Spark 基础入门

第1章 Spark 框架概述

Spark 是什么

Apache Spark 是一个多语言引擎，用于在单节点机器或集群上执行数据工程、数据科学和机器学习。
Apache Spark™ is a multi-language engine for executing data engineering, data science, and machine learning on single-node machines or clusters.

Spark 有哪些特性

• 批处理/流式数据（Batch/streaming data）
• SQL分析（SQL analytics）
• 弹性数据科学（Data science at scale）
• 机器学习（Machine learning）

Spark 有哪些模块

核心SparkCore、SQL计算（SparkSQL）、流计算（SparkStreaming）、图计算（GraphX）、机器学习（MLib）

Spark 的运行模式

• 本地模式（Local）
• 集群模式（StandAlone、YARN、K8S）
• 云模式

Spark 的运行角色（对比 YARN）

• Master：集群资源管理（类同 ResourceManager）
• Worker：单机资源管理（类同 NodeManager）
• Driver：单任务管理者（类同 ApplicationMaster）
• Executor：单任务执行者（类同 YARN 容器内的 Task）

第2章 Spark 环境搭建-Local

略

第3章 Spark 环境搭建-Standalone

Standalone 架构

在 Standalone集群 上主要有3类进程：

• 主节点 Master：管理整个集群资源各个任务的 Driver；
• 从节点 Workers：管理每个机器的资源，分配对应的资源来运行 Executor（Task）；
• 历史服务器 HistoryServer（可选）：Spark Application 运行完成以后，保存事件日志数据至 HDFS，启动 HistoryServer 可以查看应用运行相关信息。

Standalone 环境安装操作

略

Spark 应用架构

用户应用程序从最开始的提交到最终的计算执行，需要经历一下几个阶段：

1. 用户程序创建 SparkContext 时，新创建的 SparkContext 实例会连接到 ClusterManager。Cluster Manager 会根据用户提交时设置的 CPU 和内存等信息为本次提交分配计算资源，启动 Executor；
2. Driver 会将用户程序划分为不同的执行阶段 Stage，每个执行阶段 Stage 由一组完全相同 Task 组成，这些 Task 分别作用于待处理数据的不同分区。在阶段划分完成和 Task 创建后， Driver 会向 Executor 发送 Task；
3. Executor 在接收到 Task 后，会下载 Task 的运行时依赖，在准备好 Task 的执行环境后，会开始执行 Task，并且将 Task 的运行状态汇报给 Driver；
4. Driver 会根据收到的 Task 的运行状态来处理不同的状态更新。Task 分为两种：一种是 Shuffle Map Task，它实现数据的重新洗牌，洗牌的结果保存到 Executor 所在节点的文件系统中；另外一种是 Result Task，它负责生成结果数据；
5. Driver 会不断地调用 Task，将Task发送到 Executor 执行，在所有的Task 都正确执行或者超过执行次数的限制仍然没有执行成功时停止。

Spark 运行层次结构

Spark Application 程序运行时三个核心概念：Job、Stage、Task，说明如下：

• Job：由多个 Task 的并行计算部分，一般 Spark 中的 action 操作(如 save、collect，后面进一步说明)，会 生成一个 Job。
• Stage：Job 的组成单位，一个 Job 会切分成多个 Stage，Stage 彼此之间相互依赖顺序执行，而每个 Stage 是多个 Task 的集合，类似 map 和 reduce stage。
• Task：被分配到各个 Executor 的单位工作内容，它是 Spark 中的最小执行单位，一般来说有多少个 Paritition (物理层面的概念，即分支可以理解为将数据划分成不同 部分并行处理)，就会有多少个 Task，每个 Task 只会处理单一分支上的数据。

第4章 Spark 环境搭建-Standalone HA

Spark Standalone 集群是 Master-Slaves 架构的集群模式，和大部分的 Master-Slaves 结构集群一样，存在着 Master 单点故障（SPOF）的问题。

基于 Zookeeper 的 HA

ZooKeeper 的 Standby Master（Standby Masters with ZooKeeper）

ZooKeeper 提供了一个 Leader Election 机制，利用这个机制可以保证虽然集群存在多个 Master，但是只有一个 Active 的，其他的都是 Standby 状态。当 Active 的 Master 出现故障时，另外的一个 Standby Master 会被选举出来。由于集群的信息，包括 Worker、Driver 和 Application 的信息都已经持久化道文件系统中，因此在切换的过程中只会影响新的 Job 提交，对于正在进行的 Job 没有任何影响。

ZooKeeper 的集群整体架构如下图：

第5章 环境搭建-Spark on YARN

YARN 本身是一个资源调度框架，负责对运行在内部的计算框架进行资源调度管理。作为典型的计算框架，Spark 本身也是直接运行在 YARN 中，并接受 YARN 的调度。

SparkOnYarn 本质

• Master 角色由 YARN 的 ResourceManager 担任
• Worker 角色由 YARN 的 NodeManager 担任
• Driver 角色运行在 YARN容器 内或提交任务的 客户端进程中
• Executor 运行在 YARN 提供的容器内

部署模式 DeployMode

Spark on YARN 有两种运行模式（区别在于 Driver 运行的位置）：

• Cluster 模式：Driver 运行在 YARN 容器内部，和 ApplicationMaster 在同一个容器内

• Client 模式：Driver 运行在客户端进程中，比如 Driver 运行在 spark-submit 程序的进程中

两种模式对比

第6章 PySpark 库

框架 v.s. 类库

• 框架：可以独立运行，并提供编程结构的一种软件产品。例如，Spark 就是一个独立的框架。
• 类库：一堆别人写好的代码，你可以导入使用。例如，Pandas 就是 Python 的类库。

什么是 PySpark

现在说的 PySpark，指的是 Python 的运行类库

PySpark 是 Spark 官方提供的一个 Python 类库，内置了完全的 Spark API，可以通过 PySpark 类库来编写 Spark 应用程序，并将其提交到 Spark 集群中运行。

PySpark 类库和标准 Spark 框架的简单对比

第7章 本机开发环境搭建

应用入口：SparkContext

Spark Application 程序入口为：SparkContext，分以下两步构建：

1. 创建 SparkConf 对象
2. 基于 SparkConf 对象，创建 SparkContext 对象

conf = SparkConf().setAppName(appName).setMaster(master)
sc = SparkContext(conf=conf)

第8章 分布式代码执行分析

Spark 集群角色回顾（以 YARN 为例）

当 Spark Application 运行在集群上时，主要由四个部分组成，如下示意图：

• Master(ResourceManager)：集群大管家，整个集群的资源管理和分配
• Worker(NodeManager)：单个机器的管家，负责在单个服务器上提供运行容器,管理当前机器的资源
• Driver：单个 Spark 任务的管理者，管理 Executor 的任务执行和任务分解分配,，类似 YARN 的 ApplicationMaster
• Executor：具体干活的进程，Spark 的工作任务（Task）都由 Executor 来负责执行

分布式代码执行分析

简单分析后得知：

• SparkContext 对象的构建以及 Spark 程序的退出，由 Driver 负责执行
• 具体的数据处理步骤，由 Executor 在执行

其实简单来说就是：

• 非数据处理的部分由 Driver 工作
• 数据处理的部分由 Executor 工作

Pythoh on Spark 执行原理

PySpark 宗旨是在不破坏 Spark 已有的运行时架构，在 Spark 架构外层包装一层 Python API，借助 Py4j 实现 Python 和 Java 的交互，进而实现通过 Python 编写 Spark 应用程序，其运行时架构如下图所示。