Spark(林子雨慕课课程)

news2024/12/23 5:30:02

文章目录

      • 10. Spark
        • 10.1 Spark简介
          • 10.1.1 Spark简介
          • 10.1.2 Spark和Hadoop的对比
        • 10.2 Spark生态系统
        • 10.3 Spark运行架构
          • 10.3.1 基本概念和架构设计
        • 10.3.2 Spark运行基本流程
          • 10.3.3 RDD概念
          • 10.3.4 RDD特性
          • 10.3.5 RDD的依赖关系和运行过程
        • 10.4 Spark SQL
        • 10.5 Spark的部署和应用方式
        • 10.6 Spark安装和编程实践
          • 10.6.1 安装Spark
          • 10.6.2 Spark RDD基本操作
          • 10.6.3 使用Maven编译打包Java程序
          • 10.6.4 使用sbt编译打包Scala程序

10. Spark

10.1 Spark简介
10.1.1 Spark简介
  • Spark最初由美国加州伯克利大学 ( UC Berkeley )的AMP实验室于2009年开发,是基于内存计算的大数据并行计算框架,可用于构建大型的、低延迟的数据分析应用程序

  • 2013年Spark加入Apache孵化器项目后发展迅猛,如今己成为Apache软件基金会最重要的三大分布式计算系统开源项目之一 ( Hadoop、Spark、 Storm )
    image-20231011165855576

    • 运行速度快:使用DAG执行引擎以支持循环数据流与内存计算
    • 容易使用:支持使用Scala、Java、Python和R语言进行编程、可以通过Spark Shell进行交互式编译
    • 通用性:Spark提供了完整而强大的技术栈,包括SQL查询、流式计算、机器学习和图算法组件
    • 运行模式多样:可运行于独立的集群模式中,可运行于Hadoop中,也可运行于Amazon EC2等云环境中,并且可以访问HDFS、Cassandra、HBase、Hive等多种数据源
  • Spark的发展趋势

    image-20231011170336472

  • Scala是一门现代的多范式编程语言

    • Spark是由Scala编写的,运行于Java平台(JVM、Java虚拟机),并兼容现有的Java程序
    • Scala具备强大的并发性,支持函数式编程,可以更好地支持分布式系统
    • Scala语法简洁,能提供优雅的API
    • Scala兼容Java,运行速度快,且能融合到Hadoop生态圈中

    注意:虽然Scala是Spark的主要编程语言,但Spark还支持Java、Python、R作为编程语言

    Scala的优势是提供了REPL(Read-Eval-Print Loop,交互式解释器),提高程序开发效率

10.1.2 Spark和Hadoop的对比
  • Hadoop的缺点

    • 表达能力有限:并不是所有的任务都能用MapReduce去解决

    • 磁盘IO开销大:所有中间结果需要写到HDFS中去

    • 延迟高

    • 任务之间的衔接涉及IO开销

    • 在前一个任务执行完成之前,其他任务久无法开始,难以胜任复杂、多阶段的计算任务

  • Spark相比于MapReduce的优点

    • Spark的计算模式也属于MapReduce,但不局限于Map和Reduce操作,还提供了多种数据集操作类型,编程模型比Hadoop MapReduce更灵活
    • Spark提供了内存计算,可将中间结果放到内存中,对于迭代运算效率更高
    • Spark基于DAG的任务调度执行机制,要优于Hadoop MapReduce的迭代执行机制
  • Hadoop与Spark的执行流程对比

    • Hadoop每次都是从磁盘读取数据,完成迭代计算,再写入磁盘,如此往复
    • Spark从磁盘中读取完数据就放在内存,迭代的结果仍然保存在内存中

    image-20231011171805190

  • Hadoop与Spark执行逻辑回归的时间对比

    image-20231011172036728

10.2 Spark生态系统
  • 大数据处理主要包括以下三个场景类型

    • 复杂的批量数据处理:通常跨度在数十分钟到数小时之间
    • 基于历史数据的交互式查询:通常时间跨度在数十秒到数分钟之间
    • 基于实时数据流的数据处理:通常时间跨度在数百毫秒到数秒之间
  • 当同时存在以上三种场景时,就需要同时部署三种不同的软件

    image-20231011172630287

    • 同时部署不同软件问题?
      • 不同场景之间输入输出数据无法做到无缝共享,通常需要进行数据格式的转换
      • 不同软件需要不同的开发和维护团队,带来了较高的使用成本
      • 比较难以对同一个集群中的各个系统进行统一的资源协调和分配
  • Spark设计:遵循“一个软件栈满足不同应用场景”的理念,逐渐形成了一套完整的生态系统

    • 既能够提供内存计算框架

    • 也可以支持SQL即时查询、实时流式计算、机器学习和图计算等

      image-20231011173204057

    • Spark可以部署在资源管理器YARN之上,提供一站式的大数据解决方案

    • Spark所提供的生态系统足以应对上述三种场景,即同时支持批处理、交互式查询和流数据处理

    • Spark生态系统已经成为伯克利数据分析软件栈BDAS(Berkeley Data Analytics Stack)的重要组成部分

      image-20231011173439595

  • Spark生态系统

    image-20231011173606352

  • Spark生态系统组件的应用场景

    image-20231011173659426

10.3 Spark运行架构
10.3.1 基本概念和架构设计
  • 基本概念

    • RDD:是Resillient Distributed Dataset(弹性分布式数据集)的简称,是分布式内存的一个抽象概念,提供了一种高度受限的共享内存模型

    • DAG:是Directed Acyalic Graph(有向无环图)的简称,反映RDD之问的依赖关系

    • Executor:是运行在工作节点 (WorkerNode)的一个进程,负责运行Task

    • Application:用户编写的Spark应用程序

    • Task:运行在Executor 上的工作单元

    • Job:一个Job包含多个RDD及作用于相应RDD上的各种操作

    • Stage:是Job的基本调度单位,一个Job会分为多组Task,每组Task被称为Stage, 或者也被称为TaskSet,代表了一组关联的、相互之问没有

      Shuffle依赖关系的任务组成的任务集

  • Spark运行架构

    • Cluster Manager:集群资源管理器,负责对集群资源的分配和调度

      image-20231011174632802

  • Spark架构设计

    • 与Hadoop MapReduce计算框架相比,Spark所采用的Executor有两个优点
      • Executor是利用多线程的方式来执行具体的Task任务,减少任务的启动开销,MapReduce是以进程的方式启动
      • Executor中有一个BlockManager存储模块,会将内存和磁盘共同作为存储设备,有效减少IO开销
  • Spark中各种概念之间的相互关系

    image-20231011175143365

  • Spark执行Application过程

    image-20231011175251564

10.3.2 Spark运行基本流程
  • Spark运行基本流程

      1. 注册并申请资源

      image-20231011175353857

    • 2.为Executor分配资源

      • Executor启动之后,会不断的向资源管理器汇报资源的使用情况

      image-20231011175459942

    • 3.注册并申请Task

      image-20231011175725649

    • 4.反馈结果并注销

      image-20231011175753848

  • Spark运行架构特点

    • 每个Application都有自己专属的Executor进程,井且该进程在Application运行期间一直驻留。Executor进程以多线程的方式运行Task。
    • Spark运行过程与资源管理器无关,只要能够获取Executor进程井保持通信即可
    • Task采用了数据本地性和推测执行等优化机制
      • 数据本地性:计算向数据靠拢,Task靠近数据所在地方运行
      • 推测执行:假设运行Task节点的数据节点已经有其他Task任务运行,并且占据资源;它会自动推测是继续等到上个Task释放资源,还是数据移动到其他数据节点所消耗的时间更少
10.3.3 RDD概念
  • 设计背景

    image-20231011190733631

    • RDD就是为了满足这种需求而出现的,它提供了一个抽象的数据结构
    • 我们不必担心底层数据的分布式特性、只需要将具体的应用逻辑表达为一系列转换处理
    • 不同RDD之间的转换操作形成依赖关系,可以实现管道化,避免中间数据存储
  • RDD概念

    • 一个RDD就是一个分布式对象集合,本质上是一个只读的分布记录集合,每个RDD可分成多个分区,每个分区就是一个数据集片段,并且一个RDD的不同分区可以保存到集群中不同节点上,从而可以在集群中的不同节点上进行并行计算

    • RDD提供了一种高度受限的共享内存模型,即RDD是只读的记录分区的集合,不能直接修改,只能基于稳定的物理存储中的数据集创建RDD,或者通过在其他RDD上执行确定的转换操作(如map、join、和group by)而创建得到新的RDD

      image-20231011192327476

    • RDD的典型执行过程如下

      image-20231011192456755

    • RDD执行过程实例

      • RDD最后一步Action操作才会生成具体结果

        image-20231011193008202

        优点:惰性调用、管道化、避免同步等待、不需要保存中间结果、每次操作变得简单

10.3.4 RDD特性
  • Spark采用RDD以后能够实现高效计算的原因

    • 现有容错机制:数据复制或者记录日志;在数据密集型任务中,采用这种方式进行容错的代价昂贵

    • RDD:血缘关系、重新计算丢失分区、无需回滚系统、重算过程在不同节点之间并行、只计算粗粒度的操作,具有高效的容错性

      • RDD执行构成有向无环图,若是某个RDD出故障,只需要从它的父RDD重新计算恢复即可

        image-20231011193522558

      • 中间结果持久化到内存,数据在内存中的多个RDD操作之间进行传递,避免了不必要的读写磁盘开销

      • 存放的数据可以是Java对象,避免了不必要的对象序列化和反序列化

10.3.5 RDD的依赖关系和运行过程
  • RDD之间的依赖关系(宽依赖、窄依赖)是划分Stage的依据

    • 窄依赖:表现为一个父RDD的分区对应于一个子RDD的分区,或者多个父RDD的分区对应于一个子RDD的分区

    image-20231011194501237

    • 宽依赖:表现为存在一个父RDD的一个分区对应一个子RDD的多个分区

      image-20231011194629193

  • Stage的划分:Spark通过分析各个RDD的依赖关系生成DAG,再通过分析各个RDD中的分区之间的依赖关系来决定如何划分Stage

    • 具体划分方法:

      • 在DAG中进行反向解析,遇到宽依赖就断开
      • 遇到窄依赖就把当前的RDD加入到Stage中
      • 将窄依赖尽量划分在同一个Stage中,可以实现流水线计算,从而使得数据可以直接在内存中进行交换,避免了磁盘IO开销
    • Stage划分举例:

      image-20231011195317057

    • Stage类型:

      • ShuffleMapStage
        • 他不是最终的Stage,在它之后还有其他Stage,所以,它的输出一定需要经过Shffle过程,并作为后续Stage的输入
        • 这种Stage是以Shuffle为输出边界,其输入边界可以是从外部获取数据,也可以是另一个ShuffleMapStage的输出,其输出可以是另一个Stage的开始
        • 在一个Job里可以包含该类型的Stage,也可能没有该类型的Stage
      • ResultStage
        • 最终的Stage,没有输出,而是直接产生结果或存储
        • 这种Stage是直接输出结果,其输入边界可以是从外部获取数据,也可以是另外一个ShuffleMapStage的输出
        • 在一个Job里必定有该类型的Stage
        • 因此,一个Job含有一个或者多个Stage,其中至少含有一个ResultStage
  • RDD运行过程:

    image-20231011200044270

10.4 Spark SQL
  • Shark(Hive on Spark)
    image-20231011200213509

  • 其执行步骤只在生成执行计划时有区别,其可能带来的问题:

    • 执行计划优化完全依赖于Hive,不方便添加新的优化策略

    • Spark是线程级的并行,而MapReduce是进程级并行,因此Spark在兼容Hive的实现上存在线程安全问题,导致Shark不得不使用另外一套独立维护的打了补丁的Hive源码分支

      image-20231011200534948

      因此Shark被停止开发

  • Spark SQL架构

    image-20231011200624649

    • Spark SQL在Hive兼容层面仅依赖HiveQL解析、Hive元数据。即从HQL被解析成抽象语法树(AST)起,就全部由Spark SQL接管了。Spark SQL执行计划生成和优化都由Catalyst(函数式关系查询优化框架)负责
    • Spark SQL增加了SchemaRDD(即带有Schema信息的RDD),使用户可以在Spark SQL中执行SQL语句
      • 它允许在SchemaRDD中封装多种数据源数据:Hive、HDFS、Cassandra、JSON
  • Spark SQL目前支持Scala、Java、Python三种语言、支持SQL-92规范

    image-20231011201246870

10.5 Spark的部署和应用方式
  • Spark三种部署方式

    • Standalone:类似于MapReduce1.0,slot为资源分配单位

    • Spark on Mesos:Mesos也是一个资源管理框架,它和Spark有一定的亲缘关系

    • Spark on Yarn:

      image-20231011201540786

  • 企业部署大数据分析平台的案例

    • 这个架构部署较为繁琐

    image-20231011201606267

    • 而用Spark架构可以同时满足批处理和流处理需求:

      image-20231011201804765

      注意,Spark Streaming无法实现毫秒级别的流计算,因此,对于需要毫秒级别实时响应的企业应用而言,仍然需要采用流计算框架(如Storm)

    • 用Spark架构的优点:

      • 实现一键式安装和配置、线程级别的任务监控和告警
      • 降低硬件集群、软件维护、任务监控和应用开发难度
      • 便于做成统一的硬件、计算平台资源池
  • 企业采用Hadoop和Spark统一部署的原因

    • 由于Hadoop生态系统中的一些组件所实现的功能,目前还是无法由Spark取代

    • 现有的Hadoop组件开发的应用,完全转移到Spark上需要一定的成本

      image-20231011202349464

    • 不同的计算框架统一运行在YARN中,可以带来如下好处

      • 计算资源按需伸缩
      • 不同负载应用混搭,集群利用率高
      • 共享底层存储(HDFS),避免数据跨集群迁移
10.6 Spark安装和编程实践
10.6.1 安装Spark

见:Spark安装和编程实践(Spark3.4.0)_厦大数据库实验室博客 (xmu.edu.cn)

10.6.2 Spark RDD基本操作

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1083561.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

video_topic

使用qt5,ffmpeg6.0,opencv,os2来实现。qt并非必要,只是用惯了。 步骤是: 1.读取rtsp码流,转换成mat图像 2.发送ros::mat图像 项目结构如下: videoplayer.h #ifndef VIDEOPLAYER_H #define VIDEOPLAYER_H#include …

【node】nodemailer配置163、qq等邮件服务指南

上一章 【node】发送邮件及附件简要使用说明 邮箱配置 参数配置参考如下: let transporter nodemailer.createTransport({host: smtp.qq.com,port: 465,secure: true,auth: {user: **********,pass: your-password} });邮箱服务提供商的要求,配置SM…

应用商店优化的好处有哪些?

应用程序优化优势包括应用在商店的可见性和曝光度,高质量和被相关用户的更好发现,增加的应用下载量,降低用户获取成本和持续增长,增加应用收入和转化率以及全球受众范围。 1、提高知名度并在应用商店中脱颖而出。 如果用户找不到…

麒麟操作系统提示“默认密钥环已上锁”的解决办法

在国产麒麟操作系统上,有的时候不知道为啥,打开vscode或者其他应用软件时,总是提示“密钥环已上锁”,该怎么处理呢? 需要点击“开始”,在搜索框中输入“password” 点击打开“密码和密钥”,看到如下图。 然后点击左上角的箭头,回退,打开如下图:

HTTP协议是什么

HTTP (全称为 “超文本传输协议”) 是一种应用非常广泛的 应用层协议,是一种网络通信协议。 超文本:所谓 “超文本” 的含义, 就是传输的内容不仅仅是文本(比如 html, css 这个就是文本), 还可以是一些其他的资源, 比如图片, 视频, 音频等二进制的数据。…

软件工程第六周

软件体系结构概述 体系结构:一种思想,而框架就是思想的实现,设计模式就是根据某一特殊问题实现的框架。 体系结构:体系结构是软件系统的高级结构。它定义了系统的主要组成部分,以及这些部分之间的关系和交互方式。 框…

压缩包格式可以转换吗?如何转换?

不知道大家会不会遇到需要转换压缩包格式的问题?如果需要转换压缩包格式,除了将文件解压出来之后,重新压缩以外,还有其他方法,今天将方法分享个大家: 工具:WinRAR 打开WinRAR,选中…

《Unity Shader 入门精要》笔记07

透明效果 为什么渲染顺序很重要Unity Shader的渲染顺序透明度测试透明度混合开启深度写入的半透明效果ShaderLab 的混合命令混合等式和参数混合操作常见的混合类型 双面渲染的透明效果透明度测试的双面渲染透明度混合的双面渲染 Unity中通常使用两种方法来实现透明效果&#xf…

华为云云耀云服务器L实例评测|使用redis事务和lua脚本

文章目录 云服务器的类型云服务优点redis一,关系型数据库(sqlserver,mysql,oracle)的事务隔离机制说明:redis事务机制 lualua脚本好处:一,怎么在redis中使用lua脚本二,脚…

vue3前端开发系列 - 项目框架搭建篇

文章目录 1. 项目初始化1.1 项目目录结构1.2 相关组件列表1.3 创建项目 2. 重置样式表3.设置路径别名4. 设置环境变量5.状态存储(Pinia)5.1 安装插件5.2 配置5.3 用户信息案例5.3.1 状态存储设置5.3.2 使用用户信息 6. 路由设置(Router)6.1 安装路由插件6.2 配置路由 7. 安装el…

光耦合器继电器与传统继电器:哪种最适合您的项目?

在电子和电气工程领域,继电器的选择可以显着影响项目的性能和安全性。两种常见类型的继电器是光耦合器继电器和传统机电继电器。每个都有其优点和缺点,因此选择过程对于项目的成功结果至关重要。 光耦合器继电器:基础知识 光耦合器继电器&…

亚运之后,AI如何实现保障普通人的运动安全?

刚刚结束的2023年杭州亚运会带动了一波全民运动热潮。481个运动项目中,篮球、游泳、羽毛球、滑板等运动项目早已融入到普通人的日常生活中,这些运动不仅可以帮助人们增强身体素质,还可以提高心理健康水平,减轻压力和焦虑&#xff…

MacOS Pro笔记本硬盘升级纪实

背景 MacPro 2015 mid的苹果本,忽然心血来潮想升级一下SSD。三个步骤:做启动盘,时间机器备份,插新的SSD盘恢复。 过程 下载MacOS,macOS Monterey 12.7官方原版镜像: https://swcdn.apple.com/content/do…

【产品】智能结构仿真软件AIFEM 2023R2新版本功能介绍

AIFEM是由天洑自主研发的一款通用的智能结构仿真软件,助力用户解决固体结构相关的静力学、动力学、振动、热力学等实际工程问题,软件提供高效的前后处理工具和高精度的有限元求解器,帮助用户快速、深入地评估结构的力学性能,加速产…

mysql case when 不命中缓存

case when 在sql 中非常方便数据不同维度统计,但是也会出现mysql 索引不命中问题,当多个case 出现时,需要提取出来到where里面优化 优化后 SELECT date(RecordTime) AS date, count( DISTINCT CASE WHEN Param 1 …

Java基于SpringBoot+Vue的考研资讯平台

1 简介 大家好,我是程序员徐师兄,今天为大家带来的是Java基于SpringBootVue的考研资讯平台 Java基于SpringBoot的考研资讯平台,在系统当中学生可以根据不同的信息来实现该网站的考研资讯平台信息的管理。 系统主要分为前台和后台。主要包括…

linux之cpu模拟负载程序

工作中我们经常会遇到这样的问题,需要模拟cpu的负载程序,例如模拟cpu占有率抬升10%、20%、50%、70%等,那这样的程序应该如何实现呢?它的原理是什么样的呢? 思想 创建一个应用程序,该应用程序的作用可以根…

如何实现制造业信息化转型?

一、制造业信息化历史 (1)1930年代 库存控制、管理 当时计算机系统尚未出现,人们为了解决库存管控的难题,提出了订货点法——当库存量降低到某一预先设定的点时,即开始发出订货单补充库存,直至库存量降低…

git删除文件

qt中点击删除文件后,不要从git版本控制中删除此文件 git rm test.txt 然后git add,git commit-m""

PLSQL下载并安装

官方下载连接:https://www.allroundautomations.com/registered-plsqldev/ 我们这边下载12.0.7版本 别忘了一起下载中文安装包 下载完全部安装一下 产品编号Product Code: kfj6yg6rfyhqcha6cbgs6fsw3kyje7a6qr 序列号Serial Number: 276182 口令Password: xs374c…