Spark简明笔记

一、Spark结构

1542185452899.png

• 使用java、scala、python任意一种语言编写的Spark应用叫Driver

• Driver程序一般负责初始SparkContext，然后通过SparkContext与整个集群通信，进行分布式计算，比如通过SparkContext创建RDD。鉴于Driver行驶的地位，其角色上有可叫central coordinator

• SparkContext与集群通信的方式

1. 第一步先通过Cluster Manager申请计算资源Executor

2. 第二步，SparkContext与Executor直接通信，将分布式计算程序发送到每个Executor

3. 第三步，SparkContext发送当前要执行的计算Task给Executor执行

Worker　Node是Spark集群中的某个具体节点，也叫slave

Executor是在Worker Node上开的一个应用执行器，他会在worknode上起一个JVM, 他可以执行多个Task, Executor是应用隔离的。也即一个Executor只能属于某一个Spark应用，这样Spark集群才能同时服务多个Spark应用，互不干扰。

Executor有点像Java中的工作线程一样，可以执行SparkContext发来的多个任务。不同的是Executor是一个独立的JVM进程

Cluster Manager是有多种类型，可以是Spark自带的Standalone 集群，也可以是YARN或Mesos集群

二、如何部署Spark程序

以scala为例，我们通过IDE编写Spark应用后，将其打包成jar包，然后使用spark-submit程序进行部署

 ./bin/spark-submit \
  --class <main-class> \
  --master <master-url> \
  --deploy-mode <deploy-mode> \
  --conf <key>=<value> \
  ... # other options
  <application-jar> \
  [application-arguments]

• --class: 应用的主方法入口

• --master: cluster manager集群地址，可以是local,也可以是yarn或mesos，或者spark自带的standalone 地址

• --deploy-mode: Whether to deploy your driver on the worker nodes (cluster) or locally as an external client (client) (default: client)

• --conf: Arbitrary Spark configuration property in key=value format. For values that contain spaces wrap “key=value” in quotes (as shown).

• application-jar: Path to a bundled jar including your application and all dependencies. The URL must be globally visible inside of your cluster, for instance, an hdfs:// path or a file:// path that is present on all nodes.

• application-arguments: Arguments passed to the main method of your main class, if any

2.1 上述master参数可配置的值如下

1542188212665.png

2.2 Spark配置优先级

优先级从高到低依次是：

• 直接在代码中通过SparkConf控制，比如指定cluster manager的master参数，可以在代码中配置

  val conf = new SparkConf().setAppName("WordCount").setMaster("local");

• 在命令中指定，比如：

  ./bin/spark-submit
  --class org.apache.spark.examples.SparkPi
  --master yarn
  --deploy-mode cluster \  # can be client for client mode
  --executor-memory 20G
  --num-executors 50
  /path/to/examples.jar
  1000

• 在spark的安装目录下，通过spark-defaults.conf配置。

三、RDD

RDD是一个统一分布式数据抽象数据集。其下对应实际的数据存储介质，可能是文件，也可以是hadoop。通过RDD可以进行tranformation和action操作，从而实现分布式计算。

3.1 关键数据结构

一个RDD具有以下固定的数据结构

• 需要应用的计算操作，也即transformation

• 当前RDD对应的分区列表。因为数据是分区存储的

• 当前RDD依赖的父数据集。每个RDD都维护一个其依赖关系，这就构成了一个亲缘图谱叫做DAG(Directed Acyclic Graph)，中文称作有向无环图。

总结来说，一个RDD的关键信息无非是，定义了数据来源，数据分布存储的情况，以及准备执行的计算逻辑。通过这些新，我们可以构建一个图，图的两个vertex分别是RDD，edge为computation

  private[spark] def conf = sc.conf  // =======================================================================
  // Methods that should be implemented by subclasses of RDD
  // =======================================================================

  /**
   * :: DeveloperApi ::
   * Implemented by subclasses to compute a given partition.
   */
  @DeveloperApi
  def compute(split: Partition, context: TaskContext): Iterator[T]//当前RDD需要执行的计算

  /**
   * Implemented by subclasses to return the set of partitions in this RDD. This method will only
   * be called once, so it is safe to implement a time-consuming computation in it.
   *
   * The partitions in this array must satisfy the following property:
   *   `rdd.partitions.zipWithIndex.forall { case (partition, index) => partition.index == index }`
   */
  protected def getPartitions: Array[Partition]//当前RDD对应的分区

  /**
   * Implemented by subclasses to return how this RDD depends on parent RDDs. This method will only
   * be called once, so it is safe to implement a time-consuming computation in it.
   */
  protected def getDependencies: Seq[Dependency[_]] = deps//当前RDD依赖的父亲数据集

  /**
   * Optionally overridden by subclasses to specify placement preferences.
   */
  protected def getPreferredLocations(split: Partition): Seq[String] = Nil  /** Optionally overridden by subclasses to specify how they are partitioned. */
  @transient val partitioner: Option[Partitioner] = None  // =======================================================================
  // Methods and fields available on all RDDs
  // =======================================================================

  /** The SparkContext that created this RDD. */
  def sparkContext: SparkContext = sc  /** A unique ID for this RDD (within its SparkContext). */
  val id: Int = sc.newRddId()  /** A friendly name for this RDD */
  @transient var name: String = null　//当前RDD的名称

3.2 RDD 特点

• 分布式

• 不可变性，一个RDD生成后，就不可变，所有Transformation操作，都是在原RDD基础上生成新的RDD。

• 自动容错特性，Spark RDD记录了数据谱系信息(Data lineage)，也即check point。这样在某步失败后，可以直接重试那一步，而不用所有计算过程重来。谱系信息记录了，输入的数据，以及处理函数。由于RDD的不可变特性，以及处理函数的幂等性，使得整个重试不会有side effect。依然能保持计算的一致性

• 没有性能优化　DataFrame会根据用户的sql，自动做性能优化。而RDD要求用户自己组织transformation atcion代码，可能用户组织的不合理，会导致数据频繁在集群间移动

• 没有结构化信息　DataFrame有字段的名称，类型等信息，但RDD没有

• Lazy Comuting.只有action时，前面所有的transformation动作才会执行。这节约了空间和时间。试想，如果每个transformation都单独执行一次，那每一次的计算调度都有时间成本，以及中间结果的存储成本

四、Spark的计算流程

• driver创建RDD

• RDD通过SparkContext的runJob方法，提交一次数据计算

• SparkContext最终又交由DAGScheduler的runJob进行计算job执行

• DAGScheduler使用handleJobSubmitted方法处理job,第一步是根据RDD中的DAG构建Stage列表。不涉及数据移动的transformation会被放到一个stage里面，比如filter和map操作，他们可以并行的在各分区中执行。第二步通过submitStage提交Stage到集群

• DAGScheduler　submitStage再调用submitMissingTasks方法。submitMissingTasks会将stage转化成task

• task最后通过TaskScheduler提交到spark集群的worknode,进行实际执行

1542623572371.png

五、RDD Transformation

将RDD进行一系列变换，生成新的RDD的过程，叫做Transformation。所有那些可以就地计算，而不需要数据迁移的transformation叫做Narrow Transformation。

5.1 transformation大概源码

以map操作为例

  def map[U: ClassTag](f: T => U): RDD[U] = withScope {
    val cleanF = sc.clean(f)    //将传进来的函数f进行clean,这里先不深究，只需要知道clean后的函数，跟原函数功能相同
    
    new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.map(cleanF))    //这里返回MapPartitionsRDD对象，其构造参数为当前RDD和一个将f应用于迭代器的函数定义
  }

• 可以看到map方法并没有执行任何函数，而只是将所有计算过程和数据包装成MapPartitionsRDD后返回。这也就是transformation操作，lazy Computing的特点所在。

• 所有tranformation返回的都是RDD，比如filter。其余transfomation 函数源码大致同map类似，不再赘述

5.2 flatMap

map操作是将迭代RDD中的每个元素，然后将其做一定加工，返回的的依然是一个元素。而flapMap接受的函数参数的入参是RDD中的每个元素，但对该元素处理后，返回的是一个集合，而不是一个元素。flatMap源码如下：

  def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U] = withScope {
    val cleanF = sc.clean(f)    new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.flatMap(cleanF))
  }

总结来说，map和flapMap的异同点如下：
- map接受的函数参数签名是：(f: T => U)而flatMap接受的函数参数签名为：(f: T => TraversableOnce[U])，可以看到返回的是集合

• map和flatMap的返回值都是RDD[T]。也即是说，flatMap拥有将多个集合数据合并，抹平的功效，从该函数的命名也可看出这一点，flat是平的意思

5.2 Narrow Transformations

Narrow Transformation操作有

1542189363924.png

5.3 Wide Transformations

有些计算，需要依赖其他节点数据，这种计算会导致数据移动，成为Wide Transformations。比如，基于某个key分类的操作GroupByKey，这个Key可能散落在不同的work node上，为了进行GroupByKey计算，需要计算节点间进行数据移动，比如将某个Key对应的数据，统一移动到一个节点上。Wide Transformation操作有如下：

1542189625738.png

六、RDD Action

所有Tranformation操作，都不会真正执行，直到Action操作被调用，Action操作返回是具体值，而不是RDD。这种特性成为Lazy Computing.
Action操作触发后，会将执行结果发给Driver 或者写如到外部存储。以下操作属于Action操作：
First(), take(), reduce(), collect(),  count()

6.1 关键action源码

所有action操作，最终都会调用SparkContext的runJob方法。runJob有需多重载方法，以其中一个为例

def runJob[T, U: ClassTag](
      rdd: RDD[T],//需要处理的RDD数据
      processPartition: Iterator[T] => U,//需要在每个数据分区上进行的操作
      resultHandler: (Int, U) => Unit)//如何将上述每个分区处理后的结果进行处理

可以看到runJob中体现了所有分布式计算理论架构，即MapReduce。其中processPartition定义每个分区要需要做的map操作，这一步将减少数据量，将map操作的结果做为输入，传进reduce操作，进行汇总处理。

6.2 aggregate

  def aggregate[U: ClassTag](zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U = withScope {    // Clone the zero value since we will also be serializing it as part of tasks
    var jobResult = Utils.clone(zeroValue, sc.env.serializer.newInstance())//1
    val cleanSeqOp = sc.clean(seqOp)
    val cleanCombOp = sc.clean(combOp)
    val aggregatePartition = (it: Iterator[T]) => it.aggregate(zeroValue)(cleanSeqOp, cleanCombOp)//2
    val mergeResult = (index: Int, taskResult: U) => jobResult = combOp(jobResult, taskResult)//3
    sc.runJob(this, aggregatePartition, mergeResult)//4
    jobResult//5
  }

1. 定义一个结果汇总变量，它将存储aggregate方法最终的返回结果，初始值为zeroValue

2. 在每个RDD数据分区上，使用迭代器，应用aggregate方法，初始值为都为zeroValue

3. 对每个分区的结果，使用combOp方法进行汇总计算。输入index为分区的编号，taskResult为上一步每个分区计算后的结果，同汇总变量jobResult再来进行combOp计算。从第一步可知，jobResult的初始值为zeroValue

4. 将上述两个函数作为入参，传递给sc.runJob方法，在spark集群进行执行

5. 返回结果

举例：

    val inputrdd = sc.parallelize(List(("maths", 21),("english", 22),("science", 31)),2)
    val result = inputrdd.aggregate(3)(
      (acc, value) => {
        println(acc+":"+value)
        (acc + value._2)
      },
      (acc1, acc2) => (acc1 * acc2)
    )
    println(result)//输出4032

解释：

• 上述RDD，被切分成两个分区。第一个分区数据是("maths", 21)　，另一个是：("english", 22),("science", 31)

• (acc + value._2)是每个分区要执行的操作，迭代器带入zeroValue=3后，两个分片的计算中间值如下

  3+21=24//分区1
  3+22+31=56//分区2

• 最后将每个分区结果带入(acc1 * acc2)函数，从aggregate源码得知，结果计算也要运用zeroValue，在这里也就是3．于是最终步执行的计算如下：

  32456=4032

6.3 fold

fold函数同aggregate类似，同样是调用SparkContext的runJob函数，只不过fold只接受一个值参数，和一个函数参数，其内部在调用runJob时，分区计算和结果计算都使用同样的函数。源码如下：

  def fold(zeroValue: T)(op: (T, T) => T): T = withScope {    // Clone the zero value since we will also be serializing it as part of tasks
    var jobResult = Utils.clone(zeroValue, sc.env.closureSerializer.newInstance())
    val cleanOp = sc.clean(op)
    val foldPartition = (iter: Iterator[T]) => iter.fold(zeroValue)(cleanOp)
    val mergeResult = (index: Int, taskResult: T) => jobResult = op(jobResult, taskResult)
    sc.runJob(this, foldPartition, mergeResult)
    jobResult
  }

举例：

val inputrdd = sc.parallelize(List(("maths", 21),("english", 22),("science", 31)),2)//１val result = inputrdd.fold(("test",3))(  (acc, ele) => {
    println(acc+":"+ele)
    ("result",acc._2 + ele._2)
  }
)
println(result)//输出：(result,83)

假设注释1中切分的2个分区为("maths", 21)和("english", 22),("science", 31)，那么执行过程如下：

1. 3+21=24

2. 3+22+31=56

3. 3+24+56=83

6.4 reduce

reduce同样调用了SparkContext的runJob函数，但reduce接收的参数在fold上进一步简化，少了zeroValue参数，只接收一个函数参数即可。同样该参数，在调用runJob时，即作为分区收敛的函数，记作为分区汇总计算的函数

  def reduce(f: (T, T) => T): T = withScope {
    val cleanF = sc.clean(f)
    val reducePartition: Iterator[T] => Option[T] = iter => {      if (iter.hasNext) {
        Some(iter.reduceLeft(cleanF))
      } else {
        None
      }
    }    var jobResult: Option[T] = None
    val mergeResult = (index: Int, taskResult: Option[T]) => {      if (taskResult.isDefined) {
        jobResult = jobResult match {          case Some(value) => Some(f(value, taskResult.get))          case None => taskResult
        }
      }
    }
    sc.runJob(this, reducePartition, mergeResult)    // Get the final result out of our Option, or throw an exception if the RDD was empty
    jobResult.getOrElse(throw new UnsupportedOperationException("empty collection"))
  }

举例：

    val inputrdd = sc.parallelize(List(("maths", 21),("english", 22),("science", 31)),2)
    val result = inputrdd.reduce(      (acc, ele) => {
        println(acc+":"+ele)
        ("result",acc._2 + ele._2)
      }
    )
    println(result)//结果为：(result,74)

6.5 collect&top

collect和top方法都会将数据收集到driver本地，前者是收集全部，后者是收集指定条数。所以最好知道收集的数据集较小时使用。否则会有很大的性能问题，比如大数量的传输，以及driver本地的内存压力

6.6 reduce和reduceByKey

前者是action操作，后者是transformation操作

七、RDD cache优化

RDD的数据，来至于外部存储介质，比如磁盘。而每一次用该RDD，都要去磁盘加载，这有时间和性能上的损耗。可以使用rdd的cahce方法，将该RDD缓存到内存，这样后续重复使用该RDD时，直接去内存拿。
cache的几个级别

• MEMORY_ONLY 只缓存到内存，内存装不下的部分，下次用到时再重新计算

• MEMORY_AND_DISK　缓存到内存，内存装不下的，缓存到磁盘。这样，下次需要时，不在内存部分的数据直接从磁盘获取就行，不用重新计算

• MEMORY_ONLY_SER　只缓存到内存，但为了节约空间，将缓存对象序列化后存储

• MEMORY_AND_DISK_SER　缓存到内存，装不下的数据缓存到磁盘，都是用序列化方式存储

• DISK_ONLY　只缓存到磁盘

7.1 stage

按数据是否在分区间迁移，来划分stage。一个stage有多个task，他们会并发的在不同的分区上执行相同的计算代码。比如紧邻的map和filter就会被划在同一个stage，因为他们可以并发在各分区上执行，而不需要数据移动。而reduceByKey则会单独成为一个stage，因为其涉及到数据移动

八、RDD  lineage　& DAG

RDD
从一个RDD转化成另一个RDD时，每一步都会记录上一个RDD关系。于是这形成一个血统谱系。具体

    val wordCount1 = sc.textFile("InputText").flatMap(_.split("\\s+")).map((_, 1)).reduceByKey(_ + _)
    println(wordCount1.toDebugString)

最终输出：

(1) ShuffledRDD[4] at reduceByKey at SparkTest.scala:124 []
 +-(1) MapPartitionsRDD[3] at map at SparkTest.scala:124 []
    |  MapPartitionsRDD[2] at flatMap at SparkTest.scala:124 []
    |  InputText MapPartitionsRDD[1] at textFile at SparkTest.scala:124 []
    |  InputText HadoopRDD[0] at textFile at SparkTest.scala:124 []

可以看到结果以倒序的方式输出，有点像java异常时，打出的依赖栈。从最近的依赖点，一直回溯

九、DataFrame

在RDD上进一步封装的数据结构。这种数据结构可以使用SparkSql去操作处理数据，这降低了对分布式数据集的使用难度。因为你只要会sql,就可以进行一些处理

十、GraphX

十一、 如何调优

一个Spark应用最会对应多个JVM进程。分布式driver，以及该应用在每个worknode上起的JVM进程，由于driver担任的协调者角色，实际执行是worknode上的EXECUTOR，所以对于JVM的调优，主要指对Executor的调优。这些JVM进程彼此会通信，比如数据shuffle。所以优化Spark应用的思路主要从以下个方面入手：

• 做个一个JVM应用，需要关注JVM的垃圾回收情况，各年龄带的内存分配。这个需要基于具体应用具体分析

• 由于多个JVM进程之间设计跨网络，跨机器的数据传输，那么需要考虑如何减小传输数据量。比如将数据序列化

• 对于Spark计算框架本身的特点，还有对数据量较大的输入，采用提高并发度，来切分输入大小。频繁使用的RDD，进行缓存，减小集群重复计算加载的开销。将各分区都要用到的公共大变量，提前brodcast到各集群等

11.1 序列化

通过sparkConf conf.set(“spark.serializer”, “org.apache.spark.serializer.KyroSerializer”)来配置，指定数据对象的序列化方式

作者：西北偏北
链接：https://www.jianshu.com/p/72520aa001dd