本文轉(zhuǎn)載自微信公眾號「大數(shù)據(jù)DT（ID：hzdashuju）」，作者朱凱。轉(zhuǎn)載本文請聯(lián)系大數(shù)據(jù)DT公眾號。   

01 概述

十年前我們只有Hadoop，大家首先通過HDFS實(shí)現(xiàn)海量數(shù)據(jù)的共享存儲，然后使用MapReduce以批處理的方式處理這些海量數(shù)據(jù)，這一切看起來似乎十分完美。

但眾口難調(diào)啊，有人覺得MapReduce的編程模型太難使用了，為什么不能使用SQL來分析數(shù)據(jù)呢?我們數(shù)據(jù)庫領(lǐng)域已經(jīng)有非常成熟的數(shù)據(jù)倉庫模型了，為何不實(shí)現(xiàn)一個大數(shù)據(jù)技術(shù)的數(shù)據(jù)倉庫呢?于是Hive類的框架便誕生了，人們開始使用Hive類的框架來構(gòu)建大數(shù)據(jù)技術(shù)的數(shù)據(jù)倉庫，使用SQL查詢數(shù)據(jù)。

接著人們又開始詬病MapReduce的執(zhí)行效率太慢，因?yàn)樗举|(zhì)上是面向批處理場景的，難以支撐一些實(shí)時性要求很高的場景，我們需要一種能夠支撐流計(jì)算的架構(gòu)，于是Storm類的框架誕生了。人們開始使用Storm這類框架處理流計(jì)算場景。

接著伴隨垃圾郵件分析、商品推薦、金融風(fēng)控這類應(yīng)用場景需求的出現(xiàn)，又迫使我們需要在大數(shù)據(jù)場景下具備機(jī)器學(xué)習(xí)的能力，于是乎Mahout類的框架出現(xiàn)了，人們使用它們來進(jìn)行大數(shù)據(jù)下的機(jī)器學(xué)習(xí)。

隨著越來越多來自應(yīng)用領(lǐng)域的細(xì)分需求，人們從最初Hadoop的HDFS和MapReduce開始，一步步地構(gòu)造出了各種細(xì)分領(lǐng)域的技術(shù)框架。有專攻處理批處理場景的，有專攻數(shù)據(jù)倉庫場景的，有處理流計(jì)算場景的，也有專職機(jī)器學(xué)習(xí)的。

在我看來這有點(diǎn)像在給Hadoop打補(bǔ)丁，因?yàn)镠adoop在設(shè)計(jì)之初根本沒有考慮過這么多的場景，它只是為了支撐離線批處理。但是需求擺在這里，為了實(shí)現(xiàn)目標(biāo)只得另起爐灶通過設(shè)計(jì)一個全新的系統(tǒng)滿足需求。這種現(xiàn)狀造成了很多問題。

• 重復(fù)工作：不同的系統(tǒng)之間都需要解決一些相同的共性問題，比如分布式執(zhí)行和容錯性。例如MapReduce、SQL查詢引擎和機(jī)器學(xué)習(xí)系統(tǒng)都會涉及聚合操作。
• 組合：不同系統(tǒng)之間的組合使用非常“昂貴”，因?yàn)椴煌到y(tǒng)之間無法有效的功效數(shù)。為了組合使用我們需要將數(shù)據(jù)在不同的系統(tǒng)之間頻繁的導(dǎo)出導(dǎo)入，數(shù)據(jù)用來移動的時間可能都會超過計(jì)算的時間。
• 維護(hù)成本：雖然這些系統(tǒng)從每個個體的角度來看都十分優(yōu)秀，但是它們都是在不同時期由不同的團(tuán)隊(duì)設(shè)計(jì)實(shí)現(xiàn)的，其設(shè)計(jì)思路和實(shí)現(xiàn)方式也各不相同。這導(dǎo)致平臺在部署運(yùn)維這些系統(tǒng)的時候十分痛苦，因?yàn)樗鼈儾町愄罅恕?/li>
• 學(xué)習(xí)成本：系統(tǒng)之間巨大的差異性對于開發(fā)人員來講更是如此，這些技術(shù)框架擁有不同的邏輯對象、專業(yè)術(shù)語、API和編程模型，每種框架都需要重新學(xué)習(xí)一遍才能使用。

Spark意識到了這個問題，作為一個后起之秀它擁有天然的優(yōu)勢。Spark誕生于2012年，那個時候Hadoop生態(tài)已經(jīng)經(jīng)過了6個年頭的發(fā)展，其生態(tài)格局已經(jīng)成型。Spark已經(jīng)能夠看清大數(shù)據(jù)有哪些細(xì)分領(lǐng)域，同時MapReduce、Hive、Storm等開源組件也已經(jīng)發(fā)展多年，Spark也能夠了解到它們的長處和不足。

于是Spark橫空出世，成為目前開源社區(qū)最為火爆的一款分布式內(nèi)存計(jì)算引擎。Spark使用DAG(有向無環(huán)圖)模型作為其執(zhí)行模型，并且主要使用內(nèi)存計(jì)算的方式進(jìn)行任務(wù)計(jì)算。

Spark基于一套統(tǒng)一的數(shù)據(jù)模型(RDD)和編程模型(Trans-foration /Action)之上，構(gòu)建出了Spark SQL、Spark Streaming、Spark MLibs等多個分支，其功能涵蓋了大數(shù)據(jù)的多個領(lǐng)域，如圖2-14所示。

▲圖2-14 Spark涵蓋的領(lǐng)域

Spark通過統(tǒng)一的數(shù)據(jù)模型和編程模型，構(gòu)造出了SQL查詢、流計(jì)算、機(jī)器學(xué)習(xí)和圖計(jì)算等多個分支庫。

02 數(shù)據(jù)模型

RDD是彈性分布式數(shù)據(jù)集(Resilient Distributed Datasets)的縮寫，它是MapReduce模型的擴(kuò)展和延伸。Spark之所以能夠同時支撐大數(shù)據(jù)的多個領(lǐng)域，在很大程度上是依靠了RDD的能力。

雖然批處理、流計(jì)算、圖計(jì)算和機(jī)器學(xué)習(xí)這些計(jì)算場景之間初看起來風(fēng)馬牛不相及，但是它們都存在一個共同的需求，那就是在并行計(jì)算階段能夠高效的共享數(shù)據(jù)。

RDD的設(shè)計(jì)者們洞穿了這一現(xiàn)象，于是通過高效的數(shù)據(jù)共享概念和類似MapReduce的操作設(shè)計(jì)了RDD，使得它能模擬迭代式算法、關(guān)系查詢、MapReduce和流式處理等多種編程模型。

同時它也是一個可容錯的、可并行的數(shù)據(jù)結(jié)構(gòu)，可以讓用戶指定將數(shù)據(jù)存儲到磁盤和內(nèi)存中，并能控制數(shù)據(jù)的分區(qū)。同時它還提供了一些高效的編程接口操作數(shù)據(jù)集。

03 編程模型和作業(yè)調(diào)度

Spark將RDD的操作分為兩類：轉(zhuǎn)換(transformation)與行動(action)。

轉(zhuǎn)換操作是一種惰性操作，它只會定義新的RDD，而不會立即執(zhí)行。而行動操作則是立即執(zhí)行計(jì)算，它要么返回結(jié)果給Driver進(jìn)程，或是將結(jié)果輸出到外部存儲。常見轉(zhuǎn)換操作如map、flatMap、filter等，常見行動操作如count、collect等。

當(dāng)用戶對一個RDD執(zhí)行了行動操作之后，調(diào)度器會根據(jù)RDD的依賴關(guān)系生成一個DAG(有向無環(huán)圖)圖來執(zhí)行程序。DAG由若干個stage組成，每個stage內(nèi)都包含多個連續(xù)的窄依賴。而各個stage之間則是寬依賴。如圖2-15所示，實(shí)線方框代表的是RDD。方框內(nèi)的矩形代表分區(qū)，若分區(qū)已在內(nèi)存中保存則用黑色表示。

▲圖2-15 Spark任務(wù)拆分示意

04 依賴

RDD作為數(shù)據(jù)結(jié)構(gòu)，本質(zhì)上是一個只讀的分區(qū)記錄集合。一個RDD可以包含多個分區(qū)，每個分區(qū)是一個數(shù)據(jù)片段。

RDD可以相互依賴。如果父RDD的每個分區(qū)最多被一個子RDD的分區(qū)使用，則稱之為窄依賴;若多個子RDD分區(qū)依賴一個父RDD的分區(qū)，則稱之為寬依賴。不同的操作依據(jù)其特性，可能會產(chǎn)生不同的依賴。例如map操作會產(chǎn)生窄依賴，而join操作則產(chǎn)生寬依賴。

Spark之所以將依賴分為兩種，基于兩點(diǎn)原因。首先，窄依賴支持在同單個集群上以管道的形式式執(zhí)，例如在執(zhí)行了map后，緊接著執(zhí)行filter。相反，寬依賴需要所有的父RDD數(shù)據(jù)都可用并通過shuffle動作才可繼續(xù)執(zhí)行。

其次，窄依賴的失敗恢復(fù)更加高效，因?yàn)樗恍枰匦掠?jì)算丟失的父分區(qū)，并且這些計(jì)算可以并行的在不同節(jié)點(diǎn)同時進(jìn)行。與此相反，在寬依賴的繼承關(guān)系中，單個失敗的節(jié)點(diǎn)可能導(dǎo)致一個RDD的所有先祖RDD中的一些分區(qū)丟失，導(dǎo)致計(jì)算的重新執(zhí)行。如圖2-16所示，說明了窄依賴與寬依賴之間的區(qū)別。

▲圖2-16 SparkRDD寬依賴和窄依賴示意

05 容錯

傳統(tǒng)分布式系統(tǒng)的容錯方案有據(jù)復(fù)制和恢復(fù)日志兩種方案。對于以數(shù)據(jù)為中心的系統(tǒng)而言，這兩種方式都非常昂貴，因?yàn)樗枰缂壕W(wǎng)絡(luò)復(fù)制大量數(shù)據(jù)，而網(wǎng)絡(luò)帶寬的速度遠(yuǎn)遠(yuǎn)低于內(nèi)存訪問的速度。

RDD天生是支持容錯的。首先，它自身是一個不變的數(shù)據(jù)集，其次，Spark使用DAG作為其執(zhí)行模型，所以它能夠通過RDD的依賴特性記住一系列操作生成一張DAG圖。因此當(dāng)執(zhí)行的任務(wù)失敗時，Spark只需根據(jù)DAG圖進(jìn)行重新計(jì)算即可實(shí)現(xiàn)容錯機(jī)制。由于無須采用復(fù)制的方式支持容錯，Spark很好地降低了跨網(wǎng)絡(luò)的數(shù)據(jù)傳輸成本。

06 集群模式

Spark的應(yīng)用以一組獨(dú)立進(jìn)程的形式運(yùn)行在一個集群之上，由主程序中的SparkContext對象進(jìn)行協(xié)調(diào)(也被稱為driver程序)。Spark目前支持三種集群運(yùn)行方式。

具體來說，Spark既可以通過standlone模式獨(dú)立運(yùn)行，也可以運(yùn)行在Mesos或者YARN之上。

如圖2-17所示，一旦SparkContext連接到集群，Spark首先會從集群的節(jié)點(diǎn)中獲得一些executor進(jìn)程，這些進(jìn)程會用來執(zhí)行我們程序中的計(jì)算和存儲邏輯，接著它會通過jar包的形式分發(fā)我們的程序代碼到各個executor進(jìn)程。最后，SparkContext會分派任務(wù)到各executor進(jìn)程進(jìn)行執(zhí)行。

▲圖2-17 Spark任務(wù)進(jìn)程示意

每個應(yīng)用都擁有自己的executor進(jìn)程，這些進(jìn)程會在整個應(yīng)用生命周期內(nèi)持續(xù)運(yùn)行并以多線程的方式執(zhí)行具體的任務(wù)。這種設(shè)計(jì)的好處是將各個應(yīng)用之間的資源消耗進(jìn)行了隔離，每個應(yīng)用都運(yùn)行在它們各自的JVM中。但是這也意味著不同應(yīng)用之間的SparkContext無法共享數(shù)據(jù)，除非借助擴(kuò)展的存儲媒介。

Spark對底層集群管理不可知。只要能夠獲取到executor進(jìn)行，并且這些進(jìn)程之間可以通信，它就能比較容易的運(yùn)行在其他通用集群資源調(diào)度框架之上，如Mesos和YARN。

07 使用場景

Spark借助其RDD的出色設(shè)計(jì)，做到了橫跨多個領(lǐng)域的支撐。這意味著我們在一套程序邏輯之中可以集成多種操作。

例如使用SQL查詢過濾數(shù)據(jù)，然后進(jìn)行機(jī)器學(xué)習(xí)或是通過SQL的方式操作流數(shù)據(jù)。在提升便利的同時也降低了開發(fā)人員的學(xué)習(xí)曲線，基于Spark，只需要學(xué)習(xí)一套編程模型即可處理多個領(lǐng)域。

所以將Spark作為平臺的一站式計(jì)算解決方案是再合適不過了。

關(guān)于作者：朱凱，資深大數(shù)據(jù)專家和架構(gòu)師，擁有10年IT從業(yè)經(jīng)驗(yàn)，精通大數(shù)據(jù)、Java、Node.JS等技術(shù)。對大數(shù)據(jù)領(lǐng)域的主流技術(shù)與解決方案有深入研究，擅長分布式系統(tǒng)的架構(gòu)設(shè)計(jì)與整合。曾主導(dǎo)過多款大數(shù)據(jù)平臺級產(chǎn)品的規(guī)劃設(shè)計(jì)與研發(fā)工作，一線實(shí)戰(zhàn)經(jīng)驗(yàn)豐富。

本文摘編自《企業(yè)級大數(shù)據(jù)平臺構(gòu)建：架構(gòu)與實(shí)現(xiàn)》，經(jīng)出版方授權(quán)發(fā)布。