spark计算引擎-架构和应用

news2024/9/28 12:38:32

一·Spark

定义：Spark 是一个开源的分布式计算系统，它提供了一个快速且通用的集群计算平台。Spark 被设计用来处理大规模数据集，并且支持多种数据处理任务，包括批处理、交互式查询、机器学习、图形处理和流处理。

核心架构：

1.Spark Core：这是 Spark 的基础组件，提供了基本的数据结构和分布式计算的原语。它包括了 Spark 的核心功能，如任务调度、内存管理、错误恢复（通过血统机制）等。

2. Spark Context：是用户与 Spark 交互的主要入口点。它负责初始化 Spark 应用程序，管理任务的调度和执行，以及与集群管理器的通信。

3. Cluster Manager：集群管理器负责在集群中的节点上分配资源。Spark 可以与多种集群管理器协同工作，包括 Hadoop YARN、Apache Mesos 和 Spark 自己的 Standalone 集群管理器。

4. Worker Node：工作节点是集群中的物理机或虚拟机，它们提供了执行计算任务所需的资源。

5. Executor：每个工作节点上运行一个或多个 Executor 进程，这些进程负责执行任务并缓存数据。

6. Task：任务是 Spark 中的最小执行单元，由 Executor 执行。一个作业（Job）会被拆分为多个阶段（Stage），每个阶段又包含多个任务。

7. DAG Scheduler：有向无环图（DAG）调度器负责将用户程序转换为一个由多个阶段组成的 DAG，然后根据依赖关系和集群资源情况将这些阶段拆分为任务。

8.RDD（Resilient Distributed Dataset）：弹性分布式数据集是 Spark 中最基本的数据抽象，代表不可变、分区的、能够在计算节点之间进行并行操作的数据集合。

9.Spark SQL：用于结构化数据处理，提供了 SQL 接口和对多种数据源的支持。

10. MLlib：机器学习库，提供了多种机器学习算法和工具

11. GraphX：图计算库，用于处理图数据结构和进行并行图计算。

12.Spark Streaming：用于实时数据流处理，可以将数据流分割成一系列连续的批次，然后使用 Spark 进行处理。

spark优点：

1. 速度快：Spark 通过内存计算优化了数据处理速度，比传统的磁盘存储计算框架如 Hadoop MapReduce 快很多。

2. 易于使用：Spark 提供了丰富的 API，支持多种编程语言，如 Scala、Java、Python 和 R。

3. 通用性：Spark 支持多种数据处理任务，可以用于批处理、流处理、机器学习等。

4. 可扩展性：Spark 可以在多种集群管理器上运行，如 Hadoop YARN、Apache Mesos 和 Kubernetes。

5. 兼容性：Spark 可以与 Hadoop 生态系统中的其他工具集成，如 HDFS、HBase 和 Flume。

6. 高容错性：Spark 提供了容错机制，能够在节点故障时自动重新计算丢失的数据。

二·Spark streaming实时数据流处理

Spark用于数据流处理的功能十分强大，尤其是在数据同步功能上。

Spark Streaming 是 Spark 生态系统中用于处理实时数据流的一个重要组件。它将输入数据分成小批次（micro-batch），然后利用 Spark 的批处理引擎进行处理，从而结合了批处理和流处理的优点。这种处理方式使得 Spark Streaming 既能够保持高吞吐量，又能够处理实时数据流。

特点：

1.实时数据处理：能够处理实时产生的数据流，如日志数据、传感器数据、社交媒体更新等。

2.微批次处理：将实时数据切分成小批次，每个批次的数据都可以使用 Spark 的批处理操作进行处理。

3.容错性：提供容错性，保证在节点故障时不会丢失数据，使用弹性分布式数据集(RDD)来保证数据的可靠性。

4.灵活性：支持多种数据源，包括 Kafka、Flume、HDFS、TCP 套接字等，适用于各种数据流输入。

5.高级 API：提供窗口操作、状态管理、连接到外部数据源等高级操作。

工作原理：

Spark Streaming 接收实时输入的数据流，并将其分成小批次，每个批次的数据都被转换成 Spark 的 RDD，然后利用 Spark 的批处理引擎进行处理。DStream 上的任何操作都转换为在底层 RDD 上的操作，这些底层 RDD 转换是由 Spark 引擎计算的。

应用场景包括：

- 实时监控和分析。

- 事件驱动的应用程序。

- 实时数据仓库更新。