大数据技术原理与应用 第三篇 大数据处理与分析(三)Spark
一、 Spark简介
Spark最初由美国加州伯克利大学(UCBerkeley)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
1.1 Spark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
1.2 Scala简介
Scala是一门现代的多范式编程语言,运行于Java平台(JVM,Java虚拟机),并兼容现有的Java程序
Scala是Spark的主要编程语言,但Spark还支持Java、Python、R作为编程语言
Scala的优势是提供了REPL(Read-Eval-Print Loop,交互式解释器),提高程序开发效率
特点:
Scala具备强大的并发性,支持函数式编程,可以更好地支持分布式系统
Scala语法简洁,能提供优雅的API
Scala兼容Java,运行速度快,且能融合到Hadoop生态圈中
1.3 Spark与Hadoop的对比
虽然Hadoop是大数据技术的事实标准,但主要缺陷是其MapReduce计算模型延迟高,无法胜任实时快速计算的需求,只适用于离线批处理的应用场景
Hadoop存在如下一些缺点:
表达能力有限:计算必须转化为Map和Reduce
磁盘IO开销大:每次都从磁盘读取数据,且中间结果也写入磁盘
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
相比于Hadoop MapReduce,Spark主要具有如下优点:
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S
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
相比于Hadoop MapReduce,Spark主要具有如下缺点:
Hadoop可以使用廉价异构的计算机做分布式存储与计算,Spark对硬件要求较高
1.4 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-MapReduce
基于历史数据的交互式查询:时间跨度在数十秒到数分钟之间-Impala
基于实时数据流的数据处理:时间跨度在数百毫秒到数秒之间-Storm
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即时查询、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
Spark生态系统
Spark的生态系统主要包含了Spark Core、Spark SQL、Spark Streaming、MLLib和GraphX 等组件
应用场景 |
时间跨度 |
其他框架 |
Spark生态系统中的组件 |
复杂的批量数据处理 |
小时级 |
MapReduce、Hive |
Spark |
基于历史数据的交互式查询 |
分钟级、秒级 |
Impala、Dremel、Drill |
Spark SQL |
基于实时数据流的数据处理 |
毫秒、秒级 |
Storm、S4 |
Spark Streaming |
基于历史数据的数据挖掘 |
- |
Mahout |
MLlib |
图结构数据的处理 |
- |
Pregel、Hama |
GraphX |
二、 Spark运行架构
2.1 基本概念
RDD: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:Directed Acyclic Graph(有向无环图)的简称,反映RDD间的依赖关系
Executor:运行在工作节点(WorkerNode)的一个进程,负责运行Task
Application:用户编写的Spark应用程序
Task:运行在Executor上的工作单元
Job:一个Job包含多个RDD及作用于相应RDD上的各种操作
Stage:Job的基本调度单位,一个Job会分为多组Task,每组Task被称为Stage,或者也被称为TaskSet,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
2.2 架构设计
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)。资源管理器可以使用自带的或Mesos、YARN等资源管理调度框架
与Hadoop MapReduce计算框架相比,Spark所采用的Executor有两个优点:一是利用多线程来执行具体的任务,减少任务的启动开销。二是Executor中有一个BlockManager存储模块,会将内存和磁盘共同作为存储设备,有效减少IO开销
一个Application由一个Driver和若干个Job构成,一个Job由多个Stage构成,一个Stage由多个没有Shuffle关系的Task组成
当执行一个Application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Task,运行结束后执行结果返回给Driver,或写到HDFS或其他数据库中
2.3 Spark运行基本流程
(1)首先为应用构建基本的运行环境,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DAG Scheduler解析成Stage,然后把一个个TaskSet提交给底层调度器Task Scheduler处理;Executor向SparkContext申请Task,Task Scheduler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Task Scheduler,然后反馈给DAG Scheduler,运行完毕后写入数据并释放所有资源
Spark运行架构具有以下特点:
(1)每个Application都有自己专属的Executor进程,并且该进程在Application运行期间一直驻留。Executor进程以多线程的方式运行Task
(2)Spark运行过程与资源管理器无关,只要能够获取Executor进程并保持通信即可
(3)Task采用了数据本地性和推测执行等优化机制
2.4 RDD的设计与运行原理
设计理念
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,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
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
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型(比如MapReduce、SQL、Pregel)
Spark用Scala语言实现了RDD的API,程序员可以通过调用API实现对RDD的各种操作
RDD典型的执行过程
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
【P.S.】
转换操作,并不会发生真正的计算,只是记录转换的轨迹。动作操作,才会触发从头到尾的真正的计算,并得到结果
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
RDD特性
RDD具有天生的容错性∶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
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
存放的数据可以是Java对象:避免了不必要的对象序列化和反序列化
RDD之间的依赖关系
窄依赖表现为一个父RDD的分区对应于一个子RDD的分区或多个父RDD的分区对应于一个子RDD的分区
宽依赖则表现为存在一个父RDD的一个分区对应一个子RDD的多个分区
是否包含Shuffle操作是区分窄依赖和宽依赖的根据
阶段的划分
Spark根据DAG图中的RDD依赖关系,把一个作业分成多个阶段。阶段划分的依据是窄依赖和宽依赖。窄依赖可以实现流水线优化,对于作业的优化很有利,宽依赖包含Shuffle过程,无法实现流水线方式处理。
具体划分方法:
在DAG中进行反向解析,遇到宽依赖就断开
遇到窄依赖就把当前的RDD加入到Stage中
将窄依赖尽量划分在同一个Stage中,可以实现流水线计算从而使得数据可以直接在内存中进行交换,避免了磁盘IO开销
RDD的运行过程
(1)创建RDD对象;
(2)SparkContext负责计算RDD之间的依赖关系,构建DAG;
(3)DAGScheduler负责把DAG图分解成多个Stage,每个Stage中包含了多个Task,每个Task会被TaskScheduler分发给各个WorkerNode上的Executor去执行。
大数据技术原理与应用 第三篇 大数据处理与分析(三)Spark相关推荐
- 大数据技术原理与应用 概念、存储、处理、分析和应用(林子雨)——第八章 Hadoop再探讨
第8章 Hadoop再探讨 Hadoop是一种开源的大数据处理架构,广泛应用于大数据技术领域.然而,Hadoop在诞生之初,在架构设计和应用性能方面存在一些不足之处,随着其后续的发展过程,逐渐得到了改 ...
- 大数据技术原理与应用—第1讲 大数据概述(林子雨老师)课后习题
以下是慕课上林子雨老师,大数据原理及应用的第一讲习题答案.仅供大家学习参考. 第8题:4V指的是:价值密度低,数据量大,数据类型多,处理速度快
- 大数据技术原理与应用(第二章 大数据处理架构Hadoop)
目录 2.1Hadoop简介 HDFS(分布式文件系统) MapReduce(分布式并行编程框架) Hadoop的特点 Hadoop的应用 编辑Hadoop版本的变化 2.2Hadoop项目结构 T ...
- 大数据技术原理与应用 概念、存储、处理、分析和应用(林子雨)——第七章 MapReduce
第七章 MapReduce 7.1 概述 7.1.1 分布式并行编程 在过去的一段时间里,CPU 的性能一直遵循着"摩尔定律",大约每隔 18 个月,性能就会翻一番.这意味着不需要 ...
- 关于大数据技术原理与应用的学习(1)
学习目标: 大数据技术原理与应用 学习内容: 大数据概述 1.1大数据时代 1.2大数据的概念和影响 1.3大数据的应用 1.4大数据的关键技术 1.5大数据与云计算.物联网的关系 学习时间: 202 ...
- 大数据技术原理与应用 第三版 林子雨 期末复习(二) Hadoop HDFS HBase
大数据技术原理与应用 第三版 林子雨 期末复习(二) Hadoop HDFS HBase Hadoop生态系统 HDFS HDFS结构 块 Name Node与Second Name Node与Dat ...
- [渝粤教育] 厦门大学 大数据技术原理与应用 参考 资料
教育 -大数据技术原理与应用-章节资料考试资料-厦门大学[] 第1章 大数据概述 单元测验 1.[单选题]第三次信息化浪潮的标志是: A.个人电脑的普及 B.互联网的普及 C.云计算.大数据.物联网技 ...
- 大数据技术原理与应用课后题(林子雨)
大数据技术原理与应用(林子雨) 第1章 大数据概述 1单选(2分) 第三次信息化浪潮的标志是: A.个人电脑的普及 B.云计算.大数据.物联网技术的普及 C.虚拟现实技术的普及 D.互联网的普及 正确 ...
- 大数据技术原理与应用 第一篇 大数据基础
目录 第一章 大数据概述 一. 大数据时代 1.1 三次信息化浪潮 1.2 信息科技发展 1.3 数据产生方式的变革 1.4 大数据的影响 二. 大数据的概念 2.1 大数据的特征 2.2 大数据关键 ...
- 大数据技术原理与应用—课后题答案(第一章)
大数据技术原理与应用_林子雨版_课后题答案(第一章) 1.试述信息技术发展史上的3次信息化浪潮及具体内容. 信息化浪潮 发生时间 标志 解决问题 ...
最新文章
- PingCode与Jira 敏捷开发管理能力的对比
- 堆排序怎么建立初始堆_学习笔记-详解堆排序
- 多层神经网络(BP算法)介绍
- java 700c corsa_JAVA CORSA休闲车,缔造“城市 生活 元素”
- Item03. 设计模式 Item04. STL
- python pyyaml模块使用示例:读取yaml文件内容
- python2.7.12操作Hbase
- java加密工作模式None_java加解密算法--对称加密工作模式
- 大数据-----软件开发模型(详细讲解)
- 2020年9月25日-01-项目启动(团队分工)+带宽,网络速度的计算
- 骚操作!他居然同时给谷歌和 Facebook 上班干活
- 走出迷宫(信息学奥赛一本通-T1254)
- 零基础自学用Python 3开发网络爬虫(二): 用到的数据结构简介以及爬虫Ver1.0 alpha...
- Onvif协议学习:5、设备搜索
- N-Tiers设计系列(一):传统Asp运作方式
- Linux下载并安装rabbitmq-server-3.6.5-1.noarch.rpm
- 如何计算IP报头的checksum
- 基于服务树的动态资源管理方法
- MES系统实施后,打破信息孤岛发挥最大功效
- 树莓派学习笔记——获取树莓派CPU温度
热门文章
- java数字(double/float)向上取整,向下取整,四舍五入
- ElasticSearch之ICU分词器
- 怎么给电脑分盘与合并磁盘?教你三招
- C#中DateTime类型数据格式化
- layui实现点击表格内图片,放大显示
- my.资料_副本_破六欲
- 以太坊区块链也拥堵_以太坊开发人员:EOS刻意拥堵以太坊网络 推高交易费到1美元...
- python盗墓笔记爬虫爬虫scrapy_redis——MongoDB存储
- NSCameraUsageDescription
- html清除内联样式,是否可以使用jQuery删除内联样式?