBackend執行，CoarseGrainedExecutorBackend運作Task并向ApplicationMaster彙報運作的狀态和進度，以讓ApplicationMaster随時掌握各個任務的運作狀态，進而可以在任務失敗時重新啟動任務
• 應用程式運作完成後，ApplicationMaster向ResourceManager申請登出并關閉自己

Spark Client 和 Spark Cluster的差別:

• 了解YARN-Client和YARN-Cluster深層次的差別之前先清楚一個概念：Application Master。在YARN中，每個Application執行個體都有一個ApplicationMaster程序，它是Application啟動的第一個容器。它負責和ResourceManager打交道并請求資源，擷取資源之後告訴NodeManager為其啟動Container。從深層次的含義講YARN-Cluster和YARN-Client模式的差別其實就是ApplicationMaster程序的差別
• YARN-Cluster模式下，Driver運作在AM(Application Master)中，它負責向YARN申請資源，并監督作業的運作狀況。當使用者送出了作業之後，就可以關掉Client，作業會繼續在YARN上運作，因而YARN-Cluster模式不适合運作互動類型的作業
• YARN-Client模式下，Application Master僅僅向YARN請求Executor，Client會和請求的Container通信來排程他們工作，也就是說Client不能離開

思考： 我們在使用Spark送出job時使用的哪種模式？

RDD運作流程：

• RDD在Spark中運作大概分為以下三步：

1. 1. 建立RDD對象
   2. DAGScheduler子產品介入運算，計算RDD之間的依賴關系，RDD之間的依賴關系就形成了DAG
   3. 每一個Job被分為多個Stage。劃分Stage的一個主要依據是目前計算因子的輸入是否是确定的，如果是則将其分在同一個Stage，避免多個Stage之間的消息傳遞開銷

• 示例圖如下：

• 

• 以下面一個按 A-Z 首字母分類，查找相同首字母下不同姓名總個數的例子來看一下 RDD 是如何運作起來的

• 

• 建立 RDD  上面的例子除去最後一個 collect 是個動作，不會建立 RDD 之外，前面四個轉換都會建立出新的 RDD 。是以第一步就是建立好所有 RDD( 内部的五項資訊 )？
• 建立執行計劃 Spark 會盡可能地管道化，并基于是否要重新組織資料來劃分 階段 (stage) ，例如本例中的 groupBy() 轉換就會将整個執行計劃劃分成兩階段執行。最終會産生一個 DAG(directed acyclic graph ，有向無環圖 ) 作為邏輯執行計劃

• 

• 排程任務  将各階段劃分成不同的 任務 (task) ，每個任務都是資料和計算的合體。在進行下一階段前，目前階段的所有任務都要執行完成。因為下一階段的第一個轉換一定是重新組織資料的，是以必須等目前階段所有結果資料都計算出來了才能繼續