Spark是怎样工作的

魁首哥

作者

Spark是怎样工作的

本篇内容主要讲解“Spark是怎样工作的”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Spark是怎样工作的”吧!

01 概述

随着越来越多来自应用领域的细分需求，人们从最初Hadoop的HDFS和MapReduce开始，一步步地构造出了各种细分领域的技术框架。有专攻处理批处理场景的，有专攻数据仓库场景的，有处理流计算场景的，也有专职机器学习的。

在我看来这有点像在给Hadoop打补丁，因为Hadoop在设计之初根本没有考虑过这么多的场景，它只是为了支撑离线批处理。但是需求摆在这里，为了实现目标只得另起炉灶通过设计一个全新的系统满足需求。这种现状造成了很多问题。

重复工作：不同的系统之间都需要解决一些相同的共性问题，比如分布式执行和容错性。例如MapReduce、SQL查询引擎和机器学习系统都会涉及聚合操作。
组合：不同系统之间的组合使用非常“昂贵”，因为不同系统之间无法有效的功效数。为了组合使用我们需要将数据在不同的系统之间频繁的导出导入，数据用来移动的时间可能都会超过计算的时间。
维护成本：虽然这些系统从每个个体的角度来看都十分优秀，但是它们都是在不同时期由不同的团队设计实现的，其设计思路和实现方式也各不相同。这导致平台在部署运维这些系统的时候十分痛苦，因为它们差异太大了。
学习成本：系统之间巨大的差异性对于开发人员来讲更是如此，这些技术框架拥有不同的逻辑对象、专业术语、API和编程模型，每种框架都需要重新学习一遍才能使用。

Spark意识到了这个问题，作为一个后起之秀它拥有天然的优势。Spark诞生于2012年，那个时候Hadoop生态已经经过了6个年头的发展，其生态格局已经成型。Spark已经能够看清大数据有哪些细分领域，同时MapReduce、Hive、Storm等开源组件也已经发展多年，Spark也能够了解到它们的长处和不足。

于是Spark横空出世，成为目前开源社区最为火爆的一款分布式内存计算引擎。Spark使用DAG(有向无环图)模型作为其执行模型，并且主要使用内存计算的方式进行任务计算。

Spark基于一套统一的数据模型(RDD)和编程模型(Trans-foration /Action)之上，构建出了Spark SQL、Spark Streaming、Spark MLibs等多个分支，其功能涵盖了大数据的多个领域，如图2-14所示。

▲图2-14 Spark涵盖的领域

Spark通过统一的数据模型和编程模型，构造出了SQL查询、流计算、机器学习和图计算等多个分支库。

02 数据模型

RDD是弹性分布式数据集(Resilient Distributed Datasets)的缩写，它是MapReduce模型的扩展和延伸。Spark之所以能够同时支撑大数据的多个领域，在很大程度上是依靠了RDD的能力。

虽然批处理、流计算、图计算和机器学习这些计算场景之间初看起来风马牛不相及，但是它们都存在一个共同的需求，那就是在并行计算阶段能够高效的共享数据。

RDD的设计者们洞穿了这一现象，于是通过高效的数据共享概念和类似MapReduce的操作设计了RDD，使得它能模拟迭代式算法、关系查询、MapReduce和流式处理等多种编程模型。

同时它也是一个可容错的、可并行的数据结构，可以让用户指定将数据存储到磁盘和内存中，并能控制数据的分区。同时它还提供了一些高效的编程接口操作数据集。

03 编程模型和作业调度

Spark将RDD的操作分为两类：转换(transformation)与行动(action)。

转换操作是一种惰性操作，它只会定义新的RDD，而不会立即执行。而行动操作则是立即执行计算，它要么返回结果给Driver进程，或是将结果输出到外部存储。常见转换操作如map、flatMap、filter等，常见行动操作如count、collect等。

当用户对一个RDD执行了行动操作之后，调度器会根据RDD的依赖关系生成一个DAG(有向无环图)图来执行程序。DAG由若干个stage组成，每个stage内都包含多个连续的窄依赖。而各个stage之间则是宽依赖。如图2-15所示，实线方框代表的是RDD。方框内的矩形代表分区，若分区已在内存中保存则用黑色表示。

▲图2-15 Spark任务拆分示意

04 依赖

RDD作为数据结构，本质上是一个只读的分区记录集合。一个RDD可以包含多个分区，每个分区是一个数据片段。

RDD可以相互依赖。如果父RDD的每个分区最多被一个子RDD的分区使用，则称之为窄依赖;若多个子RDD分区依赖一个父RDD的分区，则称之为宽依赖。不同的操作依据其特性，可能会产生不同的依赖。例如map操作会产生窄依赖，而join操作则产生宽依赖。

Spark之所以将依赖分为两种，基于两点原因。首先，窄依赖支持在同单个集群上以管道的形式式执，例如在执行了map后，紧接着执行filter。相反，宽依赖需要所有的父RDD数据都可用并通过shuffle动作才可继续执行。

其次，窄依赖的失败恢复更加高效，因为它只需要重新计算丢失的父分区，并且这些计算可以并行的在不同节点同时进行。与此相反，在宽依赖的继承关系中，单个失败的节点可能导致一个RDD的所有先祖RDD中的一些分区丢失，导致计算的重新执行。如图2-16所示，说明了窄依赖与宽依赖之间的区别。

▲图2-16 SparkRDD宽依赖和窄依赖示意

05 容错

传统分布式系统的容错方案有据复制和恢复日志两种方案。对于以数据为中心的系统而言，这两种方式都非常昂贵，因为它需要跨集群网络复制大量数据，而网络带宽的速度远远低于内存访问的速度。

RDD天生是支持容错的。首先，它自身是一个不变的数据集，其次，Spark使用DAG作为其执行模型，所以它能够通过RDD的依赖特性记住一系列操作生成一张DAG图。因此当执行的任务失败时，Spark只需根据DAG图进行重新计算即可实现容错机制。由于无须采用复制的方式支持容错，Spark很好地降低了跨网络的数据传输成本。

06 集群模式

Spark的应用以一组独立进程的形式运行在一个集群之上，由主程序中的SparkContext对象进行协调(也被称为driver程序)。Spark目前支持三种集群运行方式。

具体来说，Spark既可以通过standlone模式独立运行，也可以运行在Mesos或者YARN之上。

如图2-17所示，一旦SparkContext连接到集群，Spark首先会从集群的节点中获得一些executor进程，这些进程会用来执行我们程序中的计算和存储逻辑，接着它会通过jar包的形式分发我们的程序代码到各个executor进程。最后，SparkContext会分派任务到各executor进程进行执行。