大数据基础之Spark

Spark 是 2010 年由 UC Berkeley AMPLab 开源的一款基于内存的分布式计算框架，2013 年被Apache 基金会接管，是当前大数据领域最为活跃的开源项目之一(http://spark.apache.org/)。

Spark 在 MapReduce 计算框架的基础上，支持计算对象数据可以直接缓存到内存中，大大提高了整体计算效率。特别适合于数据挖掘与机器学习等需要反复迭代计算的场景。

高效：Spark提供 Cache 机制，支持需要反复迭代的计算或者多次数据共享，基于Spark 的内存计算比 Hadoop MapReduce 快100倍。

易用：Spark提供 20 多种数据集操作类型，并支持使用 Python 和 Scala 脚本开发应用。

先进架构：Spark采用 Scala 语言编写，基于 DAG 图的执行引擎，减少多次计算之间中间结果写到 HDFS 的开销。

Spark之上有四种应用工具库。

Spark Streaming: 用于流式计算。

MLlib：用于机器学习(聚类、协同过滤等)。

Spark SQL：用于处理结构化数据。

GraphX：用于图和图并行计算的API。

目前主要应用在广告精准投放系统、日志报表即时查询、以及推荐系统等业务场景。这些应用场景的共同特点是计算量大且效率要求高。

Spark有三种部署模式。

Standalone：使用Spark自带的集群管理器。

Spark on Mesos：使用 Mesos 管理资源。

Spark on YARN：使用 YARN 管理资源。

Spark重要组件包括 Driver Program(Driver) 和Executor。以 Standalone(Driver 运行在 Client)模式为例介绍任务执行流程。

1. 客户端运行用户程序，启动 Driver。

2. Driver将作业转换为DAG图(类似数据处理的流程图)，根据策略将DAG图划分为多个Stage，最终生成一系列最小可执行的Task。

3. Driver根据Task的需求，向Master申请运行Task所需的资源。

4. Master为Task调度分配满足需求的Worker节点，在Worker节点启动Exeuctor。

5. Exeuctor启动后向Driver注册。

6. Driver将Task调度到Exeuctor执行。

7. Executor执行结果写入文件或返回Driver。