实战解析Spark运行原理和RDD解密

1.实战解析Spark运行原理
交互式查询（shell，sql）
批处理（机器学习，图计算）
首先，spark是基于内存的分布式高效计算框架，采用一栈式管理机制，同时支持流处理，实时交互式出，批处理三种方式，Spark特别支持迭代式计算，因此，他对机器学习，图计算具有较强的支持，为此他提供了机器学习和图计算接口。
（1）分布式：Distributed Computation
分布式多台机器运行 特征：
整个Spark有个提交程序的客户端，提交给集群，集群中中有很多台机器，作业运行在分布式节点上的，Spark程序提交到集群运行，节点一般处理一部分数据，分布式作并行化，

客户端->集群节点
图书馆管理员查找图书，馆长Cluster manager，1000个人，分布式计算，每个书架总数多少，分布式用到并行计算

先有集群资源管理服务(Cluster Manager)和运行作业任务的结点(Worker Node)，然后就是每个应用的任务控制结点Driver和每个机器节点上有具体任务的执行进程(Executor)；Executor有二个优点：一个是多线程来执行具体的任务，而不是像MR那样采用进程模型，减少了任务的启动开稍。二个是Executor上会有一个BlockManager存储模块，类似于KV系统(内存和磁盘共同作为存储设备)，当需要迭代多轮时，可以将中间过程的数据先放到这个存储系统上，下次需要时直接读该存储上数据，而不需要读写到hdfs等相关的文件系统里，或者在交互式查询场景下，事先将表Cache到该存储系统上，提高读写IO性能。另外Spark在做Shuffle时，在Groupby，Join等场景下去掉了不必要的Sort操作，相比于MapReduce只有Map和Reduce二种模式，Spark还提供了更加丰富全面的运算操作如filter,groupby,join等。
（2）基于内存
Spark能有效利用内存
300万条数据，1,2,3机器分别算100万条数据，数据首先考虑Memory，若只能放50万条，另外50万条磁盘，尽量放内存（速度很快）

（3） 擅长迭代式计算，是Spark的真正精髓
第一个阶段计算-》第二个阶段计算-》第三个阶段计算
计算之后可以把结果移到另一台机器——shuffle，从一个节点移到另一个节点。
Hadoop Map+Reduce两阶段（每次都要读写磁盘）
Spark可以在第一个阶段后还有很多阶段（迭代式）更加灵活（每次计算结果优先考虑放内存，下个阶段可以读内存中数据）
Spark调度器DAG Schedule Lineage

为什么还是很多公司使用Java语言开发Spark？
1. 人才问题
2. 整合更加容易，J2EE做前端程序的很多
3. 维护更加容易

Spark SQL只能取代Hive的计算引擎，不能取代Hive的数据存储
在driver上驱动程序执行，执行在worker上
处理数据来源：HDFS、HBase、Hive、DB、S3（Amazon S3,全名为亚马逊简易储存服务(Amazon Simple Storage Service),由亚马逊公司,利用他们的亚马逊网络服务系统所提供的网络线上储存服务）
处理数据输出：HDFS、HBase、Hive、DB、S3，或返回driver（也就是程序本身）

2.RDD解密
通用的分布式弹性数据集
RDD是Spark的核心
RDD代表要处理的数据，处理的时候是分布式的
（1）一系列分片，在节点中存储，内存中，内存中放不下数据，将一部分数据放在磁盘上，自动在内存和磁盘中切换（弹性之一）
（2）第900个出错，一共1000个任务，可以从第900个重新计算，无需从头开始进行计算，提高错误恢复速度
（3）Task1000个计算步骤，第900个进行恢复，失败3-5次，默认4次
（4）Task失败，整个阶段失败，再次提交Stage，1000000-5个不会提交，只提交失败的5个Task（默认3次）
弹性之一：自动的进行内存和磁盘数据存储的切换
弹性之二：基于Lineage的高校容错
弹性之三：Task如果失败会自动进行特定次数的重试
弹性之四：Stage如果失败会自动进行特定次数的重试

缓存时机：
1.计算任务特别耗时
2.计算链条很长（计算代价）1000个，第900个恢复
3.Shuffle之后，进行缓存，失败之后，不需要进行重新Shuffle（从其他地方抽取数据）
4.CheckPoint把数据整个放入磁盘，CheckPoint之前步骤无需重新计算

RDD是一系列数据分片，数据分片分布在不同机器的不同节点上，按partition进行管理，partition就是一个数据集合 RDD包含函数的计算
最常用的RDD在Hadoop上
启动文件系统

启动Spark



集群唯一的接口：SparkContext ，SparkContext是一切工作都要经过的地方，SparkContext创建RDD

自动获取，是本地还是集群

spark一切操作皆RDD，每次操作都会产生RDD

data.textFile
是lazy的，transformation，不运行

data.count
是action，所以会运行

hdfs分片和spark rdd的分区有什么关系？
spark读取数据时，RDD相当于HDFS的一个Block，Partion size=Block Size(128M)最后一条记录跨两个Block，128M左右

分区，可以进行hash，Range等等，不同分区策略

Reduce后进行shuffle

传入HDFS

Any shuffle后的数据
Process _LOCAL

Cloudera Manager 中Spark不是最新版本的，而且不能手动更新，（开发商提供，不推荐），不推荐使用（懒人）
Spark+Tachyon+HDFS，将来是黄金组合