《Spark：分布式并行计算框架》由会员分享，可在线阅读，更多相关《Spark：分布式并行计算框架（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：RDDSpark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之后的新一代大数据分布式处理框架目前Sp
2、ark在全球已有广泛的应用，其中包括Alibaba、Baidu、TencentYouku、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HadoopMapreduce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10-20倍。2010年3月份Spark开源。2011年，A
3、MP实验室开始在Spark上面开发高级组件，像Shark(HiveonSpark)，SparkStreaming。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Spark1.6.1Spark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1.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2.流数据处理。3.图计算。社交网络4.机器学习。协同过滤Spark的适用场景Spark是基于内
4、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SparkSpark是快速的是快速的1.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。2.Spark扩充了流行的Mapreduce计算模型，使Spark更高效地支持更多类型的计算，包括交互式
5、查询，和流处理。3.速度快的另一个主要原因就是，能够在内存中计算。4.官方提供的数据表明，如果数据由磁盘读取，速度是HadoopMapReduce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SparkSpark是通用的是通用的1.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。2.并且，由之前需要维护不同的集群，到现在只需要维护一个Spark集群。3.
6、Spark生态圈即BDAS（伯克利数据分析栈）包含了SparkCore、SparkSQL、SparkStreaming、MLLib和GraphX等组件，这些组件分别处理SparkCore提供内存计算框架、SparkStreaming的实时处理应用、SparkSQL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SparkSpark是开放是开放的的1.Spark提供了Java，Scala，Python，R，SQL的API和丰富的内置库。2.同时，Spark和其它的大数据工具整合的很好。尤其，Spa
7、rk能够运行在Hadoop集群上面，能够访问Hadoop数据。Spark特点Spark随随处运行运行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）之间通过大规模集成来展现大数据应用的一个平台。伯克利AMPLa
8、b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SparkCore为核心，从HDFS、AmazonS3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SparkShell/SparkSubmit的批处理、SparkStreaming的实时处理应用、SparkSQL的即席查询、BlinkD
9、B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SparkSparkCore对应HadoopMRSparkSQL对应HiveSparkStreaming对应StromSparkGraphX对应GiraphSparkMLLib对应MSpark运行模式Spark目前主要有目前主要有4种运行模式种运行模式1.LocalN模式，适用N个线程，用于调试。2.Localcluster伪分布式模式，可以配置worker数量，
10、每个worker管理的cpu和内存，用于调试3.StandaloneCluster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4.YARNCluster模式，运行在资源管理器yarn集群中5.MesosCluster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1Client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Ide2Driver就是用户提交的程序，这里边定义了SparkContext的实例3SparkContex
11、t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4DAGScheduler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5TaskScheduler则负责具体启动任务、监控和汇报任务运行情况6DAGScheduler和TaskScheduler都是不同阶段的调度者，具体执行任务的是Exector7Master接收Client提交的作业，管理Wo
12、rker，并命令Worker启动Driver和Executor8Worker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ESpark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，也可以继续提交任务exportSPARK_DAEMON_JAVA_OPTS=-Dspark.deploy.recoveryMode=FI
13、LESYSTEM-Dspark.deploy.recoveryDirectory=/opt/spark/recovery“基于ZooKeeper的HASparkStandalone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ActiveMaster节点挂掉后，ZooKeeper会从所有的StandbyMater中推举会一个新的ActiverMaster。新的ActiveMaster恢复到旧有的ActiveMaster的状态，然后恢复调度。从ActiverMaster失去作用，到新ActiveMaster恢复调度可能
14、需要12分钟。exportSPARK_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核心概念：RDD什么是RDD1.Spark的核心概念是RDD(resilientdistributeddataset)，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。2.一种有容错机
15、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3.分布式的，可以分布在多台机器上，进行计算4.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：RDDRDD创建操作(creationoperation)1.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。varrdd=sc.makeRDD(1to10,3)2.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RDDSpark核心概念：RDDRDD转换操作
16、操作(transfermationoperation)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：RDDRDD控制操作(controloperation)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
17、使用。如：cache()persist()Spark核心概念：RDDRDD行动操作(actionoperation)行动操作是和转换操作相对应的一种对RDD的操作类型，在Spark中每调用一次行动操作都会触发一次Spark的调度并返回相应的结果1.将变量或集合返回给driver程序。如：first(),count(),reduce()2.将RDD直接保存到外部文件系统或数据库，如HDFS,文本文件,hbasesaveAsTestFile()saveAsNewHadoopFile()saveAsNewHadoopDataset()Spark核心概念：RDD实例代码varsc=newSparkCo
18、ntext(“spark:/.:7077”,”Iloveplu”,”spark_home”,”app_jar”)varfileRDD=sc.textFile(“file:/temp/input/.txt”)varfilterRDD=fileRDD.filter(_contains(“Iloveplu”)filterRDD.cache()filterRDD.cout()/filterRDD.saveAstestFile(“file:/temp/output/.txt”)Spark核心概念：RDD实例注解：第1行创建了spark上下文，在上下文实例化的过程中向集群申请资源和运行环境第2行读取一个文
19、件并创建了第一个RDD第3行对fileRDD执行转换操作，过滤符合条件的每一行字符串，生成新的RDD,即filterRDD第4行对filterRDD进行控制操作，缓存在内存。通过配置不同的缓存策略也可以缓存在硬盘，或者一半在内存一半在硬盘第5行对filterRDD进行行动操作，进行count计算，返回包含”Iloveplu”的行数Spark是惰性计算，也就是延迟计算，只有当进行行动操作时，才会触发spark作业的运行，也就是说在action之前的代码相当于定义了job的执行计划Spark核心概念：RDDSpark集群搭建下载解压jdk，配置环境变量下载解压scala，配置环境变量Spark节点
20、之间通过ssh协议通信，各节点需配置ssh免密码访问Spark通通过主机名来主机名来进行互相行互相访问，通，通过修改修改/etc/hosts文件可配置本地主机名映射文件可配置本地主机名映射关系，在关系，在hosts文件中添加文件中添加计算机的名称和算机的名称和IP的的对应关系关系下载解压spark，配置spark-env,Spark集群搭建1.两台机器10-160,10-161部署spark，这两台机免密码ssh登录2.两台机器10-153,10-154均部署了zookeeper3.10台机器10-7010-79均部署了hadoop4.10-70部署Spark集群搭建1.2台台sparkspa
21、rk-env.sh文件：文件：#exportSPARK_MASTER_IP=192.168.10.160#exportSPARK_LOCAL_IP=10-160#zk高可用模式下不要上面两项exportSPARK_SSH_OPTS=-p58422exportJAVA_HOME=/usr/local/jdk1.7.0_79exportSCALA_HOME=/usr/local/scala-2.11.8exportSPARK_WORKER_MEMORY=8gexportSPARK_WORKER_CORES=4exportSPARK_HISTORY_OPTS=-Dspark.history.ui.p
22、ort=18080-Dspark.history.retainedApplications=3-Dspark.history.fs.logDirectory=file:/tmp/spark-events/exportSPARK_DAEMON_JAVA_OPTS=-Dspark.deploy.recoveryMode=ZOOKEEPER-Dspark.deploy.zookeeper.url=10-154:2181,10-153:2181-Dspark.deploy.zookeeper.dir=/spark2.2台台sparkslaves文件：文件：10-16010-Spark集群搭建选用10-
23、160作为默认master在10-160执行start-all.sh命令，在10-161执行stat-master.sh命令跑一个job试试，执行命令root10-160spark-1.6.1-bin-hadoop2.6#./bin/spark-submit-classplu.platform.StartLiveEvent-masterspark:/10-160:6066,10-161:6066-deploy-Spark集群搭建Spark集群搭建Spark与Hadoop整合RunSparkonYarnClusterSpark与Hadoop整合在在spark-env.sh设置配置置配置项expo
24、rtHADOOP_CONF_DIR=/app/hadoop/etc/Hadoop/指明了hadoop集群的配置启用启用Yarn日志聚合日志聚合功能功能yarn.log-aggregation-enabletrue操作操作HDFS这样我们在spark中操作hdfs就不需要关心hdfs的集群部署情况，如：varrdd1=sc.textFile(file:/app/spark/README.md);/读本地文件rdd1.saveAsTextFile(hdfs:/tmp/spark_readme.md);/写入hdfsvarrdd2=sc.textFile(hdfs:/tmp/spark_readme
25、.md);/读取hdfsrdd2.collect()/显示文本Spark与Hadoop整合RunSparkonYarn./bin/spark-submit-classplu.platform.sparkjob.LiveEventJob-masteryarn-deploy-modecluster-executor-memory5G-num-Spark与Hadoop整合Sparkonyarn提供了应用程序运行的web界面，可以通过这个界面查看spark作业的stage，task等详细信息，但无法获取应用程序的运行日志。这些日志通常保存在YARN的NodeManager节点上，一旦运行完成后可能会被
26、聚集后保存到HDFS上Spark与Hadoop整合Spark-sql&HSpark与Hadoop整合YarnHDFSMRSparkCoreZKHiveSparkJobSparkStreamingSparkSQLMySQLSqoopSpark应用部署模式Client模式模式，driver运行在当前执行命令的机器上，程序执行日志在终端输出，适合交互式应用./bin/spark-submit-classplu.platform.StartLiveEvent-masterspark:/10-160:7077,10-161:7077-deploy-modeclientplu.platform.jarCluster模式模式，driver运行在任意一台worker机器上，程序执行日志不会在终端输出在webui可以查看./bin/spark-submit-classplu.platform.StartLiveEvent-masterspark:/10-160:6066,10-161:6066-deploy-相关链接http:/www.code123.cc/docs/spark-operationand-maintenance-management/index.htmlhttp:/
