《Spark：分布式并行计算框架课件》由会员分享，可在线阅读，更多相关《Spark：分布式并行计算框架课件（42页珍藏版）》请在金锄头文库上搜索。
1、,Spark：分布式并行计算框架,内容简介,Spark是什么 Spark的发展历程 Spark能干什么 Spark的适用场景 Spark的特点 Spark生态系统 Spark运行模式 Spark高可用 Spark核心概念：RDD Spark集群搭建 Spark与Hadoop整合 Spark应用部署模式,Spark是什么,Spark是一个基于内存计算的开源的分布式集群并行计算系统 Spark非常小巧玲珑，由加州伯克利大学AMP实验室的Matei为主的小团队所开发。使用的语言是Scala，运行在JVM上，项目的core部分的代码只有63个Scala文件，非常短小精悍。 是继Hadoop之后的新一代
2、大数据分布式处理框架 目前Spark在全球已有广泛的应用，其中包括 Alibaba 、 Baidu 、 Tencent Youku 、IBM、Intel、雅虎等。,Spark发展历程,Spark诞生于2009年，那时候它是，加州大学伯克利分校RAD实验室的一个研究项目，后来到了AMP实验室。 Spark最初是基于Hadoop Mapreduce的，后来发现Mapreduce在迭代式计算和交互式上是低效的。因此Spark进行了改进，引入了内存存储和高容错机制。 关于Spark的研究论文在学术会议上发表，并且在它被创建的2009年不久之后，对于一些特定的工作，Spark比Mapreduce快10-
3、20倍。 2010年3月份Spark开源。 2011年，AMP实验室开始在Spark上面开发高级组件，像Shark(Hive on Spark)，Spark Streaming。 2013年转移到了Apache下，现在已经是顶级项目了。 2014年5月份Spark1.0发布。 目前：发布最新版Spark1.6.1 Spark在7年内迅速发展，较于其他大数据平台或框架，Spark代码库最为活跃,Spark发展历程,Spark能干什么,大规模数据处理。例如用户行为数据，电子商务平台用户的操作行为记录，放进Spark系统，然后对数据进行多维度的分析，发现潜在客户，个性化推荐商品 流数据处理。 图计算
4、。社交网络 机器学习。协同过滤,Spark的适用场景,Spark是基于内存的迭代计算框架，适用于需要多次操作特定数据集的应用场合。需要反复操作的次数越多，所需读取的数据量越大，受益越大，数据量小但是计算密集度较大的场合，受益就相对较小 由于RDD的特性，Spark不适用那种异步细粒度更新状态的应用，例如web服务的存储或者是增量的web爬虫和索引。就是对于那种增量修改的应用模型不适合 数据量不是特别大，但是要求实时统计分析需求,Spark特点,Spark是快速的 很多任务能够秒级完成，对于一些特定的工作，Spark比Mapreduce快10-20倍。 Spark扩充了流行的Mapreduce计
5、算模型，使Spark更高效地支持更多类型的计算，包括交互式查询，和流处理。 速度快的另一个主要原因就是，能够在内存中计算。 官方提供的数据表明，如果数据由磁盘读取，速度是Hadoop MapReduce的10倍以上，如果数据从内存中读取，速度可以高达100多倍。,Spark特点,Spark是易用的 Spark不仅支持Scala编写应用程序，而且支持Java和Python, Python, R等语言进行编写。,Spark特点,Spark是通用的 Spark的设计，容纳了之前很多独立的，分布式系统所拥有的功能。独立的分布式系统包括：批处理，迭代式计算，交互查询和流处理等。 并且，由之前需要维护不同
6、的集群，到现在只需要维护一个Spark集群。 Spark生态圈即BDAS（伯克利数据分析栈）包含了Spark Core、Spark SQL、Spark Streaming、MLLib和GraphX等组件，这些组件分别处理Spark Core提供内存计算框架、SparkStreaming的实时处理应用、Spark SQL的即席查询、MLlib或MLbase的机器学习和GraphX的图处理，它们都是由AMP实验室提供，能够无缝的集成并提供一站式解决平台。,Spark特点,Spark是开放的 Spark提供了Java，Scala， Python， R，SQL的API和丰富的内置库。 同时，Spark
7、和其它的大数据工具整合的很好。尤其，Spark能够运行在Hadoop集群上面，能够访问Hadoop数据。,Spark特点,Spark随处运行 Spark具有很强的适应性，能够读取HDFS、Cassandra、HBase、S3和Techyon为持久层读写原生数据，能够以Mesos、YARN和自身携带的Standalone作为资源管理器调度job，来完成Spark应用程序的计算。,Spark生态系统,Spark生态系统,Spark生态圈也称为BDAS（伯克利数据分析栈），是伯克利APMLab实验室打造的，力图在算法（Algorithms）、机器（Machines）、人（People）之间通过大规模
8、集成来展现大数据应用的一个平台。伯克利AMPLab运用大数据、云计算、通信等各种资源以及各种灵活的技术方案，对海量不透明的数据进行甄别并转化为有用的信息，以供人们更好的理解世界。该生态圈已经涉及到机器学习、数据挖掘、数据库、信息检索、自然语言处理和语音识别等多个领域。 Spark生态圈以Spark Core为核心，从HDFS、Amazon S3和HBase等持久层读取数据，以MESS、YARN和自身携带的Standalone为资源管理器调度Job完成Spark应用程序的计算。 这些应用程序可以来自于不同的组件，如Spark Shell/Spark Submit的批处理、Spark Stream
9、ing的实时处理应用、Spark SQL的即席查询、BlinkDB的权衡查询、MLlib/MLbase的机器学习、GraphX的图处理和SparkR的数学计算等等。,Spark生态系统,Spark生态系统学习、维护成本很低。要实现一个相对完整的端到端的解决方案，以前需要部署多个专有系统，现在只需要一个Spark Spark Core 对应Hadoop MR SparkSQL 对应Hive SparkStreaming 对应Strom SparkGraphX对应Giraph SparkMLLib 对应Mahout,Spark运行模式,Spark目前主要有4种运行模式 LocalN模式，适用N个线
10、程，用于调试。 Local cluster 伪分布式模式，可以配置worker数量，每个worker管理的cpu和内存，用于调试 Standalone Cluster集群模式 ，Spark:/hostname:port，需要部署spark到相关节点，url为master地址和端口 YARN Cluster 模式，运行在资源管理器yarn集群中 Mesos Cluster模式，运行在资源管理器Mesos集群中,Spark运行模式,Spark运行模式,Spark运行模式,Client 提交driver的终端，可以是集群中的任何一个node，也可以是spark集群外的机器，甚至是调试程序的Ide D
11、river就是用户提交的程序，这里边定义了SparkContext的实例 SparkContext初始化过程中Spark会分别创建DAGScheduler作业调度和TaskScheduler任务调度两级调度模块 DAGScheduler是基于任务模块的高层调度模块，为每个Spark作业(job)计算具有依赖关系的多个调度模块(通常根据shuffle来划分)，然后为每个阶段构建出一组具体的任务(Task)，即任务集TaskSet交给TaskScheduler来具体执行 TaskScheduler则负责具体启动任务、监控和汇报任务运行情况 DAGScheduler和TaskScheduler都是不
12、同阶段的调度者，具体执行任务的是Exector Master接收Client提交的作业，管理Worker，并命令Worker启动Driver和Executor Worker负责管理本节点的资源，定期向Master汇报心跳，接收Master的命令，比如启动Driver和Executor,Spark高可用,Spark 采用了Master/Slaves架构的集群模式，因此，存在着Master单点故障。 基于文件系统的单点恢复 此模式下虽然可以恢复，但需要人工参与。因此，适合对高可用要求不高的场景，如果离线分析。 当Master挂掉后，手工启动Master仍然能继续执行原来的任务。当然，也可以继续提交
13、任务 export SPARK_DAEMON_JAVA_OPTS=-Dspark.deploy.recoveryMode=FILESYSTEM -Dspark.deploy.recoveryDirectory=/opt/spark/recovery“ 基于ZooKeeper的HA Spark Standalone使用多个Master节点，通过ZooKeeper推举一个为Active（激活）状态，其它的均为Standby（备用）状态。 当Active Master节点挂掉后，ZooKeeper会从所有的Standby Mater中推举会一个新的Activer Master。新的Active Ma
14、ster恢复到旧有的Active Master的状态，然后恢复调度。从Activer Master失去作用，到新Active Master恢复调度可能需要12分钟。 export SPARK_DAEMON_JAVA_OPTS=“-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=10-154:2181, 10-153:2181, 10-152:2181, 10-154:2181 -Dspark.deploy.zookeeper.dir=/spark,Spark核心概念：RDD,什么是RDD Spark的核心概念是
15、RDD (resilient distributed dataset)，是一个只读的，可分区的分布式数据集，这个数据集的全部或部分可以缓存在内存中，在多次计算间重用。 一种有容错机制的特殊集合，可以分布在集群的节点上，以函数式编程操作集合的方式，进行各种并行操作 分布式的，可以分布在多台机器上，进行计算 弹性的，计算过程中内存不够时它会和磁盘进行数据交换,Spark核心概念：RDD,RDD创建操作 (creation operation) 集合创建，由内部集合生成，Spark中提供了parallelize和makeRDD两类函数来实现从集合生成RDD。var rdd=sc.makeRDD(1
16、to 10,3) 存储创建，从文件存储(文本文件，hdfs)，数据库(hbase,mongodb)，消息队列(kafka)等获得数据并转换成RDD,Spark核心概念：RDD,RDD转换操作(transfermation operation) 把一种RDD变成另一种新的RDD。如： map(func)：返回一个新的分布式数据集，由每个原元素经过func函数转换后组成 filter(func)：返回一个新的数据集，由经过func函数后返回值为true的原元素组成 flatMap(func)：类似于map，但是每一个输入元素，会被映射为0到多个输出元素（因此，func函数的返回值是一个Seq，而不是单一元素）,Spark核心概念：RDD,RDD控制操作(control operation) 在spark中持久化操作是一种重要的功能，可以将RDD存储在不同层次的存储介质中，以便后续的操作能够重复使用。如： cache() persist(),Spark核心概念：RDD,RDD行动操作(action operation) 行动操作是和转换操作相
