Spark大数据开发技术简介

Spark大数据开发技术简介

• 轻量级的内存集群计算平台

历史沿革

• Apache Spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架
• 最初在2009年由加州大学伯克利分校的AMPLab开发，并于2010年成为Apache的开源项目之一，与Hadoop和Storm等其他大数据和MapReduce技术相比，Spark有如下优势：
  • 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
  • 官方资料介绍Spark可以将Hadoop集群中的应用在内存中的运行速度提升100倍，甚至能够将应用在磁盘上的运行速度提升10倍

Spark的优点

传统MapReduce的不足

• 在整个过程中，中间结果会借助磁盘传递，因此大量的Map-Reduced作业都受限于IO。
  

对比

	Spark	Hadoop	Storm
处理模型	Batch + Stream	Batch	Stream
实时性	较快	慢	快
容错性	好	一般	较好
实现语言	Scala	Java	Java + Clojure
存储介质	内存 + 磁盘	磁盘	内存
生态环境	较好	好	较差
适用场景	机器学习	离线数据分析	实时消息流

Apache Spark堆栈中的不同组件

基本原理

• 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

架构组成

• Cluster Manager
  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
  从节点，负责控制计算节点，启动Executor或者Driver。

部署和体系结构

Spark运行模式

• 本地模式（Local Mode）
  该模式被称为Local[N]模式，是用单机的多个线程来模拟Spark分布式计算，直接运行在本地，便于调试，通常用来验证开发出来的应用程序逻辑上有没有问题。
  例子：(在spark安装目录的examples\jars下运行)

spark-submit --class org.apache.spark.examples.SparkPi --master local spark-examples*.jar 10

• 独立集群运行模式（Standalone）
  Standalone模式使用Spark自带的资源调度框架
  采用Master/Slaves的典型架构，选用ZooKeeper来实现Master的HA

当使用spark-submit工具提交Job或者在Eclipse、IDEA等开发平台上使用: new SparkConf
.setManager (“spark://master:7077”) 方式运行Spark任务时，Driver是运行在本地Client端上的

框架结构如下：

• Spark on Yarn
  

页面