【Spark篇】---Spark初始

一、前述

Spark是基于内存的计算框架，性能要优于Mapreduce，可以实现hadoop生态圈中的多个组件，是一个非常优秀的大数据框架，是Apache的顶级项目。One stack  rule  them all  霸气。

但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法

二、具体细节

1、Spark与MapReduce的区别

 都是分布式计算框架，Spark基于内存，MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上，Spark中除了基于内存计算外，还有DAG有向无环图来切分任务的执行先后顺序。

2、Spark运行模式

• Local

             多用于本地测试，如在eclipse，idea中写程序测试等。

• Standalone

              Standalone是Spark自带的一个资源调度框架，它支持完全分布式。

• Yarn

               Hadoop生态圈里面的一个资源调度框架，Spark也是可以基于Yarn来计算的。

• Mesos

          资源调度框架。

注意：要基于Yarn来进行资源调度，必须实现AppalicationMaster接口，Spark实现了这个接口，所以可以基于Yarn。

3、SparkCore

概念

RDD(Resilient Distributed Dateset)，弹性分布式数据集。

RDD的五大特性：（比较重要）

1. RDD是由一系列的partition组成的。
2. 函数是作用在每一个partition（split）上的。
3. RDD之间有一系列的依赖关系。
4. 分区器是作用在K,V格式的RDD上。
5. RDD提供一系列最佳的计算位置。Partiotion对外提供数据处理的本地化，计算移动，数据不移动。

 

备注：

1、textFile方法底层封装的是读取MR读取文件的方式，读取文件之前先split，默认split大小是一个block大小。每个split对应一个partition。

 

2、RDD实际上不存储数据，存储的是计算逻辑，这里方便理解，暂时理解为存储数据。

 

3、什么是K,V格式的RDD?

• 如果RDD里面存储的数据都是二元组对象，那么这个RDD我们就叫做K,V格式的RDD。

4、 哪里体现RDD的弹性（容错）？

• partition数量，大小没有限制，体现了RDD的弹性。Partiotion个数可以控制。可以提高并行度。
• RDD之间依赖关系，可以基于上一个RDD重新计算出RDD。

5、哪里体现RDD的分布式？

• RDD是由Partition组成，partition是分布在不同节点上的。 RDD提供计算最佳位置，体现了数据本地化。体现了大数据中“计算移动数据不移动”的理念。

4、Spark任务执行原理

 

以上图中有四个机器节点，Driver和Worker是启动在节点上的进程，运行在JVM中的进程。

• Driver与集群节点之间有频繁的通信。
• Driver负责任务(tasks)的分发和结果的回收。任务的调度。如果task的计算结果非常大就不要回收了。会造成oom。
• Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM进程。
• Master是Standalone资源调度框架里面资源管理的主节点。也是JVM进程。

5、Spark代码流程

   1、创建SparkConf对象

       SparkConf conf = new SparkConf().setMaster("local").setAppName("xxx")

• 1.设置运行模式
• 2.设置application name
• 3.设置spark运行参数

   2、创建SparkContext对象

          集群的唯一入口

   3、基于Spark的上下文创建一个RDD，对RDD进行处理。

          由SparkContext创建RDD

   4、应用程序中要有Action类算子来触发Transformation类算子执行。

   5、关闭Spark上下文对象SparkContext。