《Spark编程基础Python版-第2章-Spark的设计与运行》由会员分享，可在线阅读，更多相关《Spark编程基础Python版-第2章-Spark的设计与运行（46页珍藏版）》请在金锄头文库上搜索。
1、,厦门大学计算机科学系 2020版,林子雨 厦门大学计算机科学系 E-mail: ziyulin 主页： ,第2章 Spark的设计与运行原理 （PPT版本号： 2020年1月版）,温馨提示：编辑幻灯片母版，可以修改每页PPT的厦大校徽和底部文字,扫一扫访问教材官网,Spark编程基础（Python版） 教材官网： ,课程教材,林子雨，郑海山，赖永炫 编著Spark编程基础（Python版）,本书以Python作为开发Spark应用程序的编程语言，系统介绍了Spark编程的基础知识。全书共8章，内容包括大数据技术概述、Spark的设计与运行原理、Spark环境搭建和使用方法、RDD编程、Spa
2、rk SQL、Spark Streaming、Structured Streaming、Spark MLlib等。本书每个章节都安排了入门级的编程实践操作，以便读者更好地学习和掌握Spark编程方法。本书官网免费提供了全套的在线教学资源，包括讲义PPT、习题、源代码、软件、数据集、授课视频、上机实验指南等。,教材官网： ISBN:978-7-115-52439-3 人民邮电出版社,提纲,2.1 Spark概述 2.2 Spark生态系统 2.3 Spark运行架构 2.4 Spark的部署方式,百度搜索厦门大学数据库实验室网站访问平台,2.1 Spark概述,2.1.1 Spark简介 2.1
3、.2 Spark与Hadoop的比较,2.1.1 Spark简介,Spark最初由美国加州大学伯克利分校（UC Berkeley）的AMP实验室于2009年开发，是基于内存计算的大数据并行计算框架，可用于构建大型的、低延迟的数据分析应用程序 2013年Spark加入Apache孵化器项目后发展迅猛，如今已成为Apache软件基金会最重要的三大分布式计算系统开源项目之一（Hadoop、Spark、Storm） Spark在2014年打破了Hadoop保持的基准排序纪录 Spark/206个节点/23分钟/100TB数据 Hadoop/2000个节点/72分钟/100TB数据 Spark用十分之一
4、的计算资源，获得了比Hadoop快3倍的速度,2.1.1 Spark简介,Spark具有如下几个主要特点： 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,2.1.1 Spark简介,图 谷歌趋势：S
5、park与Hadoop对比,Spark如今已吸引了国内外各大公司的注意，如腾讯、淘宝、百度、亚马逊等公司均不同程度地使用了Spark来构建大数据分析应用，并应用到实际的生产环境中,2.1.2 Spark与Hadoop的对比,Hadoop存在如下一些缺点： 表达能力有限 磁盘IO开销大 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,2.1.2 Spark与Hadoop的对比,Spark在借鉴Hadoop MapReduce优点的同时，很好地解决了MapReduce所面临的问题 相比于Hadoop MapReduce，Spark主
6、要具有如下优点： 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 Spark提供了内存计算，可将中间结果放到内存中，对于迭代运算效率更高 Spark基于DAG的任务调度执行机制，要优于Hadoop MapReduce的迭代执行机制,2.1.2 Spark与Hadoop的对比,图 Hadoop与Spark的执行流程对比,2.1.2 Spark与Hadoop的对比,图 Hadoop与Spark执行逻辑回归的时间对比,使用Hadoop进行迭代计算非常耗资源 Spark将数据载入内存后，之后
7、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,2.2 Spark生态系统,在实际应用中，大数据处理主要包括以下三个类型： 复杂的批量数据处理：通常时间跨度在数十分钟到数小时之间 基于历史数据的交互式查询：通常时间跨度在数十秒到数分钟之间 基于实时数据流的数据处理：通常时间跨度在数百毫秒到数秒之间,当同时存在以上三种场景时，就需要同时部署三种不同的软件 比如: MapReduce / Impala / Storm 这样做难免会带来一些问题： 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 不同的软件需要不同的开发和维护团队，带来了较高的使用成本
8、 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,2.2 Spark生态系统,Spark的设计遵循“一个软件栈满足不同应用场景”的理念，逐渐形成了一套完整的生态系统 既能够提供内存计算框架，也可以支持SQL即席查询、实时流式计算、机器学习和图计算等 Spark可以部署在资源管理器YARN之上，提供一站式的大数据解决方案 因此，Spark所提供的生态系统足以应对上述三种场景，即同时支持批处理、交互式查询和流数据处理,2.2 Spark生态系统,Spark的生态系统主要包含了Spark Core、Spark SQL、Spark Streaming（ Structured Streamin
9、g ）、MLLib和GraphX 等组件,图 BDAS架构,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,2.2 Spark生态系统,表1 Spark生态系统组件的应用场景,2.3 Spark运行架构,2.3.1 基本概念 2.3.2 架构设计 2.3.3 Spark运行基本流程 2.3.4 RDD的设计与运行原理,2.3.1 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Di
10、rected 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 应用（Application）：用户编写的Spark应用程序 任务（ Task ）：运行在Executor上的工作单元 作业（ Job ）：一个作业包含多个RDD及作用于相应RDD上的各种操作 阶段（ Stage ）：是作业的基本调度单位，一个作业会分为多组任务，每组任务被称为阶段，或者也被称为任务集合，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,2.3.2 架构设计,图 Spark运行架构,
11、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,2.3.2 架构设计,图 Spark中各种概念之间的相互关系,一个应用由一个Driver和若干个作业构成，一个作业由多个阶段构成，一个阶段由多个没有Shuffle关系的任务组成 当执行一个应用时，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上执行任务，运行结
12、束后，执行结果会返回给Driver，或者写到HDFS或者其他数据库中,2.3.3 Spark运行基本流程,图 Spark运行基本流程图,（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 Sched
13、uler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,SparkContext对象代表了和一个集群的连接,2.3.4 RDD运行原理,1.RDD设计背景 2.RDD概念 3.RDD特性 4.RDD之间的依赖关系 5.阶段的划分 6.RDD运行过程,2.3.4 RDD运行原理,1.RDD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
14、把中间结果写入到稳定存储（比如磁盘）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,2.3.4 RDD运行原理,2.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
15、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,2.3.4 RDD运行原理,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
16、型（比如MapReduce、SQL、Pregel） Spark提供了RDD的API，程序员可以通过调用API实现对RDD的各种操作,2.RDD概念,2.3.4 RDD运行原理,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 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,2.RDD概念,2.3.4 RDD运行原理,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
