背景
Spark 是 2010 年由 UC Berkeley AMPLab 开源的一款 基于内存的分布式计算框架,2013 年被Apache 基金会接管,是当前大数据领域最为活跃的开源项目之一
Spark 在 MapReduce 计算框架的基础上,支持计算对象数据可以直接缓存到内存中,大大提高了整体计算效率。特别适合于数据挖掘与机器学习等需要反复迭代计算的场景。
二
特性
高效:Spark提供 Cache 机制,支持需要反复迭代的计算或者多次数据共享,基于Spark 的内存计算比 Hadoop MapReduce 快100倍。
易用:Spark提供 20 多种数据集操作类型,并支持使用 Python 和 Scala 脚本开发应用。
先进架构:Spark采用 Scala 语言编写,基于 DAG 图的执行引擎,减少多次计算之间中间结果写到 HDFS 的开销。
如果你对大数据开发感兴趣,想系统学习大数据的话,可以加入大数据技术学习交流扣扣群458+345+782,领取开发工具以及入门学习资料
三
应用场景
Spark之上有四种应用工具库。
Spark Streaming: 用于流式计算。
MLlib:用于机器学习(聚类、协同过滤等)。
Spark SQL:用于处理结构化数据。
GraphX:用于图和图并行计算的API。
目前主要应用在广告精准投放系统、日志报表即时查询、以及推荐系统等业务场景。这些应用场景的共同特点是计算量大且效率要求高。
四
部署模式
Spark有三种部署模式。
Standalone:使用Spark自带的集群管理器。
Spark on Mesos:使用 Mesos 管理资源。
Spark on YARN:使用 YARN 管理资源。
五
任务流程
Spark重要组件包括 Driver Program(Driver) 和Executor。以 Standalone(Driver 运行在 Client)模式为例介绍任务执行流程。
1. 客户端运行用户程序,启动 Driver。
2. Driver将作业转换为DAG图(类似数据处理的流程图),根据策略将DAG图划分为多个Stage,最终生成一系列最小可执行的Task。
3. Driver根据Task的需求,向Master申请运行Task所需的资源。
4. Master为Task调度分配满足需求的Worker节点,在Worker节点启动Exeuctor。
5. Exeuctor启动后向Driver注册。
6. Driver将Task调度到Exeuctor执行。
7. Executor执行结果写入文件或返回Driver。