概述

什么是Spark

◆ Spark是UC Berkeley AMP lab所開源的類Hadoop MapReduce的通用的并行計算框架，Spark基于map reduce算法實現(xiàn)的分布式計算，擁有Hadoop MapReduce所具有的優(yōu)點；但不同于MapReduce的是Job中間輸出和結(jié)果可以保存在內(nèi)存中，從而不再需要讀寫HDFS，因此Spark能更好地適用于數(shù)據(jù)挖掘與機器學(xué)習(xí)等需要迭代的map reduce的算法。其架構(gòu)如下圖所示：

Spark與Hadoop的對比

◆ Spark的中間數(shù)據(jù)放到內(nèi)存中，對于迭代運算效率更高。

• Spark更適合于迭代運算比較多的ML和DM運算。因為在Spark里面，有RDD的抽象概念。

◆ Spark比Hadoop更通用。

• Spark提供的數(shù)據(jù)集操作類型有很多種，不像Hadoop只提供了Map和Reduce兩種操作。比如map, filter, flatMap, sample, groupByKey, reduceByKey, union, join, cogroup, mapValues, sort,partionBy等多種操作類型，Spark把這些操作稱為Transformations。同時還提供Count, collect, reduce, lookup, save等多種actions操作。
• 這些多種多樣的數(shù)據(jù)集操作類型，給給開發(fā)上層應(yīng)用的用戶提供了方便。各個處理節(jié)點之間的通信模型不再像Hadoop那樣就是唯一的Data Shuffle一種模式。用戶可以命名，物化，控制中間結(jié)果的存儲、分區(qū)等?？梢哉f編程模型比Hadoop更靈活。
• 不過由于RDD的特性，Spark不適用那種異步細(xì)粒度更新狀態(tài)的應(yīng)用，例如web服務(wù)的存儲或者是增量的web爬蟲和索引。就是對于那種增量修改的應(yīng)用模型不適合。

◆ 容錯性。

• 在分布式數(shù)據(jù)集計算時通過checkpoint來實現(xiàn)容錯，而checkpoint有兩種方式，一個是checkpoint data，一個是logging the updates。用戶可以控制采用哪種方式來實現(xiàn)容錯。

◆ 可用性。

• Spark通過提供豐富的Scala, Java，Python API及交互式Shell來提高可用性。

Spark與Hadoop的結(jié)合

◆ Spark可以直接對HDFS進行數(shù)據(jù)的讀寫，同樣支持Spark on YARN。Spark可以與MapReduce運行于同集群中，共享存儲資源與計算，數(shù)據(jù)倉庫Shark實現(xiàn)上借用Hive，幾乎與Hive完全兼容。

Spark的適用場景

◆ Spark是基于內(nèi)存的迭代計算框架，適用于需要多次操作特定數(shù)據(jù)集的應(yīng)用場合。需要反復(fù)操作的次數(shù)越多，所需讀取的數(shù)據(jù)量越大，受益越大，數(shù)據(jù)量小但是計算密集度較大的場合，受益就相對較小

◆ 由于RDD的特性，Spark不適用那種異步細(xì)粒度更新狀態(tài)的應(yīng)用，例如web服務(wù)的存儲或者是增量的web爬蟲和索引。就是對于那種增量修改的應(yīng)用模型不適合。

◆ 總的來說Spark的適用面比較廣泛且比較通用。

運行模式

◆ 本地模式

◆ Standalone模式

◆ Mesoes模式

◆ yarn模式

Spark生態(tài)系統(tǒng)

◆ Shark ( Hive on Spark): Shark基本上就是在Spark的框架基礎(chǔ)上提供和Hive一樣的H iveQL命令接口，為了最大程度的保持和Hive的兼容性，Shark使用了Hive的API來實現(xiàn)query Parsing和 Logic Plan generation，最后的PhysicalPlan execution階段用Spark代替Hadoop MapReduce。通過配置Shark參數(shù)，Shark可以自動在內(nèi)存中緩存特定的RDD，實現(xiàn)數(shù)據(jù)重用，進而加快特定數(shù)據(jù)集的檢索。同時，Shark通過UDF用戶自定義函數(shù)實現(xiàn)特定的數(shù)據(jù)分析學(xué)習(xí)算法，使得SQL數(shù)據(jù)查詢和運算分析能結(jié)合在一起，最大化RDD的重復(fù)使用。

◆ Spark streaming: 構(gòu)建在Spark上處理Stream數(shù)據(jù)的框架，基本的原理是將Stream數(shù)據(jù)分成小的時間片斷（幾秒），以類似batch批量處理的方式來處理這小部分?jǐn)?shù)據(jù)。Spark Streaming構(gòu)建在Spark上，一方面是因為Spark的低延遲執(zhí)行引擎（100ms+）可以用于實時計算，另一方面相比基于Record的其它處理框架（如Storm），RDD數(shù)據(jù)集更容易做高效的容錯處理。此外小批量處理的方式使得它可以同時兼容批量和實時數(shù)據(jù)處理的邏輯和算法。方便了一些需要歷史數(shù)據(jù)和實時數(shù)據(jù)聯(lián)合分析的特定應(yīng)用場合。

◆ Bagel: Pregel on Spark，可以用Spark進行圖計算，這是個非常有用的小項目。Bagel自帶了一個例子，實現(xiàn)了Google的PageRank算法。

#p#

在業(yè)界的使用

◆ Spark項目在2009年啟動，2010年開源, 現(xiàn)在使用的有：Berkeley, Princeton, Klout, Foursquare, Conviva, Quantifind, Yahoo! Research & others, 淘寶等，豆瓣也在使用Spark的python克隆版Dpark。

Spark核心概念

Resilient Distributed Dataset (RDD)彈性分布數(shù)據(jù)集

◆ RDD是Spark的最基本抽象,是對分布式內(nèi)存的抽象使用，實現(xiàn)了以操作本地集合的方式來操作分布式數(shù)據(jù)集的抽象實現(xiàn)。RDD是Spark最核心的東西，它表示已被分區(qū)，不可變的并能夠被并行操作的數(shù)據(jù)集合，不同的數(shù)據(jù)集格式對應(yīng)不同的RDD實現(xiàn)。RDD必須是可序列化的。RDD可以cache到內(nèi)存中，每次對RDD數(shù)據(jù)集的操作之后的結(jié)果，都可以存放到內(nèi)存中，下一個操作可以直接從內(nèi)存中輸入，省去了MapReduce大量的磁盤IO操作。這對于迭代運算比較常見的機器學(xué)習(xí)算法, 交互式數(shù)據(jù)挖掘來說，效率提升比較大。

◆ RDD的特點：

1. 它是在集群節(jié)點上的不可變的、已分區(qū)的集合對象。
2. 通過并行轉(zhuǎn)換的方式來創(chuàng)建如（map, filter, join, etc）。
3. 失敗自動重建。
4. 可以控制存儲級別（內(nèi)存、磁盤等）來進行重用。
5. 必須是可序列化的。
6. 是靜態(tài)類型的。

◆ RDD的好處

1. RDD只能從持久存儲或通過Transformations操作產(chǎn)生，相比于分布式共享內(nèi)存（DSM）可以更高效實現(xiàn)容錯，對于丟失部分?jǐn)?shù)據(jù)分區(qū)只需根據(jù)它的lineage就可重新計算出來，而不需要做特定的Checkpoint。
2. RDD的不變性，可以實現(xiàn)類Hadoop MapReduce的推測式執(zhí)行。
3. RDD的數(shù)據(jù)分區(qū)特性，可以通過數(shù)據(jù)的本地性來提高性能，這與Hadoop MapReduce是一樣的。
4. RDD都是可序列化的，在內(nèi)存不足時可自動降級為磁盤存儲，把RDD存儲于磁盤上，這時性能會有大的下降但不會差于現(xiàn)在的MapReduce。

◆ RDD的存儲與分區(qū)

1. 用戶可以選擇不同的存儲級別存儲RDD以便重用。
2. 當(dāng)前RDD默認(rèn)是存儲于內(nèi)存，但當(dāng)內(nèi)存不足時，RDD會spill到disk。
3. RDD在需要進行分區(qū)把數(shù)據(jù)分布于集群中時會根據(jù)每條記錄Key進行分區(qū)（如Hash 分區(qū)），以此保證兩個數(shù)據(jù)集在Join時能高效。

◆ RDD的內(nèi)部表示

在RDD的內(nèi)部實現(xiàn)中每個RDD都可以使用5個方面的特性來表示：

1. 分區(qū)列表（數(shù)據(jù)塊列表）
2. 計算每個分片的函數(shù)（根據(jù)父RDD計算出此RDD）
3. 對父RDD的依賴列表
4. 對key-value RDD的Partitioner【可選】
5. 每個數(shù)據(jù)分片的預(yù)定義地址列表(如HDFS上的數(shù)據(jù)塊的地址)【可選】

◆ RDD的存儲級別

RDD根據(jù)useDisk、useMemory、deserialized、replication四個參數(shù)的組合提供了11種存儲級別：

val NONE = new StorageLevel(false, false, false)   
    val DISK_ONLY = new StorageLevel(true, false, false)   
    val DISK_ONLY_2 = new StorageLevel(true, false, false, 2)   
    val MEMORY_ONLY = new StorageLevel(false, true, true)   
    val MEMORY_ONLY_2 = new StorageLevel(false, true, true, 2)   
    val MEMORY_ONLY_SER = new StorageLevel(false, true, false)   
    val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, 2)   
    val MEMORY_AND_DISK = new StorageLevel(true, true, true)   
    val MEMORY_AND_DISK_2 = new StorageLevel(true, true, true, 2)   
    val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false)   
    val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, 2)  

◆ RDD定義了各種操作，不同類型的數(shù)據(jù)由不同的RDD類抽象表示，不同的操作也由RDD進行抽實現(xiàn)。

RDD的生成

◆ RDD有兩種創(chuàng)建方式：

1、從Hadoop文件系統(tǒng)（或與Hadoop兼容的其它存儲系統(tǒng)）輸入（例如HDFS）創(chuàng)建。

2、從父RDD轉(zhuǎn)換得到新RDD。

◆ 下面來看一從Hadoop文件系統(tǒng)生成RDD的方式，如：val file = spark.textFile("hdfs://...")，file變量就是RDD（實際是HadoopRDD實例），生成的它的核心代碼如下：

// SparkContext根據(jù)文件/目錄及可選的分片數(shù)創(chuàng)建RDD, 這里我們可以看到Spark與Hadoop MapReduce很像   
   // 需要InputFormat, Key、Value的類型，其實Spark使用的Hadoop的InputFormat, Writable類型。   
   def textFile(path: String, minSplits: Int = defaultMinSplits): RDD[String] = {   
       hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable],   
       classOf[Text], minSplits) .map(pair => pair._2.toString) }  
   
   // 根據(jù)Hadoop配置，及InputFormat等創(chuàng)建HadoopRDD    
   new HadoopRDD(this, conf, inputFormatClass, keyClass, valueClass, minSplits) 

◆ 對RDD進行計算時，RDD從HDFS讀取數(shù)據(jù)時與Hadoop MapReduce幾乎一樣的：

RDD的轉(zhuǎn)換與操作

◆ 對于RDD可以有兩種計算方式：轉(zhuǎn)換（返回值還是一個RDD）與操作（返回值不是一個RDD）。

◆ 轉(zhuǎn)換(Transformations) (如：map, filter, groupBy, join等)，Transformations操作是Lazy的，也就是說從一個RDD轉(zhuǎn)換生成另一個RDD的操作不是馬上執(zhí)行，Spark在遇到Transformations操作時只會記錄需要這樣的操作，并不會去執(zhí)行，需要等到有Actions操作的時候才會真正啟動計算過程進行計算。

◆ 操作(Actions) (如：count, collect, save等)，Actions操作會返回結(jié)果或把RDD數(shù)據(jù)寫到存儲系統(tǒng)中。Actions是觸發(fā)Spark啟動計算的動因。

◆ 下面使用一個例子來示例說明Transformations與Actions在Spark的使用。

val sc = new SparkContext(master, "Example", System.getenv("SPARK_HOME"),   
        Seq(System.getenv("SPARK_TEST_JAR")))  
   
    val rdd_A = sc.textFile(hdfs://.....)  
    val rdd_B = rdd_A.flatMap((line => line.split("\\s+"))).map(word => (word, 1))  
   
    val rdd_C = sc.textFile(hdfs://.....)  
    val rdd_D = rdd_C.map(line => (line.substring(10), 1))  
    val rdd_E = rdd_D.reduceByKey((a, b) => a + b)  
   
    val rdd_F = rdd_B.jion(rdd_E)  
   
    rdd_F.saveAsSequenceFile(hdfs://....)  
 

#p#

Lineage（血統(tǒng)）

◆ 利用內(nèi)存加快數(shù)據(jù)加載,在眾多的其它的In-Memory類數(shù)據(jù)庫或Cache類系統(tǒng)中也有實現(xiàn)，Spark的主要區(qū)別在于它處理分布式運算環(huán)境下的數(shù)據(jù)容錯性（節(jié)點實效/數(shù)據(jù)丟失）問題時采用的方案。為了保證RDD中數(shù)據(jù)的魯棒性，RDD數(shù)據(jù)集通過所謂的血統(tǒng)關(guān)系(Lineage)記住了它是如何從其它RDD中演變過來的。相比其它系統(tǒng)的細(xì)顆粒度的內(nèi)存數(shù)據(jù)更新級別的備份或者LOG機制，RDD的Lineage記錄的是粗顆粒度的特定數(shù)據(jù)轉(zhuǎn)換（Transformation）操作（filter, map, join etc.)行為。當(dāng)這個RDD的部分分區(qū)數(shù)據(jù)丟失時，它可以通過Lineage獲取足夠的信息來重新運算和恢復(fù)丟失的數(shù)據(jù)分區(qū)。這種粗顆粒的數(shù)據(jù)模型，限制了Spark的運用場合，但同時相比細(xì)顆粒度的數(shù)據(jù)模型，也帶來了性能的提升。

◆ RDD在Lineage依賴方面分為兩種Narrow Dependencies與Wide Dependencies用來解決數(shù)據(jù)容錯的高效性。Narrow Dependencies是指父RDD的每一個分區(qū)最多被一個子RDD的分區(qū)所用，表現(xiàn)為一個父RDD的分區(qū)對應(yīng)于一個子RDD的分區(qū)或多個父RDD的分區(qū)對應(yīng)于一個子RDD的分區(qū)，也就是說一個父RDD的一個分區(qū)不可能對應(yīng)一個子RDD的多個分區(qū)。Wide Dependencies是指子RDD的分區(qū)依賴于父RDD的多個分區(qū)或所有分區(qū)，也就是說存在一個父RDD的一個分區(qū)對應(yīng)一個子RDD的多個分區(qū)。對與Wide Dependencies，這種計算的輸入和輸出在不同的節(jié)點上，lineage方法對與輸入節(jié)點完好，而輸出節(jié)點宕機時，通過重新計算，這種情況下，這種方法容錯是有效的，否則無效，因為無法重試，需要向上其祖先追溯看是否可以重試（這就是lineage，血統(tǒng)的意思），Narrow Dependencies對于數(shù)據(jù)的重算開銷要遠(yuǎn)小于Wide Dependencies的數(shù)據(jù)重算開銷。

容錯

◆ 在RDD計算，通過checkpint進行容錯，做checkpoint有兩種方式，一個是checkpoint data，一個是logging the updates。用戶可以控制采用哪種方式來實現(xiàn)容錯，默認(rèn)是logging the updates方式，通過記錄跟蹤所有生成RDD的轉(zhuǎn)換（transformations）也就是記錄每個RDD的lineage（血統(tǒng)）來重新計算生成丟失的分區(qū)數(shù)據(jù)。

資源管理與作業(yè)調(diào)度

◆ Spark對于資源管理與作業(yè)調(diào)度可以使用Standalone(獨立模式)，Apache Mesos及Hadoop YARN來實現(xiàn)。 Spark on Yarn在Spark0.6時引用，但真正可用是在現(xiàn)在的branch-0.8版本。Spark on Yarn遵循YARN的官方規(guī)范實現(xiàn)，得益于Spark天生支持多種Scheduler和Executor的良好設(shè)計，對YARN的支持也就非常容易，Spark on Yarn的大致框架圖。

◆ 讓Spark運行于YARN上與Hadoop共用集群資源可以提高資源利用率。

編程接口

◆ Spark通過與編程語言集成的方式暴露RDD的操作，類似于DryadLINQ和FlumeJava，每個數(shù)據(jù)集都表示為RDD對象，對數(shù)據(jù)集的操作就表示成對RDD對象的操作。Spark主要的編程語言是Scala，選擇Scala是因為它的簡潔性（Scala可以很方便在交互式下使用）和性能（JVM上的靜態(tài)強類型語言）。

◆ Spark和Hadoop MapReduce類似，由Master(類似于MapReduce的Jobtracker)和Workers(Spark的Slave工作節(jié)點)組成。用戶編寫的Spark程序被稱為Driver程序，Dirver程序會連接master并定義了對各RDD的轉(zhuǎn)換與操作，而對RDD的轉(zhuǎn)換與操作通過Scala閉包(字面量函數(shù))來表示，Scala使用Java對象來表示閉包且都是可序列化的，以此把對RDD的閉包操作發(fā)送到各Workers節(jié)點。 Workers存儲著數(shù)據(jù)分塊和享有集群內(nèi)存，是運行在工作節(jié)點上的守護進程，當(dāng)它收到對RDD的操作時，根據(jù)數(shù)據(jù)分片信息進行本地化數(shù)據(jù)操作，生成新的數(shù)據(jù)分片、返回結(jié)果或把RDD寫入存儲系統(tǒng)。

Scala

◆  Spark使用Scala開發(fā)，默認(rèn)使用Scala作為編程語言。編寫Spark程序比編寫Hadoop MapReduce程序要簡單的多，SparK提供了Spark-Shell，可以在Spark-Shell測試程序。寫SparK程序的一般步驟就是創(chuàng)建或使用(SparkContext)實例，使用SparkContext創(chuàng)建RDD，然后就是對RDD進行操作。如：

val sc = new SparkContext(master, appName, [sparkHome], [jars])   
val textFile = sc.textFile("hdfs://.....")   
textFile.map(....).filter(.....).....  

Java

◆ Spark支持Java編程，但對于使用Java就沒有了Spark-Shell這樣方便的工具，其它與Scala編程是一樣的，因為都是JVM上的語言，Scala與Java可以互操作，Java編程接口其實就是對Scala的封裝。如：

JavaSparkContext sc = new JavaSparkContext(...);    
JavaRDD lines = ctx.textFile("hdfs://...");   
JavaRDD words = lines.flatMap(   
  new FlatMapFunction<String, String>() {   
     public Iterable call(String s) {   
        return Arrays.asList(s.split(" "));   
     }   
   }   
);  

Python

◆ 現(xiàn)在Spark也提供了Python編程接口，Spark使用py4j來實現(xiàn)python與java的互操作，從而實現(xiàn)使用python編寫Spark程序。Spark也同樣提供了pyspark，一個Spark的python shell，可以以交互式的方式使用Python編寫Spark程序。 如：

from pyspark import SparkContext   
sc = SparkContext("local", "Job Name", pyFiles=['MyFile.py', 'lib.zip', 'app.egg'])   
words = sc.textFile("/usr/share/dict/words")   
words.filter(lambda w: w.startswith("spar")).take(5)  

#p#

使用示例

Standalone模式

◆ 為方便Spark的推廣使用，Spark提供了Standalone模式，Spark一開始就設(shè)計運行于Apache Mesos資源管理框架上，這是非常好的設(shè)計，但是卻帶了部署測試的復(fù)雜性。為了讓Spark能更方便的部署和嘗試，Spark因此提供了Standalone運行模式，它由一個Spark Master和多個Spark worker組成，與Hadoop MapReduce1很相似，就連集群啟動方式都幾乎是一樣。

◆ 以Standalone模式運行Spark集群

•  下載Scala2.9.3，并配置SCALA_HOME
• 下載Spark代碼（可以使用源碼編譯也可以下載編譯好的版本）這里下載 編譯好的版本（http://spark-project.org/download/spark-0.7.3-prebuilt-cdh4.tgz）
• 解壓spark-0.7.3-prebuilt-cdh4.tgz安裝包
• 修改配置（conf/*） slaves: 配置工作節(jié)點的主機名 spark-env.sh：配置環(huán)境變量。 

SCALA_HOME=/home/spark/scala-2.9.3   
JAVA_HOME=/home/spark/jdk1.6.0_45   
SPARK_MASTER_IP=spark1               
SPARK_MASTER_PORT=30111   
SPARK_MASTER_WEBUI_PORT=30118   
SPARK_WORKER_CORES=2 SPARK_WORKER_MEMORY=4g   
SPARK_WORKER_PORT=30333   
SPARK_WORKER_WEBUI_PORT=30119   
SPARK_WORKER_INSTANCES=1 

◆ 把Hadoop配置copy到conf目錄下

◆ 在master主機上對其它機器做ssh無密碼登錄

◆ 把配置好的Spark程序使用scp copy到其它機器

◆ 在master啟動集群

$SPARK_HOME/start-all.sh  

yarn模式

◆ Spark-shell現(xiàn)在還不支持Yarn模式，使用Yarn模式運行，需要把Spark程序全部打包成一個jar包提交到Y(jié)arn上運行。目錄只有branch-0.8版本才真正支持Yarn。

◆ 以Yarn模式運行Spark

下載Spark代碼.

git clone git://github.com/mesos/spark  

◆ 切換到branch-0.8

cd spark   
git checkout -b yarn --track origin/yarn  

◆ 使用sbt編譯Spark并

$SPARK_HOME/sbt/sbt   
> package   
> assembly 

◆ 把Hadoop yarn配置copy到conf目錄下

◆ 運行測試

SPARK_JAR=./core/target/scala-2.9.3/spark-core-assembly-0.8.0-SNAPSHOT.jar \   
./run spark.deploy.yarn.Client --jar examples/target/scala-2.9.3/ \   
--class spark.examples.SparkPi --args yarn-standalone  

使用Spark-shell

◆ Spark-shell使用很簡單，當(dāng)Spark以Standalon模式運行后，使用$SPARK_HOME/spark-shell進入shell即可，在Spark-shell中SparkContext已經(jīng)創(chuàng)建好了，實例名為sc可以直接使用，還有一個需要注意的是，在Standalone模式下，Spark默認(rèn)使用的調(diào)度器的FIFO調(diào)度器而不是公平調(diào)度，而Spark-shell作為一個Spark程序一直運行在Spark上，其它的Spark程序就只能排隊等待，也就是說同一時間只能有一個Spark-shell在運行。

◆ 在Spark-shell上寫程序非常簡單，就像在Scala Shell上寫程序一樣。

scala> val textFile = sc.textFile("hdfs://hadoop1:2323/user/data")   
textFile: spark.RDD[String] = spark.MappedRDD@2ee9b6e3 
   
scala> textFile.count() // Number of items in this RDD  
res0: Long = 21374 
   
scala> textFile.first() // First item in this RDD  
res1: String = # Spark  

編寫Driver程序

◆ 在Spark中Spark程序稱為Driver程序，編寫Driver程序很簡單幾乎與在Spark-shell上寫程序是一樣的，不同的地方就是SparkContext需要自己創(chuàng)建。如WorkCount程序如下：

import spark.SparkContext  
import SparkContext._  
   
object WordCount {  
  def main(args: Array[String]) {  
    if (args.length ==0 ){  
      println("usage is org.test.WordCount ")  
    }  
    println("the args: ")  
    args.foreach(println)  
   
    val hdfsPath = "hdfs://hadoop1:8020" 
   
    // create the SparkContext， args(0)由yarn傳入appMaster地址  
    val sc = new SparkContext(args(0), "WrodCount",  
    System.getenv("SPARK_HOME"), Seq(System.getenv("SPARK_TEST_JAR")))  
   
    val textFile = sc.textFile(hdfsPath + args(1))  
   
    val result = textFile.flatMap(line => line.split("\\s+"))  
        .map(word => (word, 1)).reduceByKey(_ + _)  
   
    result.saveAsTextFile(hdfsPath + args(2))  
  }  
}  

原文鏈接：http://tech.uc.cn/?p=2116