分布式计算框架——Spark
产生的背景
1）MapReduce有较大的局限性
仅支持Map、Reduce两种语义操作
执行效率低，时间开销大
主要用于大规模离线批处理
不适合迭代计算、交互式计算、实时流处理等场景
2）计算框架种类多，选型难，学习成本高
批处理：MapReduce
流处理：Storm、Flink
交互式计算：Impala、Presto
机器学习：Mahout
3）统一计算框架，简化技术选型
在一个统一框架下，实现批处理、流处理、交互式计算、机器学习
1 Spark概念
Spark 提供了一个全面、统一的框架用于管理各种有着不同性质（文本数据、图表数据等）的数据集和数据源（批量数据或实时的流数据）的大数据处理的需求。
具有高吞吐、低延时、通用易扩展、高容错等特点
采用Scala语言开发
提供多种运行模式
特点
1）计算高效
利用内存计算、Cache缓存机制，支持迭代计算和数据共享，减少数据读取的IO开销
利用DAG引擎，减少中间计算结果写入HDFS的开销
利用多线程池模型，减少任务启动开销，避免Shuffle中不必要的排序和磁盘IO操作
2）通用易用
适用于批处理、流处理、交互式计算、机器学习算法等场景
提供了丰富的开发API，支持Scala、Java、Python、R等
2 Spark核心架构
Spark Core
包含 Spark 的基本功能；尤其是定义 RDD 的 API、操作以及这两者上的动作。其他 Spark 的库都是构建在 RDD 和 Spark Core 之上的
Spark SQL
提供通过 Apache Hive 的 SQL 变体 Hive 查询语言（HiveQL）与 Spark 进行交互的 API。每个数据库表被当做一个 RDD，Spark SQL 查询被转换为 Spark 操作。
Spark Streaming
对实时数据流进行处理和控制。Spark Streaming 允许程序能够像普通 RDD 一样处理实时数据
Mllib
一个常用机器学习算法库，算法被实现为对 RDD 的 Spark 操作。这个库包含可扩展的学习算法，比如分类、回归等需要对大量数据集进行迭代的操作。
GraphX
控制图、并行图操作和计算的一组算法和工具的集合。GraphX 扩展了 RDD API，包含控制图、创建子图、访问路径上所有顶点的操作
3 Spark核心组件
Cluster Manager-制整个集群，监控 worker
在 standalone 模式中即为 Master 主节点，控制整个集群，监控 worker。在 YARN 模式中为资源管理器
Worker 节点-负责控制计算节点
从节点，负责控制计算节点，启动 Executor 或者 Driver。
Driver： 运行 Application 的 main()函数
一个Spark程序有一个Driver，一个Driver创建一个SparkContext，程序的main函数运行在Driver中
负责解析Spark程序、划分Stage、调度任务到Executor上执行
SparkContext
负责加载配置信息，初始化运行环境，创建DAGScheduler和TaskScheduler
Executor：执行器，是为某个 Application 运行在 worker node 上的一个进程
负责执行Driver分发的任务，一个节点可以启动多个Executor，每个Executor通过多线程运行多个任务
Task
Spark运行的基本单位，一个Task负责处理若干RDD分区的计算逻辑
4 SPARK编程模型
Spark 应用程序从编写到提交、执行、输出的整个过程如图所示，图中描述的步骤如下：
1). 用户使用 SparkContext 提供的 API（常用的有 textFile、sequenceFile、runJob、stop 等）编写 Driver application 程序。此外 SQLContext、HiveContext 及 StreamingContext 对
SparkContext 进行封装，并提供了 SQL、Hive 及流式计算相关的 API。
2). 使用SparkContext提交的用户应用程序，首先会使用BlockManager和BroadcastManager将任务的 Hadoop 配置进行广播。然后由 DAGScheduler 将任务转换为 RDD 并组织成 DAG，DAG 还将被划分为不同的 Stage。最后由 TaskScheduler 借助 ActorSystem 将任务提交给集群管理器（Cluster Manager）。
3). 集群管理器（ClusterManager）给任务分配资源，即将具体任务分配到Worker上，Worker创建 Executor 来处理任务的运行。Standalone、YARN、Mesos、EC2 等都可以作为 Spark的集群管理器。
RDD
弹性分布式数据集（Resilient Distributed Datesets）
分布在集群中的只读对象集合
由多个Partition组成
通过转换操作构造
失效后自动重构（弹性）
存储在内存或磁盘中
Spark基于RDD进行计算
RDD操作（Operator）
1）Transformation（转换）
将Scala集合或Hadoop输入数据构造成一个新RDD
通过已有的RDD产生新RDD
惰性执行：只记录转换关系，不触发计算
例如：map、filter、flatmap、union、distinct、sortbykey
2）Action（动作）
通过RDD计算得到一个值或一组值
真正触发计算
例如：first、count、collect、foreach、saveAsTextFile
3）示例：RDD的两种操作
rdd1.map(,+1).saveAsTextFile(“hdfs://node01:9000”)
4）RDD依赖（Dependency）
窄依赖（Narrow Dependency）
父RDD中的分区最多只能被一个子RDD的一个分区使用
子RDD如果有部分分区数据丢失或损坏，只需从对应的父RDD重新计算恢复
例如：map、filter、union
宽依赖（Shuffle/Wide Dependency ）
子RDD分区依赖父RDD的所有分区
子RDD如果部分或全部分区数据丢失或损坏，必须从所有父RDD分区重新计算
相对于窄依赖，宽依赖付出的代价要高很多，尽量避免使用
例如：groupByKey、reduceByKey、sortByKey
5）示例：WordCount
val rdd1 = sc.textFile(“hdfs://node01:9000/data/wc/in”)
val rdd2 = rdd1.flatMap(.split(“\t”))
val rdd3 = rdd2.map((,1))
val rdd4 = rdd3.reduceByKey((+_))
rdd4.saveAsTextFile(“hdfs://node01:9000/data/wc/out”)
5 SPARK 计算模型
RDD 可以看做是对各种数据计算模型的统一抽象，Spark 的计算过程主要是 RDD 的迭代计算过程。RDD 的迭代计算过程非常类似于管道。分区数量取决于 partition 数量的设定，每个分区的数
据只会在一个 Task 中计算。所有分区可以在多个机器节点的 Executor 上并行执行。
6 Spark运行流程
1). 构建 Spark Application 的运行环境，启动 SparkContext
2). SparkContext 向资源管理器（可以是 Standalone，Mesos，Yarn）申请运行 Executor 资源，
并启动 StandaloneExecutorbackend，
3). Executor 向 SparkContext 申请 Task
4). SparkContext 将应用程序分发给 Executor
5). SparkContext 构建成 DAG 图，将 DAG 图分解成 Stage、将 Taskset 发送给 Task Scheduler，
最后由 Task Scheduler 将 Task 发送给 Executor 运行
6). Task 在 Executor 上运行，运行完释放所有资源
7 SPARK RDD 流程
1). 创建 RDD 对象
2). DAGScheduler 模块介入运算，计算 RDD 之间的依赖关系，RDD 之间的依赖关系就形成了
DAG
3). 每一个 Job 被分为多个 Stage。划分 Stage 的一个主要依据是当前计算因子的输入是否是确
定的，如果是则将其分在同一个 Stage，避免多个 Stage 之间的消息传递开销
8 SPARK RDD
RDD 的创建方式
1）从 Hadoop 文件系统（或与Hadoop兼容的其他持久化存储系统，如Hive、Cassandra、HBase）输入（例如 HDFS）创建。
2）从父 RDD 转换得到新 RDD。
3）通过 parallelize 或 makeRDD 将单机数据创建为分布式 RDD。
RDD 的两种操作算子（转换（Transformation）与行动（Action））
1）转换（Transformation）：Transformation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。
2）行动（Action）：Action 算子会触发 Spark 提交作业（Job），并将数据输出 Spark 系统。
