开发笔记-大数据技术栈-spark基础

 Spark是一个快速、通用、可扩展的大数据分析引擎，是集批处理、实时流处理、交互式查询、机器学习与图计算为一体的大数据开源项目。

 一、对比MapReduce

1.Hadoop中的job处理流程：

》从hdfs读取数据

》 在map阶段，执行mapper function,然后split到磁盘

》在reduce阶段，从各个map执行机器的中间结果，执行reduce function，最后再将结果输出到hdfs；

实际场景中，复杂任务需要拆分成多个的hadoop job，而每个job又可能涉及多次磁盘IO，所以复杂海量数据的场景下hadoop就比较法力。

2.Spark可以在内存中存储输入数据、中间结果、最终数据，在复杂递归场景中，Spark上一个job结果可以马上被下一个job使用，带来了非常大的性能提升。

二、RDD

1.Resilient Distributed Datasets, 弹性分布式式数据集，并行、容错，可以使用Transform操作或读取外部数据集创建；

2.RDD操作

操作分类：Transformation/Actions

Transformation: 懒操作算子，不触发计算

map,flatMap,filter,mappartitions,mappartitionsWithIndex,union,intersection,subtract,distinct,groupByKey,reduceByKey,aggregateByKey,sortNyKey,join,cartesian,coalesce;

Actions: 真正的执行操作，触发计算

reduce,collect,count,first,take,takeOrdered,top,saveAsTextFile,countByKey,foreach;

三、DAG

1.依赖关系

RDD的转换和动作会生成RDD之间的依赖关系，这样的计算链依赖关系就形成了逻辑上的DAG；

RDD和它依赖的RDD的关系有两种不同的类型，窄依赖和宽依赖；

窄依赖：将partition数据根据规则进行转化，只是将数据从一个形式转换到另一个形式。窄依赖不会引入昂贵的shuffle，可以执行流水线优化将多个窄依赖整合后连续执行；

宽依赖：子partition是父RDD所有partition Shuffle的结果；

Shuffle：将数据汇总后重新分发的过程，汇总过程数据量可能会很大，则引起数据落磁盘操作，会降低性能；

2.Stage的划分

DAG可以认为是RDD之间形成的血缘关系(Lineage)，借助Lineage，可以保证RDD在被计算前，父级RDD已经完成了计算，同时也实现了容错性，可以在计算结果丢失时，重新计算；

Spark执行是以Job为基本单位，会根据job的依赖关系，将DAG划分为不同的Stage。Stage划分会以Action为基准，向前回溯，遇到宽依赖，就形成一个Stage；

四、Spark图示

1.架构图示

 2.DAG图示

 3.scheduler图示

 4.任务调度图示