Spark - [01] 概述

一、Spark是什么

Spark 是一种基于内存的快速、通用、可扩展的大数据分析引擎。

Apache Spark is a unified analytics engine for large-scale data processing.

• 2009年诞生于加州大学伯克利分校AMPLab，项目采用Scala编写。
• 2010年开源
• 2013年6月成为Apache孵化项目
• 2014年2月成为Apache顶级项目

 

二、Spark 内置模块（Spark生态）

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 Streaming：

是Spark用来操作结构化数据的程序包

可以使用SQL或者HQL来对历史数据做交互式查询（即席查询：用户根据自己的需求自定义查询）。

Spark SQL：

支持多种数据源，比如 Hive表，Parquet以及JSON等。

Spark MLlib

构建在Spark之上，提供常见的机器学习（ML）功能的程序库，支持一系列数据挖掘算法。

包括分类、回归、聚类、协同过滤，还提供了模型评估、数据导入等额外的支持功能。

Spark GraghX

图计算（关注事物本身而且关注事物之间的联系）

SparkCore

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。

独立调度器/Yarn/Mesos

Spark的资源管理和调度器：

• Standalone：Spark自带的资源调度器，需要在集群中的每台节点上配置Spark，本地测试环境用
• Yarn：国内使用最广泛，推荐生产环境使用（★★★★☆）
• Mesos：国内使用较少，国外使用较多。

三、Spark的特点

1、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。

2、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。

3、通用

Spark提供了统一的解决方案。Spark可以用于批处理、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。减少了开发和维护的人力成本和部署平台的物力成本。

4、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。

四、Spark VS Flink

相同点：两者都是大数据处理框架，各自在数据处理领域有着广泛的应用。

不同点：

1、基本特性与优势

Spark速度快：基于内存计算，比传统的磁盘计算更快。

Spark可扩展性强：可以在分布式计算环境中，轻松扩展到大规模数据处理。

Spark处理多种数据：能够处理多种数据类型，包括结构化数据、图形数据和流数据等。

Spark易用性：支持多种编程语言（如java、Scala、Python和R），提供了易于使用的交互式Shell和图形化界面。

Spark通用性强：Spark生态圈（BDAS）包含多个组件，如Spark Core、Spark SQL、Spark Streaming等，提供一站式解决平台。

Flink流处理：是一个高吞吐、高性能、低延时的实时流处理引擎，能够提供毫秒级时延处理能力。

Flink丰富的状态管理：流处理应用需要存储事件或中间结果以供后续处理，Flink具有丰富的状态管理能力。

Flink任务调度与时间机制：根据用户提交的代码StreamGraph，并优化为JobGraph，由JobManager根据ExecutionGraph进行调度。支持三种时间机制（事件时间、注入时间、处理时间）以及watermark机制处理乱序数据。

2、架构与任务调度

  Flink在运行时主要包含JobManager、TaskManager和Slot等组件，并根据用户提价的代码进行任务调度和优化。

  Spark的架构和任务调度机制和Flink有所不同，但其核心也是基于分布式计算环境进行任务分配和执行。

3、容错机制

  Flink使用两阶段提交协议来确保数据处理的“exactly-once”语义，即确保每个事件只被处理一次。

  Spark也具有较高的容错性，但其具体实现方式与Flink可能有所不同。

综上所述，Spark和Flink在数据处理领域各有优势。

Spark以其强大的生态系统、易用性和多语言支持等特点受到广泛欢迎。

而Flink则以其卓越的流式处理能力、低时延和状态管理功能在实时数据处理领域表现出色。

Spark 的角色

driver

介绍

  Spark 的驱动器是执行开发程序中的 main 方法的进程。负责开发人员编写的用来创建 SparkContext、创建 RDD，以及进行RDD的转化操作和行动操作代码的执行。启动 Spark shell 的时候，系统后台自启了一个 Spark 驱动器程序，就是在 Spark shell 中预加载的一个叫做 sc 的 SparkContext 对象。如果驱动器程序终止，那么 Spark 应用也就结束了。

作用

• 把用户程序转为作业（Job）
• 跟踪 Executor 的运行状况
• 为执行器节点调度任务
• UI 展示应用运行状况

executor

介绍

  Spark Executor 是一个工作进程，负责在 Spark 作业中运行任务，任务间相互独立。Spark 应用启动时，Executor 节点被同时启动，并且始终伴随着整个 Spark 应用的声明周期而存在。如果有 Executor 节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他 Executor 节点上继续运行。

作用

• 负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程。
• 通过自身的块管理器（Block Manager）为用户程序中要求缓存的 RDD 提供内存方式存储。
• RDD 是直接缓存在 Executor 进程内的，因此任务可以在运行时充分利用缓存数据加速运算。

Spark 作业提交流程

YarnClient运行模式

YarnCluster模式

Spark 安装部署

# 将 spark的tar包上传到任意节点（node7-1)上的合适的目录
# 解压tar包 => 删除tar包 => 修改解压后的目录名
tar -zxvf spark-2.2.1-bin-hadoop2.7.tgz

mv spark-2.2.1-bin-hadoop2.7/ spark-hadoop/