Spark筆記整理（二）：RDD與spark核心概念名詞

[TOC]

Spark RDD

非?；镜恼f明，下面一張圖就能夠有基本的理解：

Spark RDD基本說明

1、Spark的核心概念是RDD (resilient distributed dataset，彈性分布式數(shù)據(jù)集)，指的是一個只讀的，可分區(qū)的分布式數(shù)據(jù)集，這個數(shù)據(jù)集的全部或部分可以緩存在內(nèi)存中，在多次計算間重用。

2、RDD在抽象上來說是一種元素集合，包含了數(shù)據(jù)。它是被分區(qū)的，分為多個分區(qū)，每個分區(qū)分布在集群中的不同Worker節(jié)點上，從而讓RDD中的數(shù)據(jù)可以被并行操作。（分布式數(shù)據(jù)集）

3、RDD通常通過Hadoop上的文件，即HDFS文件或者Hive表，來進行創(chuàng)建；有時也可以通過RDD的本地創(chuàng)建轉(zhuǎn)換而來。

4、傳統(tǒng)的MapReduce雖然具有自動容錯、平衡負(fù)載和可拓展性的優(yōu)點，但是其最大缺點是采用非循環(huán)式的數(shù)據(jù)流模型，使得在迭代計算式要進行大量的磁盤IO操作（每跑完一個Job，拿到其中間結(jié)果后，再跑下一個Job，聯(lián)想使用MR做數(shù)據(jù)清洗的案例）。RDD正是解決這一缺點的抽象方法。RDD最重要的特性就是，提供了容錯性，可以自動從節(jié)點失敗中恢復(fù)過來。即如果某個節(jié)點上的RDD partition，因為節(jié)點故障，導(dǎo)致數(shù)據(jù)丟了，那么RDD會自動通過自己的數(shù)據(jù)來源重新計算該partition。這一切對使用者是透明的。RDD的lineage特性（類似于族譜，像上面的圖，假如某個partition的數(shù)據(jù)丟失了，找到其父partition重新計算即可，我稱之為溯源）。

5、RDD的數(shù)據(jù)默認(rèn)情況下存放在內(nèi)存中的，但是在內(nèi)存資源不足時，Spark會自動將RDD數(shù)據(jù)寫入磁盤。（彈性）

RDD在Spark中的地位和作用

（1）為什么會有Spark？因為傳統(tǒng)的并行計算模型無法有效的解決迭代計算（iterative）和交互式計算（interactive）；而Spark的使命便是解決這兩個問題，這也是他存在的價值和理由。

（2）Spark如何解決迭代計算？其主要實現(xiàn)思想就是RDD，把所有計算的數(shù)據(jù)保存在分布式的內(nèi)存中。迭代計算通常情況下都是對同一個數(shù)據(jù)集做反復(fù)的迭代計算，數(shù)據(jù)在內(nèi)存中將大大提升IO操作。這也是Spark涉及的核心：內(nèi)存計算。（一行搞定wc：sc.textFile("./hello").flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).collect.foreach(println)，這就是典型的迭代計算了）

（3）Spark如何實現(xiàn)交互式計算？因為Spark是用scala語言實現(xiàn)的，Spark和scala能夠緊密的集成，所以Spark可以完美的運用scala的解釋器，使得其中的scala可以向操作本地集合對象一樣輕松操作分布式數(shù)據(jù)集。

（4）Spark和RDD的關(guān)系？可以理解為：RDD是一種具有容錯性基于內(nèi)存的集群計算抽象方法，Spark則是這個抽象方法的實現(xiàn)。

Spark常用核心模塊

1、核心模塊開發(fā)：離線批處理 Spark Core
2、實時計算：底層也是基于RDD Spark Streaming
3、Spark SQL/Hive：交互式分析
4、Spark Graphx：圖計算
5、Spark Mlib： 數(shù)據(jù)挖掘和機器學(xué)習(xí) 

核心概念名詞

大多數(shù)應(yīng)該都要實地寫過spark程序和提交任務(wù)到spark集群后才有更好的理解。

• ClusterManager：在Standalone模式中即為Master（主節(jié)點），控制整個集群，監(jiān)控Worker。在YARN模式中為資源管理器。
• Worker：從節(jié)點，負(fù)責(zé)控制計算節(jié)點，啟動Executor。在YARN模式中為NodeManager，負(fù)責(zé)計算節(jié)點的控制。
• Driver：運行Application的main()函數(shù)并創(chuàng)建SparkContext。
• Executor：執(zhí)行器，在worker node上執(zhí)行任務(wù)的組件、用于啟動線程池運行任務(wù)。每個Application擁有獨立的一組Executors。
• SparkContext：整個應(yīng)用的上下文，控制應(yīng)用的生命周期。
• RDD：Spark的基本計算單元，一組RDD可形成執(zhí)行的有向無環(huán)圖RDD Graph。
• DAG Scheduler：實現(xiàn)將Spark作業(yè)分解成一到多個Stage，每個Stage根據(jù)RDD的Partition個數(shù)決定Task的個數(shù)，然后生成相應(yīng)的Task set放到TaskScheduler中。
• TaskScheduler：將任務(wù)（Task）分發(fā)給Executor執(zhí)行。（所以Executor執(zhí)行的就是我們的代碼）
• Stage：一個Spark作業(yè)一般包含一到多個Stage。
• Task：一個Stage包含一到多個Task，通過多個Task實現(xiàn)并行運行的功能。
• Transformations：轉(zhuǎn)換(Transformations) (如：map, filter, groupBy, join等)，Transformations操作是Lazy的，也就是說從一個RDD轉(zhuǎn)換生成另一個RDD的操作不是馬上執(zhí)行，Spark在遇到Transformations操作時只會記錄需要這樣的操作，并不會去執(zhí)行，需要等到有Actions操作的時候才會真正啟動計算過程進行計算。（后面的wc例子就會有很好的說明）
• Actions：操作(Actions) (如：count, collect, save等)，Actions操作會返回結(jié)果或把RDD數(shù)據(jù)寫到存儲系統(tǒng)中。Actions是觸發(fā)Spark啟動計算的動因。
• SparkEnv：線程級別的上下文，存儲運行時的重要組件的引用。SparkEnv內(nèi)創(chuàng)建并包含如下一些重要組件的引用。
  • MapOutPutTracker：負(fù)責(zé)Shuffle元信息的存儲。
  • BroadcastManager：負(fù)責(zé)廣播變量的控制與元信息的存儲。
  • BlockManager：負(fù)責(zé)存儲管理、創(chuàng)建和查找塊。
  • MetricsSystem：監(jiān)控運行時性能指標(biāo)信息。
  • SparkConf：負(fù)責(zé)存儲配置信息。