登陆

3分钟让你学会大数据:Spark生态原理分析

admin 2020-02-14 225人围观 ,发现0个评论

Spark是基于内存计算的通用大规模数据处理框架。

Spark快的原因:

  • Spark基于内存,尽可能的减少了中间结果写入磁盘和不必要的sort、shuffle
  • Spark对于反复用到的数据进行了缓存
  • Spark对于DAG进行了高度的优化,具体在于Spark划分了不同的stage和使用了延迟计算技术

弹性数据分布集RDD:

Spark将数据保存分布式内存中,对分布式内存的抽象理解,提供了一个3分钟让你学会大数据:Spark生态原理分析高度受限的内存模型,他是逻辑上集中,物理上是存储再集群的多台机器上。

RDD的五大特征:

1.RDD是由一系列parition组成。对于RDD来说,每个分片都会被一个计算任务处理,并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数,如果没有指定,那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。

2.算子(函数)是作用在partition上的。Spark中RDD的计算是以分片为单位的,每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合,不需要保存每次计算的结果。

3.RDD之间有依赖关系。RDD的每次转换都会生成一个新的RDD,所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时,Spark可以通过这个依赖关系重新计算丢失的分区数据,而不是对RDD的所有分区进行重新计算。

4.分区器作用在K,V格式的RDD上。Spark中实现了两种类型的分片函数,一个是基于哈希的HashPartitioner,另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD,才会有Partitioner,非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量,也决定了parent RDD Shuffle输出时的分片数量。

5.parition提供数据最佳的计算位置,有利于数据处理的本地化。

对于一个HDFS文件来说,这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念,Spark在进行任务调度的时候,会寻仙尽可能地将计算任务分配到其所要处理数据块的存储位置。

RDD的窄依赖和宽依赖

窄依赖(一对一):没有数据的shuffling,所有的父RDD的partition会一一映射到子RDD的partition中

宽依赖(一对多):发生数据的shuffling,父RDD中的partition会根据key的不同进行切分,划分到子RDD中对应的partition中

Spark的执行流程

1.用户创建Spark程序并提交

2.每个action会生成一个job,包含了一系列的RDD和对其如何进行操作的transformation

3.每个job生成一个DAG(有向无环图)

4.DAGScheduler根据宽依赖对DAG进行划分stage并生成task组(一个stage对应一组task,一个partition对应一个task)

5.Spark集群在worker上以一组Task为单位进行执行计算

创建RDD方式:

1).使用程序中的集合创建rdd

2).使用本地文件系统创建rdd

3).使用hdfs创建rdd

4).基于数据库db创建rdd

5).基于Nosql创建rdd,如hbase

6).基于s3创建rdd

7).基于数据流,如socket创建rdd

Spark技术栈

1.HDFS YARN MR hive

2.Sp3分钟让你学会大数据:Spark生态原理分析ark core

3.SparkSQL

4.SparkStreaming

Spark代码流程:

1.创建Conf val conf=new SparkConf().setMaster("local").setAppName("test")

2.创建 SparkContext val sc = new SparkContext(conf)

3.创建RDD val rdd = sc.textFile...

4.对RDD使用Transformations类算子进行数据转换

5.使用Action触发Transformations执行

6.sc.stop()

注意:

1.sc.textFile(...)底层使用的是MR读取HDFS文件的方法,首先会split,每个split对应一个block,每个split对应一个partition。

2.K,V格式的RDD:RDD中的数据是一个个的T3分钟让你学会大数据:Spark生态原理分析uple2

Spark集群搭建

1.上传解压包

2.配置worker信息,在slaves中配置worker节点

3.配置master信息,在spark-env.sh中配置

​ 1)SPARK_MASTER_IP=node04

​ 2)SPARK_MASTER_PORT=7077

​3分钟让你学会大数据:Spark生态原理分析 3)SPARK_WORKER_CORE=2

​ 4)SPARK_WORKER_MEMORY=3G

4.发送其他节点

5.在master节点../sbin/start-all.sh启动集群

6.访问web node04:8080

注意:修改8080端口:

方法一:vi start-master.sh

方法二:vi spark-env.sh export导入。

内存结构

spark运行在yarn中,运行内存受NodeManager管理的容器大小限制,设置运行内存的时候,大小要小于容器的大小。

Executors的内存又分为off-heap和heap,off-heap存放创建java对象的额外开销、native方法的调用和NIO Buffer,heap的大小受spark共享。

heap共享内存中可以分为三部分:reserved memory 、user memory 、Spark memory。reserved memory默认为300M,不可以比这个小;

user memory存放的是用户定义的数据结构和Spark元数据,占用剩余25%;

Spark memory可分为storage memory和Execution memory,两部分空间可相互借用,storage memory存储缓存的数据,Execution memory用于存储执行过程的中间object和shuff的结构。

最后,

如果感觉一篇文章根本不,想学习了解更多 spark 或者 大数据知识。

小编准备了一些相关的学习资料,视频

关注我;转发文章;后台私信:资料,获取。

请关注微信公众号
微信二维码
不容错过
Powered By Z-BlogPHP