为了账号安全,请及时绑定邮箱和手机立即绑定

Spark入门介绍

前言

Spark自从2014年1.2版本发布以来,已成为大数据计算的通用组件。网上介绍Spark的资源也非常多,但是不利于用户快速入门,所以本文主要通从用户的角度来介绍Spark,让用户能快速的认识Spark,知道Spark是什么、能做什么、怎么去做。

Spark是什么

摘用官网的定义:

Spark是一个快速的、通用的分布式计算系统。

提供了高级API,如:Java、Scala、Python和R。

同时也支持高级工具,如:Spark SQL处理结构化数据、MLib处理机器学习、GraphX用于图计算、Spark Streming用于流数据处理。

也就是说Spark提供了灵活的、丰富接口的大数据处理能力。下图是Spark的模块图:

如果你准备入坑大数据开发,可以关注gongzhonghaoID:IT资讯科技 会有最前沿的学习资讯

用户使用的SQL、Streaming、MLib、GraphX接口最终都会转换成Spark Core分布式运行。

目前用户用的比较多的是SQL和Streaming,这里先主要介绍下这两个。

Spark SQL

Spark SQL是Spark提供的SQL接口,用户使用Spark SQL可以像使用传统数据库一样使用SQL。例如:创建表、删除表、查询表、join表等。连接到Spark SQL后可以做如下操作

此命令运行完毕后,Spark系统会在hdfs上创建一个名称为test_parquet的目录,例如/user/hive/warehouse/test_parquet/。

然后往Spark表中插入数据。

插入数据的步骤运行后,Spark会在hdfs目录:/user/hive/warehouse/test_parquet/中创建一些列后缀为.parquet的文件,如下:

插入完成后开始查询数据。

查询数据的过程是Spark并行从hdfs系统上拉取每个Parquet,然后在Spark中并行计算。

这里只是简单列举了Spark 创建Parquet表的过程,Spark也可以支持读取其他格式的表,例如对接数据库等。

Spark SQL除了对用户提供了SQL命令的接口,也提供了API接口。Datasets(DataFrames),例如使用API创建Parquet如下:

Spark Streaming

Spark Streaming是流式处理系统,可以处理流式数据。下面用个例子说明Streaming的过程。

Spark Streaming可以对接Kafka。假如kafka产生的数据格式为:

现在业务需要每分钟从Kafka读取一批数据,对数进行信息补齐,因为kafka拿到的数据只有id信息,用户想补齐name信息。

假如具有id、name信息的表存储在Phoenix中。

这样就可以通过Spark Streaming来完成这些业务诉求。在Spark的业务处理逻辑中拿到kafka的数据后,使用id关联Phoenix表拿到name信息,然再写入到其他数据库。

例如此业务的Spark Streaming的业务逻辑代码如下:

先看下Spark在当前常用的BigData业务架构中的位置。

下图是常用的BigData 大数据组件Spark+HBase+Cassandra+ES(Solor),这些组件组合可覆盖BigData 95%以上的业务场景。

图中数据BigData分4个层次,由上到下分别为:

业务系统层:一般是直接面向用户的业务系统。

计算层:Spark的分布式计算。

数据库层:HBase+Cassandra数据库提供实时查询的能力。

存储层:HDFS或者OSS。

这里主要介绍下计算层Spark。

Spark计算层会把数据从数据库、列式存储(数仓)中拉去到Spark中进行分布式计算。我们把Spark打开看下是如何分布式计算的。先看下Spark运行时候的部署结构。

由上图可以看到Spark部署时分布式的,有一个Driver,有N个Executor。业务系统对接Driver,Driver把计算逻辑发送到每个Executor运行,Executor运行结果再返回。

所以当Spark拉取数据库、数仓数据时会并行拉取到每个Executor做并行运算。

例如Spark SQL中查询表的例子,以及Spark Streming的中处理批数据的例子,Spark运算时是每个Executor并处理数据的,Executor处理数据的逻辑是由用户编码控制的,例如用户写的SQL语句,调用API写的业务代码等。

那么Spark适合什么样的计算呢?

下图列出了Spark 和HBase数据库各自适用的场景:

举个例子说明下上面每一项对应的场景,如下图:

此图描述的是用户登录手机淘宝,淘宝根据用户的ID信息在淘宝首页推荐商品这样的一个流程。我们看下每个流程中哪些场景适合Phoenix、Spark。

1、 获取用户的推荐列表。

用户登录后,手机淘宝要根据用户的ID从“用户推荐商品列表 user_reco_list”这个表中获取信息。SQL语句可能是这样的:

这个SQL的特点如下:

简单:只有select *,没有join、group by。

有关键字过滤:user_id = ‘user0001’。

返回的结果集少(大概返回几十行)。

user_reco_list表数据量很大(百亿级别)

并发量很大,可能同时会有上万个用户同时登录。

低时延:用户一登录要立刻显示推荐。

类似这种特点的业务查询就适合使用在线数据Phoenix。

2、 统计用户的浏览记录。

“用户推荐商品列表 user_reco_list”中数据是怎么来的呢?是从用户的浏览记录、购买记录、加入购物车记录等信息统计而来的。后台任务每天凌晨从用户的记录中进行大量的统计分析,然后把结果写入“用户推荐商品列表 user_reco_list”。SQL语句可能是这的:

这个SQL的特点如下:

统计分析:有sum、group by。

查询时间范围大:times的时间范围要半年,即扫描的数据量大。

返回的结果集大,可能返回百万级。

user_scan_list表数据量很大,百亿级别、千亿级等。

并发量小、每天凌晨计算一次。

高时延:计算结果可能要分钟级别、甚至小时级别。

类似这种特点的业务查询就适合使用离线数仓:Spark 列存(Parquet)。

通过上面的例子大概可以认识到哪些场景适合Spark,哪些适合Phoenix。Spark和Phoenix相互配合,解决大数据的问题。

Spark如何建数仓

那Spark如何建数仓呢?本质就是把数据导入到Spark,使用Spark的列式存储文件格式(例如parquet)存储数据,使用Spark完成批处理、离线分析的业务。

例如在Spark创建一个以天为分区的明细表:

上面只是个简单的实例,下面举例几个实际的业务场景。

先看下面的一个典型的业务场景。

上图是一个典型的复杂分析及查询系统。数据流程由图可见:

数据由APP、传感器、商业系统等客户的业务系统产生发送到Kafka系统。

Spark Streming 对接kafka周期读取数据入库到在线数据库HBase/Phoenix,用户的运营系统实时查询在线数据库。

HBase/Phoenix数据库周期同步到Spark数仓做离线计算。离线计算的结果写回HBase/Phoenix或者其他业务数据库。

上面是一个常用的方案。Spark创建数仓也有客户对数仓进行分层,例如下图:

客户把数仓分为四层:操作数据、公共明细、公共汇总、应用数据。每一层的数据由上一层汇聚、统计计算得来,每一层的数据应用于不同的业务场景。
推荐阅读:大数据学习线路:https://www.imooc.com/article/259721

点击查看更多内容
TA 点赞

若觉得本文不错,就分享一下吧!

评论

作者其他优质文章

正在加载中
  • 推荐
  • 评论
  • 收藏
  • 共同学习,写下你的评论
感谢您的支持,我会继续努力的~
扫码打赏,你说多少就多少
赞赏金额会直接到老师账户
支付方式
打开微信扫一扫,即可进行扫码打赏哦
今天注册有机会得

100积分直接送

付费专栏免费学

大额优惠券免费领

立即参与 放弃机会
意见反馈 帮助中心 APP下载
官方微信

举报

0/150
提交
取消