Spark初探

1、Spark是什么？

○ 高可伸缩性

○ 高容错

○ 基于内存计算

2、Spark的生态体系（BDAS，中文:伯利克分析栈）

○ MapReduce属于Hadoop生态体系之一，Spark则属于BDAS生态体系之一

○ Hadoop包含了MapReduce、HDFS、HBase、Hive、Zookeeper、Pig、Sqoop等

○ BDAS包含了Spark、Shark（相当于Hive）、BlinkDB、Spark Streaming（消息实时处理框架,类似Storm）等等

○ BDAS生态体系图：

3、Spark与MapReduce

优势：

○ MapReduce通常将中间结果放到HDFS上，Spark是基于内存并行大数据框架，中间结果存放到内存，对于迭代数据Spark效率高。

○ MapReduce总是消耗大量时间排序，而有些场景不需要排序，Spark可以避免不必要的排序所带来的开销

○ Spark是一张有向无环图（从一个点出发最终无法回到该点的一个拓扑），并对其进行优化。

4、Spark支持的API

Scala、Python、Java等

5、运行模式

○ Local （用于测试、开发）

○ Standlone （独立集群模式）

○ Spark on Yarn （Spark在Yarn上）

○ Spark on Mesos （Spark在Mesos）

6、运行时的Spark

Driver程序启动多个Worker，Worker从文件系统加载数据并产生RDD（即数据放到RDD中，RDD是一个数据结构），并按照不同分区Cache到内存中。如图：

7、RDD

○ 英文名：Resilient Distributed Dataset

○ 中文名：弹性分布式数据集

○ 什么是RDD？RDD是一个只读、分区记录的集合，你可以把他理解为一个存储数据的数据结构！在Spark中一切基于RDD

○ RDD可以从以下几种方式创建：

1、集合转换

2、从文件系统（本地文件、HDFS、HBase）输入

3、从父RDD转换（为什么需要父RDD呢？容错，下面会提及）

○ RDD的计算类型：

1、Transformation：延迟执行，一个RDD通过该操作产生的新的RDD时不会立即执行，只有等到Action操作才会真正执行。

2、Action：提交Spark作业，当Action时，Transformation类型的操作才会真正执行计算操作，然后产生最终结果输出。

3、Hadoop提供处理的数据接口有Map和Reduce，而Spark提供的不仅仅有map和reduce,还有更多对数据处理的接口，如图下所示：

8、容错Lineage

8.1、容错基本概念

○ 每个RDD都会记录自己所依赖的父RDD，一旦出现某个RDD的某些partition丢失，可以通过并行计算迅速恢复

8.2、Narrow Dependent（窄依赖）和Wide Dependent（宽依赖）

○ RDD的依赖又分为Narrow Dependent（窄依赖）和Wide Dependent（宽依赖）

○ 窄依赖：每个partition最多只能给一个RDD使用，由于没有多重依赖，所以在一个节点上可以一次性将partition处理完，且一旦数据发生丢失或者损坏可以迅速从上一个RDD恢复

○ 宽依赖：每个partition可以给多个RDD使用，由于多重依赖，只有等到所有到达节点的数据处理完毕才能进行下一步处理，一旦发生数据丢失或者损坏，则完蛋了，所以在这发生之前必须将上一次所有节点的数据进行物化（存储到磁盘上）处理，这样达到恢复。

○ 宽、窄依赖示例图：

9、缓存策略

Spark通过useDisk、useMemory、deserialized、replication4个参数组成11种缓存策略。

useDisk：使用磁盘缓存（boolean ）

useMemory：使用内存缓存（boolean）

deserialized：反序列化（序列化是为了网络将对象进行传输，boolean：true反序列化\false序列化）

replication：副本数量（int）

通过StorageLevel类的构造传参的方式进行控制,结构如下：

class StorageLevel private(useDisk : Boolean ,useMemory : Boolean ,deserialized : Boolean ,replication：Ini)

10、提交的方式

○ spark-submit（官方推荐）

○ sbt run

○ java -jar

提交时可以指定各种参数

./bin/spark-submit
--class <main-class>
--master <master-url>
--deploy-mode <deploy-mode>
--conf <key>=<value>
... # other options
<application-jar>
[application-arguments]

例如：



关于更详细的submit-spark参考官方文档：http://spark.apache.org/docs/latest/submitting-applications.html