大数据技术原理与应用.ppt

《大数据技术原理与应用.ppt》由会员分享，可在线阅读，更多相关《大数据技术原理与应用.ppt（45页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、,厦门大学计算机科学系 2019版,林子雨厦门大学计算机科学系E-mail: 主页： http:/ Spark的设计与运行原理（PPT版本号： 2019年春季学期）,温馨提示：编辑幻灯片母版，可以修改每页PPT的厦大校徽和底部文字,扫一扫访问教材官网,Spark编程基础（Python版）教材官网： http:/ SQL、Spark Streaming、Structured Streaming、Spark MLlib等。本书每个章节都安排了入门级的编程实践操作，以便读者更好地学习和掌握Spark编程方法。本书官网免费提供了全套的在线教学资源，包括讲义PPT、习题、源代码、软件、数据集、授课视频、

2、上机实验指南等。,提纲,2.1 Spark概述2.2 Spark生态系统2.3 Spark运行架构2.4 Spark的部署方式,百度搜索厦门大学数据库实验室网站访问平台,2.1 Spark概述,2.1.1 Spark简介2.1.2 Spark与Hadoop的比较,2.1.1 Spark简介,Spark最初由美国加州大学伯克利分校（UC Berkeley）的AMP实验室于2009年开发，是基于内存计算的大数据并行计算框架，可用于构建大型的、低延迟的数据分析应用程序2013年Spark加入Apache孵化器项目后发展迅猛，如今已成为Apache软件基金会最重要的三大分布式计算系统开源项目之一（Ha

3、doop、Spark、Storm）Spark在2014年打破了Hadoop保持的基准排序纪录Spark/206个节点/23分钟/100TB数据Hadoop/2000个节点/72分钟/100TB数据Spark用十分之一的计算资源，获得了比Hadoop快3倍的速度,2.1.1 Spark简介,Spark具有如下几个主要特点：运行速度快：使用DAG执行引擎以支持循环数据流与内存计算容易使用：支持使用Scala、Java、Python和R语言进行编程，可以通过Spark Shell进行交互式编程 通用性：Spark提供了完整而强大的技术栈，包括SQL查询、流式计算、机器学习和图算法组件运行模式多样：可

4、运行于独立的集群模式中，可运行于Hadoop中，也可运行于Amazon EC2等云环境中，并且可以访问HDFS、Cassandra、HBase、Hive等多种数据源,2.1.1 Spark简介,图 谷歌趋势：Spark与Hadoop对比,Spark如今已吸引了国内外各大公司的注意，如腾讯、淘宝、百度、亚马逊等公司均不同程度地使用了Spark来构建大数据分析应用，并应用到实际的生产环境中,2.1.2 Spark与Hadoop的对比,Hadoop存在如下一些缺点：表达能力有限磁盘IO开销大延迟高任务之间的衔接涉及IO开销在前一个任务执行完成之前，其他任务就无法开始，难以胜任复杂、多阶段的计算任务,

5、2.1.2 Spark与Hadoop的对比,Spark在借鉴Hadoop MapReduce优点的同时，很好地解决了MapReduce所面临的问题相比于Hadoop MapReduce，Spark主要具有如下优点：Spark的计算模式也属于MapReduce，但不局限于Map和Reduce操作，还提供了多种数据集操作类型，编程模型比Hadoop MapReduce更灵活Spark提供了内存计算，可将中间结果放到内存中，对于迭代运算效率更高Spark基于DAG的任务调度执行机制，要优于Hadoop MapReduce的迭代执行机制,2.1.2 Spark与Hadoop的对比,图 Hadoop与S

6、park的执行流程对比,2.1.2 Spark与Hadoop的对比,图 Hadoop与Spark执行逻辑回归的时间对比,使用Hadoop进行迭代计算非常耗资源Spark将数据载入内存后，之后的迭代计算都可以直接使用内存中的中间结果作运算，避免了从磁盘中频繁读取数据,2.2 Spark生态系统,在实际应用中，大数据处理主要包括以下三个类型：复杂的批量数据处理：通常时间跨度在数十分钟到数小时之间基于历史数据的交互式查询：通常时间跨度在数十秒到数分钟之间基于实时数据流的数据处理：通常时间跨度在数百毫秒到数秒之间,当同时存在以上三种场景时，就需要同时部署三种不同的软件比如: MapReduce / I

7、mpala / Storm这样做难免会带来一些问题： 不同场景之间输入输出数据无法做到无缝共享，通常需要进行数据格式的转换不同的软件需要不同的开发和维护团队，带来了较高的使用成本比较难以对同一个集群中的各个系统进行统一的资源协调和分配,2.2 Spark生态系统,Spark的设计遵循“一个软件栈满足不同应用场景”的理念，逐渐形成了一套完整的生态系统既能够提供内存计算框架，也可以支持SQL即席查询、实时流式计算、机器学习和图计算等Spark可以部署在资源管理器YARN之上，提供一站式的大数据解决方案因此，Spark所提供的生态系统足以应对上述三种场景，即同时支持批处理、交互式查询和流数据处理,2

8、.2 Spark生态系统,Spark的生态系统主要包含了Spark Core、Spark SQL、Spark Streaming（ Structured Streaming ）、MLLib和GraphX 等组件,图 BDAS架构,Spark生态系统已经成为伯克利数据分析软件栈BDAS（Berkeley Data Analytics Stack）的重要组成部分,2.2 Spark生态系统,表1 Spark生态系统组件的应用场景,2.3 Spark运行架构,2.3.1 基本概念2.3.2 架构设计2.3.3 Spark运行基本流程2.3.4 RDD的设计与运行原理,2.3.1 基本概念,RDD：是

9、Resillient Distributed Dataset（弹性分布式数据集）的简称，是分布式内存的一个抽象概念，提供了一种高度受限的共享内存模型DAG：是Directed Acyclic Graph（有向无环图）的简称，反映RDD之间的依赖关系Executor：是运行在工作节点（WorkerNode）的一个进程，负责运行Task应用（Application）：用户编写的Spark应用程序任务（ Task ）：运行在Executor上的工作单元 作业（ Job ）：一个作业包含多个RDD及作用于相应RDD上的各种操作阶段（ Stage ）：是作业的基本调度单位，一个作业会分为多组任务，每组任

10、务被称为阶段，或者也被称为任务集合，代表了一组关联的、相互之间没有Shuffle依赖关系的任务组成的任务集,2.3.2 架构设计,图 Spark运行架构,Spark运行架构包括集群资源管理器（Cluster Manager）、运行作业任务的工作节点（Worker Node）、每个应用的任务控制节点（Driver）和每个工作节点上负责具体任务的执行进程（Executor）资源管理器可以自带或Mesos或YARN,2.3.2 架构设计,图 Spark中各种概念之间的相互关系,一个应用由一个Driver和若干个作业构成，一个作业由多个阶段构成，一个阶段由多个没有Shuffle关系的任务组成当执行一个

11、应用时，Driver会向集群管理器申请资源，启动Executor，并向Executor发送应用程序代码和文件，然后在Executor上执行任务，运行结束后，执行结果会返回给Driver，或者写到HDFS或者其他数据库中,2.3.3 Spark运行基本流程,图 Spark运行基本流程图,（1）首先为应用构建起基本的运行环境，即由Driver创建一个SparkContext，进行资源的申请、任务的分配和监控（2）资源管理器为Executor分配资源，并启动Executor进程（3）SparkContext根据RDD的依赖关系构建DAG图，DAG图提交给DAGScheduler解析成Stage，然后

12、把一个个TaskSet提交给底层调度器TaskScheduler处理；Executor向SparkContext申请Task，Task Scheduler将Task发放给Executor运行，并提供应用程序代码（4）Task在Executor上运行，把执行结果反馈给TaskScheduler，然后反馈给DAGScheduler，运行完毕后写入数据并释放所有资源,SparkContext对象代表了和一个集群的连接,2.3.4 RDD运行原理,1.RDD设计背景2.RDD概念3.RDD特性4.RDD之间的依赖关系5.阶段的划分6.RDD运行过程,2.3.4 RDD运行原理,1.RDD设计背景,许多

13、迭代式算法（比如机器学习、图算法等）和交互式数据挖掘工具，共同之处是，不同计算阶段之间会重用中间结果目前的MapReduce框架都是把中间结果写入到稳定存储（比如磁盘）中，带来了大量的数据复制、磁盘IO和序列化开销RDD就是为了满足这种需求而出现的，它提供了一个抽象的数据架构，我们不必担心底层数据的分布式特性，只需将具体的应用逻辑表达为一系列转换处理，不同RDD之间的转换操作形成依赖关系，可以实现管道化，避免中间数据存储,2.3.4 RDD运行原理,2.RDD概念,一个RDD就是一个分布式对象集合，本质上是一个只读的分区记录集合，每个RDD可分成多个分区，每个分区就是一个数据集片段，并且一个R

14、DD的不同分区可以被保存到集群中不同的节点上，从而可以在集群中的不同节点上进行并行计算RDD提供了一种高度受限的共享内存模型，即RDD是只读的记录分区的集合，不能直接修改，只能基于稳定的物理存储中的数据集创建RDD，或者通过在其他RDD上执行确定的转换操作（如map、join和group by）而创建得到新的RDD,2.3.4 RDD运行原理,RDD提供了一组丰富的操作以支持常见的数据运算，分为“动作”（Action）和“转换”（Transformation）两种类型RDD提供的转换接口都非常简单，都是类似map、filter、groupBy、join等粗粒度的数据转换操作，而不是针对某个数据

15、项的细粒度修改（不适合网页爬虫）表面上RDD的功能很受限、不够强大，实际上RDD已经被实践证明可以高效地表达许多框架的编程模型（比如MapReduce、SQL、Pregel）Spark提供了RDD的API，程序员可以通过调用API实现对RDD的各种操作,2.RDD概念,2.3.4 RDD运行原理,RDD典型的执行过程如下：RDD读入外部数据源进行创建RDD经过一系列的转换（Transformation）操作，每一次都会产生不同的RDD，供给下一个转换操作使用最后一个RDD经过“动作”操作进行转换，并输出到外部数据源,图 RDD执行过程的一个实例,这一系列处理称为一个Lineage（血缘关系），

16、即DAG拓扑排序的结果优点：惰性调用、管道化、避免同步等待、不需要保存中间结果、每次操作变得简单,2.RDD概念,2.3.4 RDD运行原理,Spark采用RDD以后能够实现高效计算的原因主要在于：（1）高效的容错性现有容错机制：数据复制或者记录日志RDD：血缘关系、重新计算丢失分区、无需回滚系统、重算过程在不同节点之间并行、只记录粗粒度的操作（2）中间结果持久化到内存，数据在内存中的多个RDD操作之间进行传递，避免了不必要的读写磁盘开销（3）存放的数据可以是Java对象，避免了不必要的对象序列化和反序列化,3.RDD特性,2.3.4 RDD运行原理,4. RDD之间的依赖关系,Shuffle

17、操作什么是Shuffle操作窄依赖和宽依赖是否包含Shuffle操作是区分窄依赖和宽依赖的根据,2.3.4 RDD运行原理,4. RDD之间的依赖关系Shuffle操作,一个关于Shuffle 操作的简单实例,2.3.4 RDD运行原理,窄依赖表现为一个父RDD的分区对应于一个子RDD的分区或多个父RDD的分区对应于一个子RDD的分区宽依赖则表现为存在一个父RDD的一个分区对应一个子RDD的多个分区,图 窄依赖与宽依赖的区别,4. RDD之间的依赖关系窄依赖和宽依赖,2.3.4 RDD运行原理,5.阶段的划分,Spark 根据DAG 图中的RDD 依赖关系，把一个作业分成多个阶段。阶段划分的依

18、据是窄依赖和宽依赖。对于宽依赖和窄依赖而言，窄依赖对于作业的优化很有利，宽依赖无法优化逻辑上，每个RDD 操作都是一个fork/join（一种用于并行执行任务的框架），把计算fork 到每个RDD 分区，完成计算后对各个分区得到的结果进行join 操作，然后fork/join下一个RDD 操作,2.3.4 RDD运行原理,5.阶段的划分,窄依赖可以实现“流水线”优化宽依赖无法实现“流水线”优化,2.3.4 RDD运行原理,5.阶段的划分,fork/join的优化原理,举例：一个学校（含2个班级）完成从北京到厦门的长征,2.3.4 RDD运行原理,5.阶段的划分,2.3.4 RDD运行原理,Sp

19、ark根据DAG图中的RDD依赖关系，把一个作业分成多个阶段。对于宽依赖和窄依赖而言，窄依赖对于作业的优化很有利。只有窄依赖可以实现流水线优化，宽依赖包含Shuffle过程，无法实现流水线方式处理。Spark通过分析各个RDD的依赖关系生成了DAG，再通过分析各个RDD中的分区之间的依赖关系来决定如何划分Stage，具体划分方法是：在DAG中进行反向解析，遇到宽依赖就断开遇到窄依赖就把当前的RDD加入到Stage中将窄依赖尽量划分在同一个Stage中，可以实现流水线计算,5.阶段的划分,2.3.4 RDD运行原理,图 根据RDD分区的依赖关系划分Stage,5.Stage的划分,被分成三个St

20、age，在Stage2中，从map到union都是窄依赖，这两步操作可以形成一个流水线操作,流水线操作实例分区7通过map操作生成的分区9，可以不用等待分区8到分区10这个map操作的计算结束，而是继续进行union操作，得到分区13，这样流水线执行大大提高了计算的效率,2.3.4 RDD运行原理,通过上述对RDD概念、依赖关系和Stage划分的介绍，结合之前介绍的Spark运行基本流程，再总结一下RDD在Spark架构中的运行过程：（1）创建RDD对象；（2）SparkContext负责计算RDD之间的依赖关系，构建DAG；（3）DAGScheduler负责把DAG图分解成多个Stage，每

21、个Stage中包含了多个Task，每个Task会被TaskScheduler分发给各个WorkerNode上的Executor去执行。,图 RDD在Spark中的运行过程,6.RDD运行过程,2.4 Spark的部署方式,Spark支持三种不同类型的部署方式，包括：Standalone（类似于MapReduce1.0，slot为资源分配单位）Spark on Mesos（和Spark有血缘关系，更好支持Mesos）Spark on YARN,图 Spark on YARN架构,讨论：Spark和Hadoop,虽然Spark很快，但现在在生产环境中仍然不尽人意，无论扩展性、稳定性、管理性等方面都

22、需要进一步增强同时，Spark在流处理领域能力有限，如果要实现亚秒级或大容量的数据获取或处理需要其他流处理产品。Cloudera宣布旨在让Spark流数据技术适用于80%的使用场合，就考虑到了这一缺陷。我们确实看到实时分析（而非简单数据过滤或分发）场景中，很多以前使用S4或Storm等流式处理引擎的实现已经逐渐被Kafka+Spark Streaming代替Spark的流行将逐渐让MapReduce、Tez走进博物馆Hadoop现在分三块HDFS/MR/YARN，Spark比Hadoop性能好，只是Spark作为一个计算引擎，比MR的性能要好。但它的存储和调度框架还是依赖于HDFS/YARN，

23、Spark也有自己的调度框架，但仍然非常不成熟，基本不可商用,附录A：主讲教师林子雨简介,单位：厦门大学计算机科学系E-mail: 个人网页：http:/ ISBN:978-7-115-44330-4 定价：49.80元全书共有15章，系统地论述了大数据的基本概念、大数据处理架构Hadoop、分布式文件系统HDFS、分布式数据 库HBase、NoSQL数据库、云数据库、分布式并行编程模型MapReduce、Spark、流计算、图计算、数据可视化以及大数据在互联网、生物医学和物流等各个领域的应用。在Hadoop、HDFS、HBase和MapReduce等重要章节，安排了入门级的实践操作，让读者更

24、好地学习和掌握大数据关键技术。本书可以作为高等院校计算机专业、信息管理等相关专业的大数据课程教材，也可供相关技术人员参考、学习、培训之用。,附录D：大数据基础编程、实验和案例教程,本书是与大数据技术原理与应用（第2版）教材配套的唯一指定实验指导书,步步引导，循序渐进，详尽的安装指南为顺利搭建大数据实验环境铺平道路深入浅出，去粗取精，丰富的代码实例帮助快速掌握大数据基础编程方法精心设计，巧妙融合，五套大数据实验题目促进理论与编程知识的消化和吸收结合理论，联系实际，大数据课程综合实验案例精彩呈现大数据分析全流程,清华大学出版社 ISBN:978-7-302-47209-4 定价：59元,附录E：S

25、park编程基础（Scala版）,Spark编程基础（Scala版）厦门大学 林子雨，赖永炫，陶继平 编著披荆斩棘，在大数据丛林中开辟学习捷径填沟削坎，为快速学习Spark技术铺平道路深入浅出，有效降低Spark技术学习门槛资源全面，构建全方位一站式在线服务体系,本书以Scala作为开发Spark应用程序的编程语言，系统介绍了Spark编程的基础知识。全书共8章，内容包括大数据技术概述、Scala语言基础、Spark的设计与运行原理、Spark环境搭建和使用方法、RDD编程、Spark SQL、Spark Streaming、Spark MLlib等。本书每个章节都安排了入门级的编程实践操作，以便读者更好地学习和掌握Spark编程方法。本书官网免费提供了全套的在线教学资源，包括讲义PPT、习题、源代码、软件、数据集、授课视频、上机实验指南等。,人民邮电出版社出版发行，ISBN:978-7-115-48816-9教材官网：http:/ of Computer Science, Xiamen University, 2019,