Spark學習一:Spark概述

来源:https://www.cnblogs.com/chenxiaoge/archive/2019/07/24/11237927.html
-Advertisement-
Play Games

1.1 什麼是Spark ​ Apache Spark 是專為大規模數據處理而設計的 快速通用 的計算引擎。 ​ 一站式管理大數據的所有場景(批處理,流處理,sql) ​ spark不涉及到數據的存儲,只做數據的計算 ​ Spark是UC Berkeley AMP lab (加州大學伯克利分校的AM ...


1.1 什麼是Spark

​ Apache Spark 是專為大規模數據處理而設計的快速通用的計算引擎。

​ 一站式管理大數據的所有場景(批處理,流處理,sql)

​ spark不涉及到數據的存儲,只做數據的計算

​ Spark是UC Berkeley AMP lab (加州大學伯克利分校的AMP實驗室)所開源的類Hadoop MapReduce的通用並行計算框架，Spark擁有Hadoop MapReduce所具有的優點；

​ 但不同於MapReduce的是Job中間輸出結果可以保存在記憶體中，從而不再需要讀寫HDFS，因此Spark能更好地適用於數據挖掘與機器學習等需要迭代的MapReduce的演算法。

註意:spark框架不能替代Hadoop,只能替代MR,spark的存在完善了Hadoop的生態系統.

​ Spark是Scala編寫，方便快速編程。

​ 學習spark的三個網站
​ 1) http://spark.apache.org/
​ 2) https://databricks.com/spark/about
​ 3) https://github.com/apache/spark

​ 官網：http://spark.apache.org

  • Apache Spark™ is a fast and general engine for large-scale data processing.
  • Apache Spark is an open source cluster computing system that aims to make data analytics fast
  • both fast to run and fast to write

​ 目前，Spark生態系統已經發展成為一個包含多個子項目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLib、SparkR等子項目，Spark是基於記憶體計算的大數據並行計算框架。除了擴展了廣泛使用的
MapReduce 計算模型，而且高效地支持更多計算模式，包括互動式查詢和流處理。Spark 適用於各種各樣原先需要多種不同的分散式平臺的場景，包括批處理、迭代演算法、互動式查詢、流處理。通過在一個統一的框架下支持這些不同的計算，Spark 使我們可以簡單而低耗地把各種處理流程整合在一起。而這樣的組合，在實際的數據分析 過程中是很有意義的。不僅如此，Spark 的這種特性還大大減輕了原先需要對各種平臺分別管理的負擔。

​ 大一統的軟體棧，各個組件關係密切並且可以相互調用，這種設計有幾個好處：1、軟體棧中所有的程式庫和高級組件 都可以從下層的改進中獲益。2、運行整個軟體棧的代價變小了。不需要運 行 5 到 10 套獨立的軟體系統了，一個機構只需要運行一套軟體系統即可。系統的部署、維護、測試、支持等大大縮減。3、能夠構建出無縫整合不同處理模型的應用。

​ Spark的內置項目如下：
Spark的內置項目

  • Spark Core：實現了 Spark 的基本功能，包含任務調度、記憶體管理、錯誤恢復、與存儲系統交互等模塊。Spark Core 中還包含了對彈性分散式數據集(resilient distributed dataset，簡稱RDD)的 API 定義。
  • Spark SQL：是 Spark 用來操作結構化數據的程式包。通過 Spark SQL，我們可以使用 SQL 或者 Apache Hive 版本的 SQL 方言(HQL)來查詢數據。Spark SQL 支持多種數據源，比如 Hive 表、Parquet 以及 JSON 等。
  • Spark Streaming：是 Spark 提供的對實時數據進行流式計算的組件。提供了用來操作數據流的 API，並且與 Spark Core 中的 RDD API 高度對應。
  • Spark MLlib：提供常見的機器學習(ML)功能的程式庫。包括分類、回歸、聚類、協同過濾等，還提供了模型評估、數據 導入等額外的支持功能。
  • 集群管理器：Spark 設計為可以高效地在一個計算節點到數千個計算節點之間伸縮計 算。為了實現這樣的要求，同時獲得最大靈活性，Spark 支持在各種集群管理器(cluster manager)上運行，包括 Hadoop YARN、Apache Mesos，以及 Spark 自帶的一個簡易調度器，叫作獨立調度器。

1.2 Spark特點

快

與Hadoop的MapReduce相比，Spark基於記憶體的運算要快100倍以上，基於硬碟的運算也要快10倍以上。Spark實現了高效的DAG執行引擎，可以通過基於記憶體來高效處理數據流。計算的中間結果是存在於記憶體中的。

易用

Spark支持Java、Python和Scala的API，還支持超過80種高級演算法，使用戶可以快速構建不同的應用。而且Spark支持互動式的Python和Scala的shell，可以非常方便地在這些shell中使用Spark集群來驗證解決問題的方法。

通用

Spark提供了統一的解決方案。Spark可以用於批處理(Spark Core)、互動式查詢（Spark SQL）、實時流處理（Spark Streaming）、機器學習（Spark MLlib）和圖計算（GraphX）。這些不同類型的處理都可以在同一個應用中無縫使用。Spark統一的解決方案非常具有吸引力，畢竟任何公司都想用統一的平臺去處理遇到的問題，減少開發和維護的人力成本和部署平臺的物力成本。

相容性

Spark可以非常方便地與其他的開源產品進行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作為它的資源管理和調度器，並且可以處理所有Hadoop支持的數據，包括HDFS、HBase和Cassandra等。這對於已經部署Hadoop集群的用戶特別重要，因為不需要做任何數據遷移就可以使用Spark的強大處理能力。Spark也可以不依賴於第三方的資源管理和調度器，它實現了Standalone作為其內置的資源管理和調度框架，這樣進一步降低了Spark的使用門檻，使得所有人都可以非常容易地部署和使用Spark。此外，Spark還提供了在EC2上部署Standalone的Spark集群的工具。

1.3 Spark的用戶和用途

​ 我們大致把Spark的用例分為兩類：數據科學應用和數據處理應用。也就對應的有兩種人群：數據科學家和工程師。

數據科學任務

​ 主要是數據分析領域，數據科學家要負責分析數據並建模，具備 SQL、統計、預測建模(機器學習)等方面的經驗，以及一定的使用 Python、 Matlab 或 R 語言進行編程的能力。

數據處理應用

​ 工程師定義為使用 Spark 開發 生產環境中的數據處理應用的軟體開發者，通過對接Spark的API實現對處理的處理和轉換等任務。

1.4 Spark技術棧

Spark技術棧:HDFS,Hadoop,Hive,MR,Storm,SparkCore,SparkSQL,SparkStreaming

mesos相當於yarn 資源調度框架

tachyon基於記憶體:記憶體文件系統

HDFS存儲層（基於磁碟存儲 block存儲策略）

mesos資源調度/任務調度層

Spark SQL : 延遲應該在毫秒級別

Spark core：批處理 延遲度非常高

Spark streaming ：流式處理 延遲5s左右

BlinkDB：支持精確度查詢的資料庫

SparkCore處理批數據

SparkSql使用SQL處理分散式數據

SparkStreaming處理流式數據

一站式管理大數據的所有場景(批處理,流處理,sql)

  • Spark Core：實現了 Spark 的基本功能，包含任務調度、記憶體管理、錯誤恢復、與存儲系統交互等模塊。Spark Core 中還包含了對彈性分散式數據集(resilient distributed dataset，簡稱RDD)的 API 定義。
  • Spark SQL：是 Spark 用來操作結構化數據的程式包。通過 Spark SQL，我們可以使用 SQL 或者 Apache Hive 版本的 SQL 方言(HQL)來查詢數據。Spark SQL 支持多種數據源，比 如 Hive 表、Parquet 以及 JSON 等。
  • Spark Streaming：是 Spark 提供的對實時數據進行流式計算的組件。提供了用來操作數據流的 API，並且與 Spark Core 中的 RDD API 高度對應。
  • Spark MLlib：提供常見的機器學習(ML)功能的程式庫。包括分類、回歸、聚類、協同過濾等，還提供了模型評估、數據 導入等額外的支持功能。
  • 集群管理器：Spark 設計為可以高效地在一個計算節點到數千個計算節點之間伸縮計 算。為了實現這樣的要求，同時獲得最大靈活性，Spark 支持在各種集群管理器(cluster manager)上運行，包括 Hadoop YARN、Apache Mesos，以及 Spark 自帶的一個簡易調度器，叫作獨立調度器。

1.5 Spark演變歷史

Spark 相比 hadoop歷史

  • 發展尤為迅速
  • Hadoop歷史2006~2017 11年時間
  • Spark2012~2017 5年時間

Spark是美國加州大學伯克利分校的AMP實驗室(主要創始人lester和Matei)開發的通用的大
數據處理框架
• 2009伯克利大學開始編寫最初的源代碼
• 2010年才開放的源碼
• 2012年2月發佈了0.6.0版本
• 2013年6月進入了Apache孵化器項目
• 2013年年中Spark的主要成員成立的DataBricks公司
• 2014年2月成為了Apache的頂級項目（ 8個月的時間）
• 2014年5月底Spark1.0.0發佈
• 2014年9月Spark1.1.0發佈
• 2014年12月spark1.2.0發佈
• 2015年3月Spark1.3.0發佈
• 2015年6月Spark1.4.0發佈
• 2015年9月Spark1.5.0發佈
• 2016年1月Spark1.6.0發佈
• 2016年5月Spark2.0.0預覽版發佈
• 2016年7月Spark2.0.0正式版發佈
• 2016年12月Spark2.1.0正式版發佈
• 2017年7月Spark2.2發佈

1.6 Spark與MapReduce的區別

都是分散式計算框架，Spark基於記憶體，MR基於HDFS。Spark處理數據的能力一般是MR的十倍以上，Spark中除了基於記憶體計算外，還有DAG有向無環圖來切分任務的執行先後順序。

spark不涉及到數據的存儲,只做數據的計算

spark與Hadoop MR不同的是,任務的中間結果可以保存到記憶體中,大大地提高了計算性能.

基於記憶體存儲

  • MR作業之間如果有依賴關係的話，每個作業都是從磁碟獲取數據，處理完成之後數據落盤。

    如：磁碟-MR作業-磁碟-MR作業-磁碟

  • Spark作業之間如果有依賴關係的話，spark程式處理完成之後可以將數據先存於記憶體中，不落盤，下一個spark程式就可以直接從記憶體中獲取數據然後進行處理

    如：磁碟-spark作業-記憶體-spark作業-記憶體-spark作業-磁碟

具體不同點

  1. Spark相比於MR處理數據是可以基於記憶體來處理數據的
  2. spark與Hadoop MR不同的是,任務的中間結果可以保存到記憶體中,大大地提高了計算性能.
  3. Spark中有DAG有向無環圖來切分任務的執行先後順序
  4. Spark存儲數據可以指定副本個數（持久化存儲），MR預設3個。
  5. spark中做了很多已有的運算元的封裝,提供了各種場景的運算元，而MR中只有map和reduce 相當於Spark中的map和reduceByKey兩個運算元
  6. Spark是粗粒度資源申請,Application執行快
  7. Spark中shuffle map端自動聚合功能,MR手動設置
  8. Spark中shuffle ByPass機制有自己靈活的實現

MR

Spark

1.7 Spark API

API就是用這些語言進行編碼的時候使用的方法

應用可以通過使用Spark提供的庫獲得Spark集群的計算能力，這些庫都是Scala編寫的,但是Spark提供了面向各種語言的API,例如Scala、 Python Java等, 所以可以使用以上語言進行Spark應用開發。

Spark的API主要由兩個抽象部件組成: SparkContext和RDD ,應用程式通過這兩個部件和Spark進行交互,連接到
Spark-集群並使用相關資源。

SparkContext

是定義在Spark庫中的一個類,作為Spark庫的入口。 包含應用程式main ()方法的Driver program通過SparkContext對象訪問Spark,因為SparkContext對象表示與Spark集群的一 個連接。每個Spark應用都有且只有一個激活的SparkContext類實例，如若需要新的實例，必須先讓當前實例失活。(在shell中SparkContext已經自動創建好，就是sc)

RDD基礎概念

  • 彈性分散式數據集(Resilient Distributed Dataset)
  • 並行分佈在整個集群中
    把指定路徑下的文本文件載入到ines這個RDD中，這個lines就是一個RDD, 代表是就是整個文本文件
  • RDD是Spark分發數據和計算的基礎抽象類
    例如: lines.count()
    在.count(的函數操作是在RDD數據集上的，而不是對某一具體分片
  • 一個RDD是一個不可改變的分散式集合對象
    就lines來說，如果我們對其所代表的源文件進行了增刪改操作，則相當於生成了一個新的RDD,來存放修改後的數據集
  • Spark中所有的計算都是通過RDD的創建、轉換,操作完成的
  • 一個RDD內部由許多partitions (分片)組成
    partitions:
    每個分片包括一部分數據， 分片可在集群不同節點上計算
    分片是Spark並行處理的單元，Spark順序的，並行的處理分片

1.8 Spark運行模式(部署模式)

  • Local

    在本地eclipse、IDEA中寫spark代碼運行程式，一般用於測試

  • Standalone

    spark自帶的資源調度框架(可以拋開hdfs,拋開yarn去運行)，支持完全分散式集群搭建。Spark可以運行在standalone集群上

  • Yarn

    Hadoop生態圈裡面的一個資源調度框架，Spark也是可以基於Yarn來計算的。

    要基於Yarn來進行資源調度，必須實現AppalicationMaster介面，Spark實現了這個介面，所以可以基於Yarn。

  • Mesos

    運行在 mesos 資源管理器框架之上，由 mesos 負責資源管理，Spark 負責任務調度和計算,(很少用)

總結


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • sql nvarchar類型和varchar類型存儲中文字元長度
    今天遇到了，隨手記錄一下。 sql server 存儲數據裡面 NVARCHAR 記錄中文的時候是 一個中文對應一個字元串長度，記錄英文也是一個字母一個長度 標點符號也是一樣。 VARCHAR 記錄中文的時候一個中文對應兩個字元串長度，記錄英文是一個字母長度，標點符號空格的沒測。 優缺點暫時不列，記 ...
  • Redis部分
    Redis部分 ...
  • Hadoop集群搭建-01前期準備
    "Hadoop集群搭建 05安裝配置YARN" "Hadoop集群搭建 04安裝配置HDFS " "Hadoop集群搭建 03編譯安裝hadoop" "Hadoop集群搭建 02安裝配置Zookeeper" "Hadoop集群搭建 01前期準備" 整個搭建hadoop集群的流程，包括 1. 前期準備 ...
  • MySQL部分
    MySQL部分 ...
  • 圖資料庫和圖計算系統有什麼區別？
    對於廣大剛剛接觸“圖數據分析”的用戶而言，一個十分具有迷惑性的問題是：圖資料庫和圖計算系統有什麼區別？今天，我們就從技術層面來簡單地說一說兩者的不同之處。 圖資料庫適合需要對子圖進行併發操作的場景；圖計算系統適合需要對全圖進行迭代式計算的場景。 圖計算系統 我們先從圖計算系統開始。 圖計算系統面向的 ...
  • Hadoop學習(3)-mapreduce快速入門加yarn的安裝
    mapreduce是一個運算框架，讓多台機器進行並行進行運算， 他把所有的計算都分為兩個階段，一個是map階段，一個是reduce階段 map階段：讀取hdfs中的文件，分給多個機器上的maptask，分文件的時候是按照文件的大小分的 比如每個maptask都會處理128M的文件大小，然後有個500 ...
  • 使用power designer，PL/SQL，cmd建立oracle資料庫
    這一系列操作需要powerDesigner，PL/SQL工具 1、首先使用powerDesigner建立概念模型 2、概念模型界面例子 3、其中建立概念模型操作圖標詳解 4、建立物理模型 5、生成數據字典 6、生成sql語句 7、進入pl/sql工具建立表空間，賬戶，給賬戶賦許可權 8、將powerD ...
  • macOS安裝PostgreSQL
    安裝命令： 我的終端是zsh，所以添加環境變數到 之後運行 一直報錯如下： 百度以及 Stack Overflow 上試了很多方法，最終依靠重裝解決了問題，重裝步驟如下： 啟動資料庫： 之後的一些基本操作 創建資料庫： 進入資料庫： 創建用戶： 修改密碼： 查看用戶列表： 查看資料庫列表： 切換數據 ...
一周排行
    -Advertisement-
    Play Games
  • WPF 已知問題 監聽 WMI 事件導致觸摸失效
    示例項目結構 在 Visual Studio 中創建一個 WinForms 應用程式後，項目結構如下所示： MyWinFormsApp/ │ ├───Properties/ │ └───Settings.settings │ ├───bin/ │ ├───Debug/ │ └───Release/ ...
  • [STAThread]特性
    [STAThread] 特性用於需要與 COM 組件交互的應用程式，尤其是依賴單線程模型（如 Windows Forms 應用程式）的組件。在 STA 模式下，線程擁有自己的消息迴圈，這對於處理用戶界面和某些 COM 組件是必要的。 [STAThread] static void Main(stri ...
  • UWP WinUI3 傳入 AddHandler 的 RoutedEventHandler 類型與事件所需不匹配將拋出參數異常
    在WinForm中使用全局異常捕獲處理 在WinForm應用程式中，全局異常捕獲是確保程式穩定性的關鍵。通過在Program類的Main方法中設置全局異常處理，可以有效地捕獲並處理未預見的異常，從而避免程式崩潰。 註冊全局異常事件 [STAThread] static void Main() { / ...
  • .NET 多版本 WinForm 開源控制項庫 SunnyUI
    前言 給大家推薦一款開源的 Winform 控制項庫，可以幫助我們開發更加美觀、漂亮的 WinForm 界面。 項目介紹 SunnyUI.NET 是一個基於 .NET Framework 4.0+、.NET 6、.NET 7 和 .NET 8 的 WinForm 開源控制項庫，同時也提供了工具類庫、擴展 ...
  • .net core8 使用Swagger（附當前源碼）
    說明 該文章是屬於OverallAuth2.0系列文章，每周更新一篇該系列文章（從0到1完成系統開發）。 該系統文章，我會儘量說的非常詳細，做到不管新手、老手都能看懂。 說明：OverallAuth2.0 是一個簡單、易懂、功能強大的許可權+可視化流程管理系統。 有興趣的朋友，請關註我吧(*^▽^*) ...
  • WPF 什麼時候 VisualTreeHelper.GetDescendantBounds 將返回無窮大
    一、下載安裝 1.下載git 必須先下載並安裝git，再TortoiseGit下載安裝 git安裝參考教程：https://blog.csdn.net/mukes/article/details/115693833 2.TortoiseGit下載與安裝 TortoiseGit，Git客戶端，32/6 ...
  • C# 開源教程帶你輕鬆掌握數據結構與演算法
    前言 在項目開發過程中，理解數據結構和演算法如同掌握蓋房子的秘訣。演算法不僅能幫助我們編寫高效、優質的代碼，還能解決項目中遇到的各種難題。 給大家推薦一個支持C#的開源免費、新手友好的數據結構與演算法入門教程：Hello演算法。 項目介紹 《Hello Algo》是一本開源免費、新手友好的數據結構與演算法入門 ...
  • 第22篇 生成proto文件bat腳本
    1.生成單個Proto.bat內容 @rem Copyright 2016, Google Inc. @rem All rights reserved. @rem @rem Redistribution and use in source and binary forms, with or with ...
  • 記一次 .NET某上位機視覺程式 卡死分析
    一：背景 1. 講故事 前段時間有位朋友找到我，說他的窗體程式在客戶這邊出現了卡死，讓我幫忙看下怎麼回事？dump也生成了，既然有dump了那就上 windbg 分析吧。 二：WinDbg 分析 1. 為什麼會卡死 窗體程式的卡死，入口門檻很低，後續往下分析就不一定了，不管怎麼說先用 !clrsta ...
  • 醫學DICOM文件與PACS系統進行數據傳輸
    前言 人工智慧時代，人臉識別技術已成為安全驗證、身份識別和用戶交互的關鍵工具。 給大家推薦一款.NET 開源提供了強大的人臉識別 API，工具不僅易於集成，還具備高效處理能力。 本文將介紹一款如何利用這些API，為我們的項目添加智能識別的亮點。 項目介紹 GitHub 上擁有 1.2k 星標的 C# ...
所有分類