Spark

Spark

概述

Apache Spark是用于大规模数据处理的统一分析计算引擎

Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量硬件之上，形成集群。

spark与Hadoop的区别

尽管Spark相对于Hadoop而言具有较大优势，但Spark并不能完全替代Hadoop，Spark主要用于替代Hadoop中的MapReduce计算模型。存储依然可以使用HDFS，但是中间结果可以存放在内存中；调度可以使用Spark内置的，也可以使用更成熟的调度系统YARN等

实际上，Spark已经很好地融入了Hadoop生态圈，并成为其中的重要一员，它可以借助于YARN实现资源调度管理，借助于HDFS实现分布式存储。

此外，Hadoop可以使用廉价的、异构的机器来做分布式存储与计算，但是，Spark对硬件的要求稍高一些，对内存与CPU有一定的要求。

特点

• 快

  与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。

• 易用

  Spark支持Java、Python、R和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。

• 通用

  Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询(Spark SQL)、实时流处理(Spark Streaming)、机器学习(Spark MLlib)和图计算(GraphX)。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。

• 兼容性

  Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。

运行模式

local本地模式(单机)

（开发测试使用）

分为local单线程和local-cluster多线程

standalone独立集群模式

（开发测试使用）

典型的Mater/slave模式

standalone-HA高可用模式

（生产环境使用）

基于standalone模式，使用zk搭建高可用，避免Master是有单点故障的

on yarn集群模式

（生产环境使用）

运行在 yarn 集群之上，由 yarn 负责资源管理，Spark 负责任务调度和计算，

好处：计算资源按需伸缩，集群利用率高，共享底层存储，避免数据跨集群迁移。

FIFO、Fair、Capacity

on mesos集群模式

（国内使用较少）

运行在 mesos 资源管理器框架之上，由 mesos 负责资源管理，Spark 负责任务调度和计算

on cloud集群模式

（中小公司未来会更多的使用云服务）

比如 AWS 的 EC2，使用这个模式能很方便的访问 Amazon的 S3

spark-submit

./bin/spark-submit \--class <main-class> \--master <master-url> \--deploy-mode <deploy-mode> \--conf <key>=<value> \... # other options<application-jar> \[application-arguments]

以下是一些常用的Spark-submit命令选项以及它们的含义：

• --class：应用程序入口点的类名，例如 org.apache.spark.examples.SparkPi。
• --master：集群的主节点URL，例如 spark://23.195.26.187:7077。
• --deploy-mode：决定驱动程序运行在哪里，可以是客户端或集群模式，默认为客户端模式 client。
• --conf：以key=value的格式指定 Spark 配置属性，如果值包含空格，需要将整个 ”key=value“ 用双引号引起来。多个配置应该作为单独的参数传递。 (e.g. --conf <key>=<value> --conf <key2>=<value2>)
• application-jar：包含应用程序和所有依赖项的打包 jar 文件的路径。这个 URL 必须在集群中全局可见，例如一个 hdfs:// 路径或者在所有节点上都存在的 file:// 路径。
• application-arguments：传递给主类 main 方法的参数列表。例如：arg1 arg2 arg3。

例如：

# Run application locally on 8 cores
./bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master local[8] \/path/to/examples.jar \100# Run on a Spark standalone cluster in client deploy mode
./bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master spark://207.184.161.138:7077 \--executor-memory 20G \--total-executor-cores 100 \/path/to/examples.jar \1000# Run on a Spark standalone cluster in cluster deploy mode with supervise
./bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master spark://207.184.161.138:7077 \--deploy-mode cluster \--supervise \--executor-memory 20G \--total-executor-cores 100 \/path/to/examples.jar \1000# Run on a YARN cluster in cluster deploy mode
export HADOOP_CONF_DIR=XXX
./bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master yarn \--deploy-mode cluster \--executor-memory 20G \--num-executors 50 \/path/to/examples.jar \1000# Run a Python application on a Spark standalone cluster
./bin/spark-submit \--master spark://207.184.161.138:7077 \examples/src/main/python/pi.py \1000

手写word count

使用RDD API

import org.apache.spark.{SparkConf, SparkContext}object WordCount {def main(args: Array[String]) {// 创建SparkConf和SparkContext对象val conf: SparkConf = new SparkConf().setAppName("WordCount")val sc: SparkContext = new SparkContext(conf)// 读取文件并进行Word Count//val textFile: RDD[String] = sc.textFile("input.txt")//val words: RDD[String] = textFile.flatMap((line: String) => line.split(" ")) // 将每行文本切分成单词//val pairs: RDD[(String, Int)] = words.map((word: String) => (word, 1)) // 转换成键值对//val counts: RDD[(String, Int)] = pairs.reduceByKey((a: Int, b: Int) => a + b) // 按照键进行聚合val counts = sc.textFile("input.txt").flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)// 输出结果到控制台并保存到文本文件counts.collect().foreach(println)counts.saveAsTextFile("output.txt")// 关闭SparkContextsc.stop()}
}

使用DataSet API、DataFrame API：

import org.apache.spark.sql.{Dataset, SparkSession}object WordCount {def main(args: Array[String]): Unit = {val spark: SparkSession = SparkSession.builder.appName("Word Count").getOrCreate()// 使用 DataFrame 进行 Word Countval df: Dataset[(String, Int)] = spark.read.textFile("input.txt").flatMap(_.split(" ")).groupBy("value").count().as[(String, Int)]df.show()df.write.csv("output_df")// 使用 DataSet 进行 Word Countval ds: Dataset[(String, Int)] = spark.read.textFile("input.txt").flatMap(_.split(" ")).groupByKey(_._1).reduceGroups((a, b) => (a._1, a._2 + b._2)).map(_._2)ds.show()ds.write.csv("output_ds")spark.stop()}
}

rdd是什么

RDD(Resilient Distributed Dataset)叫做弹性分布式数据集，是Spark中最基本的数据抽象，代表一个不可变、可分区、里面的元素可并行计算的集合。

• Dataset: 它是一个集合，可以存放很多元素

• Distributed ：它里面的元素是分布式存储的，可以用于分布式计算

• Resilient ：它是弹性的，RDD里面的中的数据可以保存在内存中或者磁盘里面

五大属性

一个RDD对象，包含如下5个核心属性。
  1）一个分区列表，每个分区里是RDD的部分数据（或称数据块）。
  2）一个依赖列表，存储依赖的其他RDD。
  3）一个名为compute的计算函数，用于计算RDD各分区的值。
  4）分区器（可选），用于键/值类型的RDD，比如某个RDD是按散列来分区。
  5）计算各分区时优先的位置列表（可选），比如从HDFS上的文件生成RDD时，RDD分区的位置优先选择数据所在的节点，这样可以避免数据移动带来的开销。

创建方式

//由一个已经存在的Scala集合创建
val data = Array(1, 2, 3, 4, 5)
val distData = sc.parallelize(data)//由外部存储系统的数据集创建
val distFile = sc.textFile("data.txt")
//distFile: org.apache.spark.rdd.RDD[String] = data.txt MapPartitionsRDD[10] at textFile at <console>:26

算子

• Transformation转换操作:返回一个新的RDD

• Action动作操作:返回值不是RDD(无返回值或返回其他的)

transformation算子

转换	含义
map(func)	返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成
filter(func)	返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成
flatMap(func)	类似于map，但是每一个输入元素可以被映射为0或多个输出元素(所以func应该返回一个序列，而不是单一元素)
mapPartitions(func)	类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]
mapPartitionsWithIndex(func)	类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U]
sample(withReplacement, fraction, seed)	根据fraction指定的比例对数据进行采样，可以选择是否使用随机数进行替换，seed用于指定随机数生成器种子
union(otherDataset)	对源RDD和参数RDD求并集后返回一个新的RDD
intersection(otherDataset)	对源RDD和参数RDD求交集后返回一个新的RDD
distinct([numTasks]))	对源RDD进行去重后返回一个新的RDD
groupByKey([numTasks])	在一个(K,V)的RDD上调用，返回一个(K, Iterator[V])的RDD
reduceByKey(func, [numTasks])	在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，与groupByKey类似，reduce任务的个数可以通过第二个可选的参数来设置
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks])	当对（K，V）对的数据集进行调用时，使用给定的组合函数和中性“零”值返回一个（K，U）对的数据集，其中每个键的值都被聚合。允许聚合值类型与输入值类型不同，同时避免不必要的分配。与groupByKey一样，通过可选的第二个参数来配置减少任务的数量。
sortByKey([ascending], [numTasks])	在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD
sortBy(func,[ascending], [numTasks])	与sortByKey类似，但是更灵活
join(otherDataset, [numTasks])	在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD
cogroup(otherDataset, [numTasks])	在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable,Iterable))类型的RDD
cartesian(otherDataset)	笛卡尔积
pipe(command, [envVars])	对rdd进行管道操作
coalesce(numPartitions)	减少 RDD 的分区数到指定值。在过滤大量数据之后，可以执行此操作
repartition(numPartitions)	重新给 RDD 分区

action算子

动作	含义
reduce(func)	通过func函数聚集RDD中的所有元素，这个功能必须是可交换且可并联的
collect()	在驱动程序中，以数组的形式返回数据集的所有元素
count()	返回RDD的元素个数
first()	返回RDD的第一个元素(类似于take(1))
take(n)	返回一个由数据集的前n个元素组成的数组
takeSample(withReplacement,num, [seed])	返回一个数组，该数组由从数据集中随机采样的num个元素组成，可以选择是否用随机数替换不足的部分，seed用于指定随机数生成器种子
takeOrdered(n, [ordering])	返回自然顺序或者自定义顺序的前 n 个元素
saveAsTextFile(path)	将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本
saveAsSequenceFile(path)	将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。
saveAsObjectFile(path)	将数据集的元素，以 Java 序列化的方式保存到指定的目录下
countByKey()	针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。
foreach(func)	在数据集的每一个元素上，运行函数func进行更新。
foreachPartition(func)	在数据集的每一个分区上，运行函数func

checkpoint

持久化/缓存可以把数据放在内存中，虽然是快速的，但是也是最不可靠的；也可以把数据放在磁盘上，也不是完全可靠的！例如磁盘会损坏等。

Checkpoint的产生就是为了更加可靠的数据持久化，在Checkpoint的时候一般把数据放在在HDFS上，这就天然的借助了HDFS天生的高容错、高可靠来实现数据最大程度上的安全，实现了RDD的容错和高可用。

具体用法：

sc.setCheckpointDir("hdfs://node01:8020/ckpdir") 
//设置检查点目录,会立即在HDFS上创建一个空目录
val rdd1 = sc.textFile("hdfs://node01:8020/wordcount/input/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
rdd1.checkpoint //对rdd1进行检查点保存
rdd1.collect //Action操作才会真正执行checkpoint
//后续如果要使用到rdd1可以从checkpoint中读取

持久化和Checkpoint的区别

• 位置

​ Persist 和 Cache 只能保存在本地的磁盘和内存中(或者堆外内存–实验中)。

​ Checkpoint 可以保存数据到 HDFS 这类可靠的存储上。

• 生命周期

​ Cache和Persist的RDD会在程序结束后会被清除或者手动调用unpersist方法。

​ Checkpoint的RDD在程序结束后依然存在，不会被删除。

• Lineage(血统、依赖链–其实就是依赖关系)

​ Persist和Cache，不会丢掉RDD间的依赖链/依赖关系，因为这种缓存是不可靠的，如果出现了一些错误(例如 Executor 宕机)，需要通过回溯依赖链重新计算出来。

​ Checkpoint会斩断依赖链，因为Checkpoint会把结果保存在HDFS这类存储中，更加的安全可靠，一般不需要回溯依赖链。

rdd的依赖关系

窄依赖：父RDD的一个分区只会被子RDD的一个分区依赖

宽依赖：父RDD的一个分区会被子RDD的多个分区依赖(涉及到shuffle)

作用

对于窄依赖：

• Spark可以并行计算；

• 如果有一个分区数据丢失，只需要从父RDD的对应1个分区重新计算即可，不需要重新计算整个任务，提高容错。

对于宽依赖：

• 是划分Stage的依据

DAG

DAG(Directed Acyclic Graph有向无环图)指的是数据转换执行的过程，有方向，无闭环(其实就是RDD执行的流程)

原始的RDD通过一系列的转换操作就形成了DAG有向无环图，任务执行时，可以按照DAG的描述，执行真正的计算(数据被操作的一个过程)。一个Spark应用中可以有一到多个DAG，取决于触发了多少次Action。

stage的划分

为什么要划分

​ 并行计算

​ 一个复杂的业务逻辑如果有shuffle，那么就意味着前面阶段产生结果后，才能执行下一个阶段，即下一个阶段的计算要依赖上一个阶段的数据。那么我们按照shuffle进行划分(也就是按照宽依赖就行划分)，就可以将一个DAG划分成多个Stage/阶段，在同一个Stage中，会有多个算子操作，可以形成一个pipeline流水线，流水线内的多个平行的分区可以并行执行。

如何划分

​ Spark会根据shuffle/宽依赖使用回溯算法来对DAG进行Stage划分，从后往前，遇到宽依赖就断开，遇到窄依赖就把当前的RDD加入到当前的stage/阶段中。

spark程序的运行流程

构建Spark Application运行环境

/

SparkContext向资源管理器注册

SparkContext向资源管理器申请运行Executor

资源管理器分配Executor

资源管理器启动Executor

Executor发送心跳至资源管理器

/

SparkContext构建成DAG图

将DAG图分解成Stage(TaskSet)

把Stage(TaskSet)发送给TaskScheduler

/

Executor向SparkContext申请Task

TaskScheduler将Task发放给Executor运行

/

Task在Executor上运行，运行完毕释放所有资源

DataFrame 和 DataSet

dataframe

DataFrame的前身是SchemaRDD，不再直接继承自RDD，而是自己实现了RDD的绝大多数功能。

DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库的二维表格，带有Schema元信息(可以理解为数据库的列名和类型)

dataSet

与DataFrame相比，保存了类型信息，是强类型的，提供了编译时类型检查。

DataSet包含了DataFrame的功能，DataFrame=DataSet[Row]，即DataSet的子集。

sparkStreaming

Spark Streaming是一个基于Spark Core之上的实时计算框架，可以从很多数据源消费数据并对数据进行实时的处理，具有高吞吐量和容错能力强等特点。

Spark Streaming 提供了一种称为离散流或DStream 的高级抽象，它表示连续的数据流。

在内部，一个 DStream 被表示为一个RDDs序列。

滑动窗口

整合kafka

Receiver接收方式

KafkaUtils.createDstream （不常用）

• Receiver作为常驻的Task运行在Executor等待数据，但是一个Receiver效率低，需要开启多个，再手动合并数据(union)，再进行处理，很麻烦
• Receiver那台机器挂了，可能会丢失数据，所以需要开启WAL(预写日志)保证数据安全，那么效率又会降低
• spark在消费的时候为了保证数据不丢也会在Checkpoint中存一份offset，可能会出现数据不一致

Direct直连方式

KafkaUtils.createDirectStream(开发中使用，要求掌握)

• Direct方式是直接连接kafka分区来获取数据，从每个分区直接读取数据大大提高了并行能力
• Direct方式调用Kafka低阶API(底层API)，offset自己存储和维护，默认由Spark维护在checkpoint中，消除了与zk不一致的情况
• 当然也可以自己手动维护，把offset存在mysql、redis中
• 所以基于Direct模式可以在开发中使用，且借助Direct模式的特点+手动操作可以保证数据的Exactly once 精准一次

import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark.streaming.kafka010._
import org.apache.spark.streaming.kafka010.LocationStrategies.PreferConsistent
import org.apache.spark.streaming.kafka010.ConsumerStrategies.Subscribeval kafkaParams = Map[String, Object]("bootstrap.servers" -> "localhost:9092,anotherhost:9092","key.deserializer" -> classOf[StringDeserializer],"value.deserializer" -> classOf[StringDeserializer],"group.id" -> "use_a_separate_group_id_for_each_stream","auto.offset.reset" -> "latest","enable.auto.commit" -> (false: java.lang.Boolean)
)val topics = Array("topicA", "topicB")
val stream = KafkaUtils.createDirectStream[String, String](streamingContext,PreferConsistent,Subscribe[String, String](topics, kafkaParams)
)stream.map(record => (record.key, record.value))

shuffle

HashShuffle

在Map阶段，Mapper任务会根据自己负责的数据块进行计算，并将结果写入磁盘中的本地文件；在Shuffle阶段，Reducer任务会通过网络将Mapper任务产生的partition文件拉取到自己的节点上，然后对相同key的结果进行合并，形成最终结果。

Sort Shuffle

在Map阶段将输出结果按照key排序，然后在Shuffle阶段只传输每个Reducer所需的数据，减少了数据复制和网络通信的开销。

Bypass机制

在Map Task中自行进行分区和排序，跳过Reducer阶段的shuffle处理，从而避免了大量的磁盘I/O和网络I/O操作。

Repartition 和 Coalesce

关系： 两者都是用来改变 RDD 的 partition 数量的，repartition 底层调用的就是 coalesce 方 法。

区别： repartition 一定会发生 shuffle，coalesce 根据传入的参数来判断是否发生 shuffle 。

​ 一般情况下增大 rdd 的 partition 数量使用 repartition，减少 partition 数量时使用 coalesce。

调优

基础调优

• 资源配置

  Spark应用程序的性能受到内存、CPU、磁盘I/O等因素的影响。应根据集群硬件配置的情况，合理分配每个执行器（Executor）的内存大小和CPU核数，避免过度分配或低效利用资源。

• 并行度设置

  并行度越高，Spark处理数据的速度就越快。可以通过调整RDD的分区数量、设置并发任务数和线程数等方式来增加并行度，同时要避免过度调整造成资源浪费。官方推荐，task数量应该设置为Spark作业总CPU core数量的2~3倍。

• 序列化选择

  可以使用Java序列化或Kryo序列化库。Kryo性能更好，但不支持所有的对象，spark默认是Java序列化。

• 缓存和checkpoint：

  缓存经常被读取和重用的数据可以有效提高性能，减少计算时间和网络带宽的消耗。在缓存数据时，应注意内存限制和缓存数据更新的策略。使用checkpoint的优点在于提高了Spark作业的可靠性，一旦缓存出现问题，不需要重新计算数据，缺点在于，checkpoint时需要将数据写入HDFS等文件系统，对性能的消耗较大。

• 广播变量

  避免某些占空间大的变量随副本在集群中复制。

算子调优

• 优化rdd计算逻辑流程，避免重复计算

• 尽早的filter

• filter+coalesce减少分区，因为filter后数据变少，资源浪费

• reducebykey本地预聚合

  groupByKey只有reduce端聚合

  reduceByKey可以map端预聚合

• foreachpartition

  rrd.foreache(_…)//_表示每一个元素

  rrd.forPartitions(_…)//_表示每个分区的数据组成的迭代器

  foreachPartition是将RDD的每个分区作为遍历对象，一次处理一个分区的数据，也就是说，如果涉及数据库的相关操作，一个分区的数据只需要创建一次数据库连接。

shuffle调优

• 调整map和reduce端缓冲区大小

• 调整reduce端重试次数和等待时间间隔

  数据较大或者网络不佳时，可以调大这两个参数

• bypass机制开启阈值

数据倾斜

• 提前过滤可能导致数据倾斜的key对应的数据
• 使用随机key
• 提高reduce并行度
• 使用map join，广播小RDD全量数据+map算子