Spark介绍

Spark核心概念

Resilient Distributed Dataset (RDD)弹性分布数据集

• RDD 是Spark的最基本抽象,是对分布式内存的抽象使用，实现了以操作本地集合的方式来操作分布式数据集的抽象实现。RDD是Spark最核心的东西，它表 示已被分区，不可变的并能够被并行操作的数据集合，不同的数据集格式对应不同的RDD实现。RDD必须是可序列化的。RDD可以cache到内存中，每次 对RDD数据集的操作之后的结果，都可以存放到内存中，下一个操作可以直接从内存中输入，省去了MapReduce大量的磁盘IO操作。这对于迭代运算比 较常见的机器学习算法, 交互式数据挖掘来说，效率提升比较大。
• RDD的特点：
  • 它是在集群节点上的不可变的、已分区的集合对象。
  • 通过并行转换的方式来创建如（map, filter, join, etc）。
  • 失败自动重建。
  • 可以控制存储级别（内存、磁盘等）来进行重用。
  • 必须是可序列化的。
  • 是静态类型的。
• RDD的好处
  • RDD只能从持久存储或通过Transformations操作产生，相比于分布式共享内存（DSM）可以更高效实现容错，对于丢失部分数据分区只需根据它的lineage就可重新计算出来，而不需要做特定的Checkpoint。
  • RDD的不变性，可以实现类Hadoop MapReduce的推测式执行。
  • RDD的数据分区特性，可以通过数据的本地性来提高性能，这与Hadoop MapReduce是一样的。
  • RDD都是可序列化的，在内存不足时可自动降级为磁盘存储，把RDD存储于磁盘上，这时性能会有大的下降但不会差于现在的MapReduce。
• RDD的存储与分区
  • 用户可以选择不同的存储级别存储RDD以便重用。
  • 当前RDD默认是存储于内存，但当内存不足时，RDD会spill到disk。
  • RDD在需要进行分区把数据分布于集群中时会根据每条记录Key进行分区（如Hash 分区），以此保证两个数据集在Join时能高效。
• RDD的内部表示
  在RDD的内部实现中每个RDD都可以使用5个方面的特性来表示：
  • 分区列表（数据块列表）
  • 计算每个分片的函数（根据父RDD计算出此RDD）
  • 对父RDD的依赖列表
  • 对key-value RDD的Partitioner【可选】
  • 每个数据分片的预定义地址列表(如HDFS上的数据块的地址)【可选】
• 
  
• RDD的存储级别
  RDD根据useDisk、useMemory、deserialized、replication四个参数的组合提供了11种存储级别：

•  RDD定义了各种操作，不同类型的数据由不同的RDD类抽象表示，不同的操作也由RDD进行抽实现。

• RDD有两种创建方式：

  1、从Hadoop文件系统（或与Hadoop兼容的其它存储系统）输入（例如HDFS）创建。
  

  2、从父RDD转换得到新RDD。

  </li>
• 下面来看一从Hadoop文件系统生成RDD的方式，如：val file = spark.textFile("hdfs://...")，file变量就是RDD（实际是HadoopRDD实例），生成的它的核心代码如下：
  
• 
  
• 
  

  ·  1 2 3 4 5 6 7 8 9

  ·   // SparkContext根据文件/目录及可选的分片数创建RDD, 这里我们可以看到Spark与Hadoop MapReduce很像      // 需要InputFormat, Key、Value的类型，其实Spark使用的Hadoop的InputFormat, Writable类型。      def textFile(path: String, minSplits: Int = defaultMinSplits): RDD[String] = {          hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable],          classOf[Text], minSplits) .map(pair => pair._2.toString) }       // 根据Hadoop配置，及InputFormat等创建HadoopRDD       new HadoopRDD(this, conf, inputFormatClass, keyClass, valueClass, minSplits)

  ·          

  2. 对RDD进行计算时，RDD从HDFS读取数据时与Hadoop MapReduce几乎一样的：
     
     
  </ol>

  ·  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

  ·      // 根据hadoop配置和分片从InputFormat中获取RecordReader进行数据的读取。      reader = fmt.getRecordReader(split.inputSplit.value, conf,Reporter.NULL)       val key: K = reader.createKey()     val value: V = reader.createValue()       //使用Hadoop MapReduce的RecordReader读取数据，每个Key、Value对以元组返回。     override def getNext() = {     try {       finished = !reader.next(key, value)     } catch {       case eof: EOFException =>         finished = true     }       (key, value)     }

  </li> </ul> </div>

  
  

  RDD的转换与操作</span>
  • 对于RDD可以有两种计算方式：转换（返回值还是一个RDD）与操作（返回值不是一个RDD）。
  • 转 换(Transformations) (如：map, filter, groupBy, join等)，Transformations操作是Lazy的，也就是说从一个RDD转换生成另一个RDD的操作不是马上执行，Spark在遇到 Transformations操作时只会记录需要这样的操作，并不会去执行，需要等到有Actions操作的时候才会真正启动计算过程进行计算。
  • 操作(Actions) (如：count, collect, save等)，Actions操作会返回结果或把RDD数据写到存储系统中。Actions是触发Spark启动计算的动因。
  下面使用一个例子来示例说明Transformations与Actions在Spark的使用。

  ·  1 2 3 4 5 6 7 8 9 10 11 12 13 14

  ·      val sc = new SparkContext(master, "Example",System.getenv("SPARK_HOME"),          Seq(System.getenv("SPARK_TEST_JAR")))       val rdd_A = sc.textFile(hdfs://.....)     val rdd_B = rdd_A.flatMap((line => line.split("\\s+"))).map(word => (word,1))       val rdd_C = sc.textFile(hdfs://.....)     val rdd_D = rdd_C.map(line => (line.substring(10), 1))     val rdd_E = rdd_D.reduceByKey((a, b) => a + b)       val rdd_F = rdd_B.jion(rdd_E)       rdd_F.saveAsSequenceFile(hdfs://....)

  
  

  Lineage（血统）</span></span>
  
  
  • 利 用内存加快数据加载,在众多的其它的In-Memory类数据库或Cache类系统中也有实现，Spark的主要区别在于它处理分布式运算环境下的数据容 错性（节点实效/数据丢失）问题时采用的方案。为了保证RDD中数据的鲁棒性，RDD数据集通过所谓的血统关系(Lineage)记住了它是如何从其它 RDD中演变过来的。相比其它系统的细颗粒度的内存数据更新级别的备份或者LOG机制，RDD的Lineage记录的是粗颗粒度的特定数据转换 （Transformation）操作（filter, map, join etc.)行为。当这个RDD的部分分区数据丢失时，它可以通过Lineage获取足够的信息来重新运算和恢复丢失的数据分区。这种粗颗粒的数据模型，限 制了Spark的运用场合，但同时相比细颗粒度的数据模型，也带来了性能的提升。
  • RDD 在Lineage依赖方面分为两种Narrow Dependencies与Wide Dependencies用来解决数据容错的高效性。Narrow Dependencies是指父RDD的每一个分区最多被一个子RDD的分区所用，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，也就是说一个父RDD的一个分区不可能对应一个子RDD的多个分区。Wide Dependencies是指子RDD的分区依赖于父RDD的多个分区或所有分区，也就是说存在一个父RDD的一个分区对应一个子RDD的多个分区。对与 Wide Dependencies，这种计算的输入和输出在不同的节点上，lineage方法对与输入节点完好，而输出节点宕机时，通过重新计算，这种情况下，这 种方法容错是有效的，否则无效，因为无法重试，需要向上其祖先追溯看是否可以重试（这就是lineage，血统的意思），Narrow Dependencies对于数据的重算开销要远小于Wide Dependencies的数据重算开销。
  容错</span></span>
  
  
  • 在 RDD计算，通过checkpint进行容错，做checkpoint有两种方式，一个是checkpoint data，一个是logging the updates。用户可以控制采用哪种方式来实现容错，默认是logging the updates方式，通过记录跟踪所有生成RDD的转换（transformations）也就是记录每个RDD的lineage（血统）来重新计算生成 丢失的分区数据。
  资源管理与作业调度</span></span>
  
  
  • Spark 对于资源管理与作业调度可以使用Standalone(独立模式)，Apache Mesos及Hadoop YARN来实现。 Spark on Yarn在Spark0.6时引用，但真正可用是在现在的branch-0.8版本。Spark on Yarn遵循YARN的官方规范实现，得益于Spark天生支持多种Scheduler和Executor的良好设计，对YARN的支持也就非常容 易，Spark on Yarn的大致框架图。 
  • 让Spark运行于YARN上与Hadoop共用集群资源可以提高资源利用率。
  
  
   编程接口</span>
  </span>
  • Spark 通过与编程语言集成的方式暴露RDD的操作，类似于DryadLINQ和FlumeJava，每个数据集都表示为RDD对象，对数据集的操作就表示成对 RDD对象的操作。Spark主要的编程语言是Scala，选择Scala是因为它的简洁性（Scala可以很方便在交互式下使用）和性能（JVM上的静 态强类型语言）。
  • Spark 和Hadoop MapReduce类似，由Master(类似于MapReduce的Jobtracker)和Workers(Spark的Slave工作节点)组成。 用户编写的Spark程序被称为Driver程序，Dirver程序会连接master并定义了对各RDD的转换与操作，而对RDD的转换与操作通过 Scala闭包(字面量函数)来表示，Scala使用Java对象来表示闭包且都是可序列化的，以此把对RDD的闭包操作发送到各Workers节点。 Workers存储着数据分块和享有集群内存，是运行在工作节点上的守护进程，当它收到对RDD的操作时，根据数据分片信息进行本地化数据操作，生成新的 数据分片、返回结果或把RDD写入存储系统。 
  Scala</span>
  </span>
  • Spark 使用Scala开发，默认使用Scala作为编程语言。编写Spark程序比编写Hadoop MapReduce程序要简单的多，SparK提供了Spark-Shell，可以在Spark-Shell测试程序。写SparK程序的一般步骤就是创 建或使用(SparkContext)实例，使用SparkContext创建RDD，然后就是对RDD进行操作。如：
    

   

  </div>

  ·  1 2 3 4

  ·      val sc = new SparkContext(master, appName, [sparkHome], [jars])     val textFile = sc.textFile("hdfs://.....")      textFile.map(....).filter(.....).....

      

  Java

  • Spark支持Java编程，但对于使用Java就没有了Spark-Shell这样方便的工具，其它与Scala编程是一样的，因为都是JVM上的语言，Scala与Java可以互操作，Java编程接口其实就是对Scala的封装。如：

  ·  1 2 3 4 5 6 7 8 9 10

  ·      JavaSparkContext sc = new JavaSparkContext(...);       JavaRDD lines = ctx.textFile("hdfs://...");      JavaRDD words = lines.flatMap(        new FlatMapFunction<String, String>() {           public Iterable call(String s) {              return Arrays.asList(s.split(" "));           }         }      );

  
  

  Python

  • 现在Spark也提供了Python编程接口，Spark使用py4j来实现python与java的互操作，从而实现使用python编写Spark程序。Spark也同样提供了pyspark，一个Spark的python shell，可以以交互式的方式使用Python编写Spark程序。 如：

  ·  1 2 3 4 5

  ·      from pyspark import SparkContext      sc = SparkContext("local", "Job Name", pyFiles=['MyFile.py', 'lib.zip', 'app.egg'])      words = sc.textFile("/usr/share/dict/words")      words.filter(lambda w: w.startswith("spar")).take(5)

  
  

  
  

   使用示例

  
  

  Standalone模式

  </div>

  为方便Spark的推广使用，Spark提供了Standalone模式，Spark一开始就设计运行于Apache Mesos资源管理框架上，这是非常好的设计，但是却带了部署测试的复杂性。为了让Spark能更方便的部署和尝试，Spark因此提供了Standalone运行模式，它由一个Spark Master和多个Spark worker组成，与Hadoop MapReduce1很相似，就连集群启动方式都几乎是一样。

  以Standalone模式运行Spark集群

  o    下载Scala2.9.3，并配置SCALA_HOME

  o    下载Spark代码（可以使用源码编译也可以下载编译好的版本）这里下载 编译好的版本（http://spark-project.org/download/spark-0.7.3-prebuilt-cdh4.tgz）

  o    解压spark-0.7.3-prebuilt-cdh4.tgz安装包

  1. 修改配置（conf/*） slaves: 配置工作节点的主机名 spark-env.sh：配置环境变量。
  2. 
     

  ·  1 2 3 4 5 6 7 8 9 10

  ·  SCALA_HOME=/home/spark/scala-2.9.3  JAVA_HOME=/home/spark/jdk1.6.0_45  SPARK_MASTER_IP=spark1              SPARK_MASTER_PORT=30111  SPARK_MASTER_WEBUI_PORT=30118  SPARK_WORKER_CORES=2 SPARK_WORKER_MEMORY=4g  SPARK_WORKER_PORT=30333  SPARK_WORKER_WEBUI_PORT=30119  SPARK_WORKER_INSTANCES=1

  o     

  o    把Hadoop配置copy到conf目录下

  o    在master主机上对其它机器做ssh无密码登录

  o    把配置好的Spark程序使用scp copy到其它机器

  1. 在master启动集群
  2. 
     

  ·  1 2

  ·  $SPARK_HOME/start-all.sh

  o     

  yarn模式

  ·         Spark-shell现在还不支持Yarn模式，使用Yarn模式运行，需要把Spark程序全部打包成一个jar包提交到Yarn上运行。目录只有branch-0.8版本才真正支持Yarn。

  ·         以Yarn模式运行Spark

  1. 下载Spark代码.
     
     
  2. 
     

  ·  1 2

  ·  git clone git://github.com/mesos/spark

  o     

  1. 切换到branch-0.8
     
     
  2. 
     

  ·  1 2 3

  ·  cd spark  git checkout -b yarn --track origin/yarn

  o     

  1. 使用sbt编译Spark并
  2. 
     

  ·  1 2 3 4

  ·  $SPARK_HOME/sbt/sbt  > package  > assembly

  o     

  o    把Hadoop yarn配置copy到conf目录下

  1. 运行测试
  2. 
     

  ·  1 2 3 4

  ·  SPARK_JAR=./core/target/scala-2.9.3/spark-core-assembly-0.8.0-SNAPSHOT.jar \  ./run spark.deploy.yarn.Client --jar examples/target/scala-2.9.3/ \  --class spark.examples.SparkPi --args yarn-standalone

  使用Spark-shell

  ·         Spark-shell使用很简单，当Spark以Standalon模式运行后，使用$SPARK_HOME/spark-shell进入shell即可，在Spark-shell中SparkContext已经创建好了，实例名为sc可以直接使用，还有一个需要注意的是，在Standalone模式下，Spark默认使用的调度器的FIFO调度器而不是公平调度，而Spark-shell作为一个Spark程序一直运行在Spark上，其它的Spark程序就只能排队等待，也就是说同一时间只能有一个Spark-shell在运行。

  1. 在Spark-shell上写程序非常简单，就像在Scala Shell上写程序一样。

  ·  1 2 3 4 5 6 7 8 9

  ·      scala> val textFile = sc.textFile("hdfs://hadoop1:2323/user/data")      textFile: spark.RDD[String] = spark.MappedRDD@2ee9b6e3       scala> textFile.count() // Number of items in this RDD     res0: Long = 21374       scala> textFile.first() // First item in this RDD     res1: String = # Spark

  ·          

  编写Driver程序

  1. 在Spark中Spark程序称为Driver程序，编写Driver程序很简单几乎与在Spark-shell上写程序是一样的，不同的地方就是SparkContext需要自己创建。如WorkCount程序如下：

  ·  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

  ·  import spark.SparkContext import SparkContext._   object WordCount {   def main(args: Array[String]) {     if (args.length ==0 ){       println("usage is org.test.WordCount <master>")     }     println("the args: ")     args.foreach(println)       val hdfsPath = "hdfs://hadoop1:8020"       // create the SparkContext， args(0)由yarn传入appMaster地址     val sc = new SparkContext(args(0), "WrodCount",     System.getenv("SPARK_HOME"),Seq(System.getenv("SPARK_TEST_JAR")))       val textFile = sc.textFile(hdfsPath + args(1))       val result = textFile.flatMap(line => line.split("\\s+"))         .map(word => (word, 1)).reduceByKey(_ + _)       result.saveAsTextFile(hdfsPath + args(2))   } }

  相关经验

  •  Spark介绍
  •  Apache Spark介绍及案例展示
  •  基于Spark的图计算框架 GraphX 入门介绍
  •  Spark的RDD原理以及2.0特性的介绍