Spark是基于内存计算的通用大规模数据处理框架。
Spark快的原因: Spark基于内存,尽可能的减少了中间结果写入磁盘和不必要的sort、shuffleSpark对于反复用到的数据进行了缓存Spark对于DAG进行了高度的优化,具体在于Spark划分了差异的stage和使用了延迟计算技术 弹性数据分布集RDD:
Spark将数据保存分布式内存中,对分布式内存的抽象理解,提供了一个高度受限的内存模型,他是逻辑上集中,物理上是存储再集群的多台机器上。
RDD的五大特点:
1.RDD是由一系列parition组成。对于RDD来说,每个分片都会被一个计算任务处理,并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数,如果没有指定,那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。
2.算子(函数)是作用在partition上的。Spark中RDD的计算是以分片为单位的,每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合,不需要保存每次计算的结果。
3.RDD之间有依赖关系。RDD的每次转换都会生成一个新的RDD,所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时,Spark可以通过这个依赖关系重新计算丢失的分区数据,而不是对RDD的所有分区进行重新计算。
4.分区器作用在K,V格式的RDD上。Spark中实现了两类型型的分片函数,一个是基于哈希的HashPartitioner,另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD,才会有Partitioner,非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量,也决定了parent RDD Shuffle输出时的分片数量。
5.parition提供数据最佳的计算位置,有利于数据处理的本地化。
对于一个HDFS文件来说,这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念,Spark在进行任务调度的时候,会尽可能地将计算任务分配到其所要处理数据块的存储位置。
RDD的窄依赖和宽依赖
窄依赖(一对一):没有数据的shuffling,所有的父RDD的partition会一一映射到子RDD的partition中
宽依赖(一对多):发生数据的shuffling,父RDD中的partition会根据key的差异进行切分,划分到子RDD中对应的partition中
Spark的执行流程
1.用户创建Spark程序并提交
2.每个action会生成一个job,包含了一系列的RDD和对其如何进行操作的transformation
3.每个job生成一个DAG(有向无环图)
4.DAGScheduler根据宽依赖对DAG进行划分stage并生成task组(一个stage对应一组task,一个partition对应一个task)
5.Spark集群在worker上以一组Task为单位进行执行计算
创建RDD方式:
1).使用程序中的集合创建rdd
2).使用本地文件系统创建rdd
3).使用hdfs创建rdd
4).基于数据库db创建rdd
5).基于Nosql创建rdd,如hbase
6).基于s3创建rdd
7).基于数据流,如socket创建rdd
Spark技术栈
1.HDFS YARN MR hive
2.Spark core
3.SparkSQL
4.SparkStreaming
Spark代码流程:
1.创建Conf val conf=new SparkConf().setMaster(
如果你对以下车友回答满意,请设置一个推荐答案!
|