Spark 介绍以及相关概念

Spark起源：

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley 加州大学伯克利AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架，Spark，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

Spark特点：

大数据分布式计算框架，内存计算

分布式计算

内存计算 中间结果在内存 迭代

容错性

多计算范式

Spark生态系统

Mesos：资源管理框架，相当于hadoop 中的yarn。进行资源管理和任务调度 

HDFS：spark生态系统不提供存储层，调用外部存储系统例如HDFS 

Tachyon:生态系统中的分布式内存文件系统，快速的文件读写 

将工作集文件缓存在内存中，从而避免到磁盘中加载需要经常读取的数据集。通过这一机制，不同的作业/查询和框架可以以内存级的速度访问缓存的文件。 

（资源管理和文件管理属于不同的 模块） 

Spark：生态系统中的核心计算引擎 

Spark Streaming：流式计算引擎，将输入数据分成小的批次，对每个批次采用spark的计算范式进行计算 

四大核心扩展功能： 

Spark SQL：Sql on hadoop系统,提供交互式查询、能够利用传统的可视化工具 

在Spark上进行类似SQL的查询操作，报表查询等功能 

GraphX：图计算引擎，大规模图运算，pagerank 

MLlib：聚类分类 分类 推荐 等机器学习算法

Spark相关概念

学习Spark，有几个重要的术语需要弄清楚。

1. Application

用户在spark上构建的程序，包含了driver程序以及集群上的executors（driver以及不同的executors可能在不同的物理机上）.

2. Driver Program

运行main函数并且创建SparkContext的程序（关于dirver到底是什么在后面的博客有介绍）。客户端的应用程序，Driver Program类似于hadoop的wordcount程序的main函数。

3. Cluster Manager

集群的资源管理器，在集群上获取资源的外部服务。spark自带的有资源管理器，在standalone模式下使用，也可以依赖于外部的资源管理器，比如Mesos，yarn 

拿Yarn举例，客户端程序会向资源管理器比如Yarn申请计算我这个任务需要多少的内存，多少CPU，然后Cluster Manager告诉driver可哪些资源以使用，然后driver就可以把程序送到每个Worker Node上面去执行了。

4. Worker Node

集群中任何一个可以运行spark应用代码的节点（既物理节点，比如集群中的一台电脑），可以在上面启动Executor进程。

5. Executor

在每个WorkerNode上为某应用启动的一个进程，该进程负责运行任务，并且负责将数据存在内存或者磁盘上，每个任务都有各自独立的Executor。 

Executor是一个执行Task的容器。它的主要职责是：

初始化程序要执行的上下文SparkEnv，解决应用程序需要运行时的jar包的依赖，加载类。

同时还有一个ExecutorBackend向cluster manager汇报当前的任务状态，这一方面有点类似hadoop的tasktracker和task。 

总结：Executor是一个应用程序运行的监控和执行容器。

6.Job

包含很多task的并行计算，可以认为是Spark RDD 里面的action,每个action的计算会生成一个job。用户提交的Job会提交给DAGScheduler，Job会被分解成Stage和Task。

7. Stage

一个Job会被拆分为多组Task，每组任务被称为一个Stage就像Map Stage， Reduce Stage。 

Stage的划分在RDD的文章中有详细的介绍，简单的说是以shuffle和result这两种类型来划分。在Spark中有两类task，一类是shuffleMapTask，一类是resultTask，第一类task的输出是shuffle所需数据，第二类task的输出是result，stage的划分也以此为依据，shuffle之前的所有变换是一个stage，shuffle之后的操作是另一个stage。stage的边界就是产生shuffle的地方

8.Task

被送到executor上的工作单元。 

Spark上分为2类task。 

1.shuffleMapTask：对不同的partition进行重组，形成款依赖关系，shuffleMapTask是不同stage的中间过渡

2.resultTask:一个job中最后一个task，这个task的结果提交到下一个job中

9.Partition

Partition类似hadoop的Split，计算是以partition为单位进行的，当然partition的划分依据有很多，这是可以自己定义的，像HDFS文件，划分的方式就和MapReduce一样，以文件的block来划分不同的partition。总而言之，Spark的partition在概念上与hadoop中的split是相似的，提供了一种划分数据的方式。

附录：

RDD的一大特点就是有依赖关系存储在每一个RDD里面，当某一个RDD计算的时候发现parent RDD的数据丢失了，那它就会从parent的parent RDD重新计算一遍以恢复出parent数据，如果一直没找到，那么就会找到根RDD，有可能是HadoopRDD，那么就会从HDFS上读出数据一步步恢复出来。当然如果完全找不到数据，那么就恢复不出来了。这称之为RDD的lineage信息。（被称为血统or依赖关系）

作者：Alukar
链接：https://www.jianshu.com/p/8626f8748cde