当前位置：首页 > news >正文

Spark简单回顾

news 2026/5/20 5:21:05

在这里插入图片描述
星光下的赶路人star的个人主页

大鹏一日同风起，扶摇直上九万里

文章目录

1、Spark
- 1.1 Spark入门
- - 1.1.1 Spark部署模式
  - 1.1.2 常用端口
- 1.2 SparkCore
- - 1.2.1 RDD不可变和五大属性
  - 1.2.2 RDD的弹性
  - 1.2.3 cache和Checkpoint的区别
  - 1.2.4 算子
- 1.3 SparkSQL
- 1.4 内核
- - 1.4.1提交流程（YarnCluster）
  - 1.4.2 SortShuffle

1、Spark

1.1 Spark入门

1.1.1 Spark部署模式

1、Standalone模式：spark自己管理资源
2、yarn模式：yarn来管资源
- Client模式：Driver（线程）在client里
- Cluster模式：Driver（线程）在AM里
3、mesos模式：国外用的
4、k8s模式：未来趋势

1.1.2 常用端口

4040 运行时端口
7070 内部通讯端口
18080 历史服务器

1.2 SparkCore

1.2.1 RDD不可变和五大属性

五大属性：分区、分区器、计算逻辑、最优位置、血缘关系。

1.2.2 RDD的弹性

储存：内存和磁盘·
容错：cache、persist
计算：重试
位置：task、数据不在一起

1.2.3 cache和Checkpoint的区别

cache：不会切断血缘
Checkpoint：会切断血缘

1.2.4 算子

1、单value
map
fliter
flatMap
mapPartition：一次处理一个分区的数据
groupBy
repartition：扩大分区，一定会shuffle
coalesce：减少分区：不一定会shuffle

2、双Value
union
zip
交集
差集

3、k-v
groupby：重分区，shuffle，不做聚合
ReduceBy：重分区，shuffle，做预聚合
sortbykey
大部分xxxbykey的算子会导致shuffle

4、行动算子
foreach
take
collect
Reduce
first

5、血缘关系
宽依赖：有shuffle，一对多：父rdd的一个分区发往子rdd多个分区
窄依赖：没有shuffle，一对一，父rdd的一个分区发往子rdd的一个分区

6、Application划分
Application：SparkContext的数量
job：行动算子的数量
stage：宽依赖的数量+1
task：一个stage中task的数量=最后一个rdd的分区数量

7、共享变量
广播变量
累加器

1.3 SparkSQL

1、数据抽象
rdd
DataFrame
DataSet
2、hive on spark vs spark on hive
hive on spark：写 hivesql，解析、编译、优化都是 hive的，只有执行是spark
spark on hive：写sparksql，解析、编译、优化、执行都是spark的，只用到了hive的元数据

hive on spark的优点：图方便， hive on spark，写hivesql就行了，学习成本低，好维护

spark on hive的优点：更灵活， spark on hive，写sparksql，需要一定的spark代码功底

1.4 内核

1.4.1提交流程（YarnCluster）

在这里插入图片描述
1、先执行启动命令，然后会看到一个SparkSubmit进程，这个进程首先是解析参数、再创建YarnClusterApplication客户端，然后由客户端封装提交参数和命令，再向ResourceManager提交任务信息
2、由ResourceManager启动ApplicationMaster
3、AM根据参数，启动Driver线程并初始化SparkContext
4、向ResourceManager注册AM，申请资源
5、由ResourceManager向AM返回资源可用列表
6、启动launcherPool，利用RPC模块启动Executor
7、然后再向Driver注册Executor
8、Driver告知注册成功
9、创建Executor计算对象
10、再由Driver进行任务切分
11、再由Driver分配任务