目录
[一、Spark 是什么](#一、Spark 是什么)
[1.1 统一分析引擎?](#1.1 统一分析引擎?)
[二、Spark 风雨十年](#二、Spark 风雨十年)
[三、Spark VS Hadoop(MapReduce)](#三、Spark VS Hadoop(MapReduce))
[3.1 面试题:Hadoop 的基于进程的计算和 Spark 基于线程方式优缺点?](#3.1 面试题:Hadoop 的基于进程的计算和 Spark 基于线程方式优缺点?)
[四、Spark 四大特点](#四、Spark 四大特点)
[4.1 速度快](#4.1 速度快)
[4.2 易于使用](#4.2 易于使用)
[4.3 通用性强](#4.3 通用性强)
[4.4 运行方式](#4.4 运行方式)
[五、Spark 框架模块](#五、Spark 框架模块)
[5.1 介绍](#5.1 介绍)
[5.2 Spark 的运行模式](#5.2 Spark 的运行模式)
[5.3 Spark 的架构角色](#5.3 Spark 的架构角色)
[5.3.1 YARN 角色回顾](#5.3.1 YARN 角色回顾)
[5.3.2 Spark 运行角色](#5.3.2 Spark 运行角色)
一、Spark 是什么
Apache Spark 是用于大规模数据(large-scala data)处理的统一(unified)分析引擎。
Spark 最早源于一篇论文 Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing,该论文是由加州大学柏克莱分校的 Matei Zaharia 等人发表的。论文中提出了一种弹性分布式数据集(即 RDD)的概念。
翻译过来就是:RDD 是一种分布式内存抽象,其使得程序员能够在大规模集群中做内存运算,并且有一定的容错方式。而这也是整个 Spark 的核心数据结构,Spark 整个平台都围绕着 RDD 进行。
简而言之,Spark 借鉴了 MapReduce 思想发展而来,保留了其分布式并行计算的优点并改进了其明显的缺陷。让中间数据存储在内存中提高了运行速度、并提供丰富的操作数据的 API 提高了开发速度。
1.1 统一分析引擎?
Spark 是一款分布式内存计算的统一分析引擎。其特点就是对任意类型的数据进行自定义计算。Spark 可以计算:结构化、半结构化、非结构化等各种类型的数据结构,同时也支持使用 Python、Java、Scala、R 以及 SQL 语言去开发应用程序计算数据。
Spark 的适用面非常广泛,所以,被称之为统一的(适用面广)的分析引擎(数据处理) 。
二、Spark 风雨十年
Spark 是加州大学伯克利分校 AMP 实验室(Algorithms Machines and People Lab)开发的通用大数据处理框架。
Spark 的发展历史,经历过几大重要阶段,如下图所示:
从下面的 Stack Overflow 的数据可以看出,2015 年开始 Spark 每月的问题提交数量已经超越 Hadoop,而 2018 年 Spark Python 版本的 API PySpark 每月的问题提交数量也已超过 Hadoop。2019 年排名 Spark 第一,PySpark 第二;而十年的累计排名是 Spark 第一,PySpark 第三。按照这个趋势发展下去,Spark 和 PySpark 在未来很长一段时间内应该还会处于垄断地位。
三、Spark VS Hadoop(MapReduce)
尽管 Spark 相对于 Hadoop 而言具有较大优势,但 Spark 并不能完全替代 Hadoop:
- 在计算层面,Spark 相比较 MR(MapReduce)有巨大的性能优势,但至今仍有许多计算工具基于 MR 构架,比如非常成熟的 Hive;
- Spark 仅做计算,而 Hadoop 生态圈不仅有计算(MR)也有存储(HDFS)和资源管理调度(YARN),HDFS 和 YARN 仍是许多大数据体系的核心架构。
3.1 面试题:Hadoop 的基于进程的计算和 Spark 基于线程方式优缺点?
答案:Hadoop 中的 MR 中每个 map/reduce task 都是一个 java 进程方式运行,好处在于进程之间是互相独立的,每个 task 独享进程资源,没有互相干扰,监控方便,但是问题在于 task 之间不方便共享数据,执行效率比较低。比如多个 map task 读取不同数据源文件需要将数据源加载到每个 map task 中,造成重复加载和浪费内存。而基于线程的方式计算是为了数据共享和提高执行效率,Spark 采用了线程的最小的执行单位,但缺点是线程之间会有资源竞争。
【扩展阅读】:线程基本概念
- 线程是 CPU 的基本调度单位;
- 一个进程一般包含多个线程, 一个进程下的多个线程共享进程的资源;
- 不同进程之间的线程相互不可见;
- 线程不能独立执行;
- 一个线程可以创建和撤销另外一个线程 。
四、Spark 四大特点
4.1 速度快
由于 Apache Spark 支持内存计算,并且通过 DAG(有向无环图)执行引擎支持无环数据流,所以官方宣称其在内存中的运算速度要比 Hadoop 的 MapReduce 快 100 倍,在硬盘中要快 10 倍。
Spark 处理数据与 MapReduce 处理数据相比,有如下两个不同点:
- Spark 处理数据时,可以将中间处理结果数据存储到内存中;
- Spark 提供了非常丰富的算子(API),可以做到复杂任务在一个 Spark 程序中完成。
4.2 易于使用
Spark 的版本已经更新到 Spark 3.2.0(截止日期 2021.10.13),支持了包括 Java、Scala、Python 、R 和 SQL 语言在内的多种语言。为了兼容 Spark2.x 企业级应用场景,Spark 仍然持续更新 Spark2 版本。
4.3 通用性强
在 Spark 的基础上,Spark 还提供了包括 Spark SQL、Spark Streaming、MLib 及GraphX 在内的多个工具库,我们可以在一个应用中无缝地使用这些工具库。
4.4 运行方式
Spark 支持多种运行方式,包括在 Hadoop 和 Mesos 上,也支持 Standalone 的独立运行模式,同时也可以运行在云 Kubernetes(Spark 2.3 开始支持)上。
对于数据源而言,Spark 支持从 HDFS、HBase、Cassandra 及 Kafka 等多种途径获取数据。
五、Spark 框架模块
5.1 介绍
整个 Spark 框架模块包含:Spark Core、Spark SQL、Spark Streaming、Spark GraphX、Spark MLlib,而后四项的能力都是建立在核心引擎之上。
- Spark Core:Spark 的核心,Spark 核心功能均由 Spark Core 模块提供,是 Spark 运行的基础。Spark Core 以 RDD 为数据抽象,提供 Python、Java、Scala、R 语言的 API,可以编程进行海量离线数据批处理计算。
- SparkSQL:基于 SparkCore 之上,提供结构化数据的处理模块。SparkSQL 支持以 SQL 语言对数据进行处理,SparkSQL 本身针对离线计算场景。同时基于 SparkSQL,Spark 提供了 StructuredStreaming 模块,可以以 SparkSQL 为基础,进行数据的流式计算。
- SparkStreaming:以 SparkCore 为基础,提供数据的流式计算功能。
- MLlib:以 SparkCore 为基础,进行机器学习计算,内置了大量的机器学习库和 API 算法等。方便用户以分布式计算的模式进行机器学习计算。
- GraphX:以 SparkCore 为基础,进行图计算,提供了大量的图计算 API,方便用于以分布式计算模式进行图计算。
5.2 Spark 的运行模式
Spark提供多种运行模式,包括:
- 本地模式(单机)
本地模式就是以一个独立的进程,通过其内部的多个线程来模拟整个 Spark 运行时环境。
- Standalone 模式(集群)
Spark 中的各个角色以独立进程的形式存在,并组成 Spark 集群环境。
- Hadoop YARN 模式(集群)
Spark 中的各个角色运行在 YARN 的容器内部,并组成 Spark 集群环境。
- -Kubernetes 模式(容器集群)
Spark 中的各个角色运行在 Kubernetes 的容器内部,并组成 Spark 集群环境。
5.3 Spark 的架构角色
5.3.1 YARN 角色回顾
YARN 主要有 4 类角色,从 2 个层面去看:
资源管理层面
- 集群资源管理者(Master):ResourceManager
- 单机资源管理者(Worker):NodeManager
任务计算层面
- 单任务管理者(Master):ApplicationMaster
- 单任务执行者(Worker):Task(容器内计算框架的工作角色)
5.3.2 Spark 运行角色
注:正常情况下 Executor 是干活的角色,不过在特殊场景下(Local 模式)Driver 可以即管理又干活。