一、Spark架构设计

1、架构设计图

图片.png

2、相关术语解释

RDD

  • 弹性分布式数据集，是对数据集在spark存储和计算过程中的一种抽象。
  • 是一组只读、可分区的的分布式数据集合。
  • 一个RDD 包含多个分区Partition(类似于MapReduce中的InputSplit)，分区是依照一定的规则的，将具有相同规则的属性的数据记录放在一起。
  • 横向上可切分并行计算，以分区Partition为切分后的最小存储和计算单元。
  • 纵向上可进行内外存切换使用，即当数据在内存不足时，可以用外存磁盘来补充。

Partition（分区）

  • Partition类似hadoop的Split，计算是以partition为单位进行的，提供了一种划分数据的方式。
  • partition的划分依据有很多，常见的有Hash分区、范围分区等，也可以自己定义的，像HDFS文件，划分的方式就和MapReduce一样，以文件的block来划分不同的partition。
  • 一个Partition交给一个Task去计算处理

算子

  • 英文简称：Operator，简称op
  • 广义上讲，对任何函数进行某一项操作都可以认为是一个算子
  • 通俗上讲，算子即为映射、关系、变换。
  • MapReduce算子，主要分为两个，即为Map和Reduce两个主要操作的算子，导致灵活可用性比较差。
  • Spark算子，分为两大类，即为Transformation和Action类，合计有80多个。

Transformation类算子

  • 操作是延迟计算的，也就是说从一个RDD 转换生成另一个 RDD 的转换操作不是马上执行，需要等到有 Action 操作的时候才会真正触发运算。
  • 细分类

Value数据类型的Transformation算子
Key-Value数据类型的Transfromation算子
Action类算子

  • 会触发 Spark 提交作业（Job），并将数据输出 Spark系统

窄依赖

  • 如果一个父RDD的每个分区只被子RDD的一个分区使用 ——> 一对一关系

宽依赖

  • 如果一个父RDD的每个分区要被子RDD 的多个分区使用 ——> 一对多关系

Application

  • Spark Application的概念和MapReduce中的job或者yarn中的application类似，指的是用户编写的Spark应用程序，包含了一个Driver功能的代码和分布在集群中多个节点上运行的Executor代码一般是指整个Spark项目从开发、测试、布署、运行的全部。

Driver类

  • 运行main函数并且创建SparkContext的程序。称为驱动程序，Driver Program类似于hadoop的wordcount程序中的driver类的main函数。

Cluster Manager

  • 集群的资源管理器，在集群上获取资源的服务。如Yarn、Mesos、Spark Standalone等。
  • 以Yarn为例，驱动程序会向Yarn申请计算我这个任务需要多少的内存，多少CPU等，后由Cluster Manager会通过调度告诉驱动程序可以使用，然后驱动程序将任务分配到既定的Worker Node上面执行。

WorkerNode

  • 集群中任何一个可以运行spark应用代码的节点。
  • Worker Node就是物理机器节点，可以在上面启动Executor进程。

Executor

  • Application运行在Worker节点上的一个进程，该进程负责运行Task，并且负责将数据存在内存或者磁盘上，每个Application都有各自独立专享的一批Executor。
  • Executor即为spark概念的资源容器，类比于yarn的container容器，真正承载Task的运行与管理，以多线程的方式运行Task，更加高效快速。

Task

  • 与Hadoop中的Map Task或者Reduce Task是类同的。
  • 分配到executor上的基本工作单元，执行实际的计算任务。
  • Task分为两类，即为ShuffleMapTask和ResultTask。

ShuffleMapTask：即为Map任务和发生Shuffle的任务的操作，由Transformation操作组成，其输出结果是为下个阶段任务(ResultTask)进行做准备，不是最终要输出的结果。
ResultTask：即为Action操作触发的Job作业的最后一个阶段任务，其输出结果即为Application最终的输出或存储结果。
Job

  • Spark RDD里的每个action的计算会生成一个job。
  • 用户提交的Job会提交给DAGScheduler（Job调度器），Job会被分解成Stage去执行，每个Stage由一组相同计算规则的Task组成，该组Task也称为TaskSet，实际交由TaskScheduler去调度Task的机器执行节点，最终完成作业的执行。

Stage

  • Stage是Job的组成部分，每个Job可以包含1个或者多个Stage。
  • Job切分成Stage是以Shuffle作为分隔依据，Shuffle前是一个Stage，Shuffle后是一个Stage。即为按RDD宽窄依赖来划分Stage。
  • 每个Job会被拆分很多组Task，每组任务被称为Stage，也可称TaskSet，一个作业可以被分为一个或多个阶段

    二、Spark用户交互方式

    1、操作方式

  1. spark shell：spark命令行的方式操作
  2. spark-submit：通过程序脚本提交相关代码，依赖来操作
  3. spark-sql：通过sql的方式来操作
  4. spark-class：最底层的方式
  5. sparkR、sparkPython：通过其他语言直接操作

    2、重要操作方式介绍

    2.1 spark shell

    启动方式：spark-shell —master local [ * ]
    相关参数：spark-shell —help

    2.2 spark-submit

    脚本提交任务的模板;
    spark-submit \
    —class \
    —master \
    —jars jar_list_by_comma \
    —conf = \
    … # other options
    \
    [application-arguments]