Spark 框架概述

目录

一、Spark 是什么

1.1 统一分析引擎？ 

二、Spark 风雨十年

​三、Spark VS Hadoop(MapReduce)

3.1 面试题：Hadoop 的基于进程的计算和 Spark 基于线程方式优缺点？

四、Spark 四大特点 

​4.1 速度快 

4.2 易于使用 

4.3 通用性强 

​4.4 运行方式 

五、Spark 框架模块

5.1 介绍 

5.2 Spark 的运行模式 

5.3 Spark 的架构角色 

5.3.1 YARN 角色回顾 

​5.3.2 Spark 运行角色 

---

一、Spark 是什么

Apache Spark 是用于大规模数据（large-scala data）处理的统一（unified）分析引擎。

        Spark 最早源于一篇论文 Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing，该论文是由加州大学柏克莱分校的 Matei Zaharia 等人发表的。论文中提出了一种弹性分布式数据集（即 RDD）的概念。 

        翻译过来就是：RDD 是一种分布式内存抽象，其使得程序员能够在大规模集群中做内存运算，并且有一定的容错方式。而这也是整个 Spark 的核心数据结构，Spark 整个平台都围绕着 RDD 进行。 

        简而言之，Spark 借鉴了 MapReduce 思想发展而来，保留了其分布式并行计算的优点并改进了其明显的缺陷。让中间数据存储在内存中提高了运行速度、并提供丰富的操作数据的 API 提高了开发速度。 

1.1 统一分析引擎？ 

        Spark 是一款分布式内存计算的统一分析引擎。其特点就是对任意类型的数据进行自定义计算。Spark 可以计算：结构化、半结构化、非结构化等各种类型的数据结构，同时也支持使用 Python、Java、Scala、R 以及 SQL 语言去开发应用程序计算数据。

Spark 的适用面非常广泛，所以，被称之为统一的（适用面广）的分析引擎（数据处理） 。

二、Spark 风雨十年

        Spark 是加州大学伯克利分校 AMP 实验室（Algorithms Machines and People Lab）开发的通用大数据处理框架。

Spark 的发展历史，经历过几大重要阶段，如下图所示： 

        从下面的 Stack Overflow 的数据可以看出，2015 年开始 Spark 每月的问题提交数量已经超越 Hadoop，而 2018 年 Spark Python 版本的 API PySpark 每月的问题提交数量也已超过 Hadoop。2019 年排名 Spark 第一，PySpark 第二；而十年的累计排名是 Spark 第一，PySpark 第三。按照这个趋势发展下去，Spark 和 PySpark 在未来很长一段时间内应该还会处于垄断地位。 

三、Spark VS Hadoop(MapReduce)

尽管 Spark 相对于 Hadoop 而言具有较大优势，但 Spark 并不能完全替代 Hadoop：

• 在计算层面，Spark 相比较 MR（MapReduce）有巨大的性能优势，但至今仍有许多计算工具基于 MR 构架，比如非常成熟的 Hive；
• Spark 仅做计算，而 Hadoop 生态圈不仅有计算（MR）也有存储（HDFS）和资源管理调度（YARN），HDFS 和 YARN 仍是许多大数据体系的核心架构。 

3.1 面试题：Hadoop 的基于进程的计算和 Spark 基于线程方式优缺点？

答案：Hadoop 中的 MR 中每个 map/reduce task 都是一个 java 进程方式运行，好处在于进程之间是互相独立的，每个 task 独享进程资源，没有互相干扰，监控方便，但是问题在于 task 之间不方便共享数据，执行效率比较低。比如多个 map task 读取不同数据源文件需要将数据源加载到每个 map task 中，造成重复加载和浪费内存。而基于线程的方式计算是为了数据共享和提高执行效率，Spark 采用了线程的最小的执行单位，但缺点是线程之间会有资源竞争。 

【扩展阅读】：线程基本概念

• 线程是 CPU 的基本调度单位；
• 一个进程一般包含多个线程， 一个进程下的多个线程共享进程的资源；
• 不同进程之间的线程相互不可见；
• 线程不能独立执行；
• 一个线程可以创建和撤销另外一个线程 。

四、Spark 四大特点 

4.1 速度快 

        由于 Apache Spark 支持内存计算，并且通过 DAG（有向无环图）执行引擎支持无环数据流，所以官方宣称其在内存中的运算速度要比 Hadoop 的 MapReduce 快 100 倍，在硬盘中要快 10 倍。 

Spark 处理数据与 MapReduce 处理数据相比，有如下两个不同点：

1. Spark 处理数据时，可以将中间处理结果数据存储到内存中；
2. Spark 提供了非常丰富的算子(API)，可以做到复杂任务在一个 Spark 程序中完成。

4.2 易于使用 

        Spark 的版本已经更新到 Spark 3.2.0（截止日期 2021.10.13），支持了包括 Java、Scala、Python 、R 和 SQL 语言在内的多种语言。为了兼容 Spark2.x 企业级应用场景，Spark 仍然持续更新 Spark2 版本。 

4.3 通用性强 

        在 Spark 的基础上，Spark 还提供了包括 Spark SQL、Spark Streaming、MLib 及GraphX 在内的多个工具库，我们可以在一个应用中无缝地使用这些工具库。 

4.4 运行方式 

        Spark 支持多种运行方式，包括在 Hadoop 和 Mesos 上，也支持 Standalone 的独立运行模式，同时也可以运行在云 Kubernetes（Spark 2.3 开始支持）上。 

对于数据源而言，Spark 支持从 HDFS、HBase、Cassandra 及 Kafka 等多种途径获取数据。 

五、Spark 框架模块

5.1 介绍 

        整个 Spark 框架模块包含：Spark Core、Spark SQL、Spark Streaming、Spark GraphX、Spark MLlib，而后四项的能力都是建立在核心引擎之上。

• Spark Core：Spark 的核心，Spark 核心功能均由 Spark Core 模块提供，是 Spark 运行的基础。Spark Core 以 RDD 为数据抽象，提供 Python、Java、Scala、R 语言的 API，可以编程进行海量离线数据批处理计算。
• SparkSQL：基于 SparkCore 之上，提供结构化数据的处理模块。SparkSQL 支持以 SQL 语言对数据进行处理，SparkSQL 本身针对离线计算场景。同时基于 SparkSQL，Spark 提供了 StructuredStreaming 模块，可以以 SparkSQL 为基础，进行数据的流式计算。
• SparkStreaming：以 SparkCore 为基础，提供数据的流式计算功能。
• MLlib：以 SparkCore 为基础，进行机器学习计算，内置了大量的机器学习库和 API 算法等。方便用户以分布式计算的模式进行机器学习计算。
• GraphX：以 SparkCore 为基础，进行图计算，提供了大量的图计算 API，方便用于以分布式计算模式进行图计算。 

5.2 Spark 的运行模式 

Spark提供多种运行模式，包括：

• 本地模式（单机）

本地模式就是以一个独立的进程，通过其内部的多个线程来模拟整个 Spark 运行时环境。

• Standalone 模式（集群）

Spark 中的各个角色以独立进程的形式存在，并组成 Spark 集群环境。

• Hadoop YARN 模式（集群）

Spark 中的各个角色运行在 YARN 的容器内部，并组成 Spark 集群环境。

• -Kubernetes 模式（容器集群）

Spark 中的各个角色运行在 Kubernetes 的容器内部，并组成 Spark 集群环境。

5.3 Spark 的架构角色 

5.3.1 YARN 角色回顾 

YARN 主要有 4 类角色，从 2 个层面去看：

资源管理层面

• 集群资源管理者（Master）：ResourceManager
• 单机资源管理者（Worker）：NodeManager

任务计算层面

• 单任务管理者（Master）：ApplicationMaster
• 单任务执行者（Worker）：Task（容器内计算框架的工作角色） 

5.3.2 Spark 运行角色 

        注：正常情况下 Executor 是干活的角色，不过在特殊场景下（Local 模式）Driver 可以即管理又干活。 

上一篇文章：HDFS 架构剖析_Stars.Sky的博客-CSDN博客

下一篇文章：Spark-3.2.4 高可用集群安装部署详细图文教程_Stars.Sky的博客-CSDN博客