Apache Spark体系结构– Spark集群体系结构介绍

Apache Spark是一个开放源代码群集计算框架，正在点燃大数据世界。根据Spark认证专家的说法，与Hadoop相比，Sparks的性能在内存上快100倍，在磁盘上快10倍。 在此博客中，我将为您简要介绍Spark架构以及Spark架构的基础知识。

在这篇Spark Architecture文章中，我将介绍以下主题：

• Spark及其功能
• Spark架构概述
• 星火生态系统
• 弹性分布式数据集（RDD）
• Spark架构的工作
• 在Spark Shell中使用Scala的示例

Spark及其功能

Apache Spark是一个用于实时数据处理的开源集群计算框架。Apache Spark的主要功能是其  内存中群集计算  ，可提高应用程序的处理速度。Spark提供了一个接口，用于使用隐式数据并行性和容错性对整个集群进行编程。它旨在涵盖各种工作负载，例如批处理应用程序，迭代算法，交互式查询和流式处理。

Apache Spark的功能：

                                                           图：Spark的功能

1. 
   对于大规模数据处理，Speed Spark的运行速度比Hadoop MapReduce快100倍。它还可以通过受控分区来达到此速度。
2. 强大的缓存
   简单的编程层提供了强大的缓存和磁盘持久性功能。
3. 部署
   可以通过Mesos，通过YARN的Hadoop或Spark自己的集群管理器进行部署。
4. 实时
   由于内存中的计算，它提供实时计算和低延迟。
5.  Polyglot
   Spark提供Java，Scala，Python和R的高级API。Spark代码可以用这四种语言中的任何一种编写。它还提供了Scala和Python中的Shell。

Spark架构概述

Apache Spark具有定义明确的分层体系结构，其中所有spark组件和层都松散耦合。该体系结构进一步与各种扩展和库集成在一起。Apache Spark架构基于两个主要抽象：

• 弹性分布式数据集（RDD）
• 有向无环图（DAG）

                                                        图：Spark体系结构

但是在更深入地介绍Spark架构之前，让我解释一下Spark的一些基本概念，例如Spark生态系统和RDD。这将帮助您获得更好的见解。

首先让我解释一下什么是Spark生态系统。 

星火生态系统

从下图可以看到，spark生态系统由各种组件组成，例如Spark SQL，Spark Streaming，MLlib，GraphX和Core API组件。

                                                              图：Spark生态系统

1. Spark Core
   Spark Core是大规模并行和分布式数据处理的基本引擎。此外，建立在核心顶部的其他库允许进行流，SQL和机器学习的各种工作负载。它负责内存管理和故障恢复，计划，分配和监视群集上的作业以及与存储系统进行交互。
2. Spark Streaming
   Spark Streaming是Spark的组件，用于处理实时流数据。因此，它是核心Spark API的有用补充。它支持实时数据流的高吞吐量和容错流处理。
3. Spark SQL
   Spark SQL是Spark中的一个新模块，它将关系处理与Spark的功能编程API集成在一起。它支持通过SQL或Hive查询语言查询数据。对于熟悉RDBMS的人来说，Spark SQL将是您早期工具的轻松过渡，您可以在其中扩展传统关系数据处理的范围。
4. GraphX
   GraphX是用于图形和图形并行计算的Spark API。因此，它使用弹性分布式属性图扩展了Spark RDD。在较高层次上，GraphX通过引入弹性分布式特性图（具有附加到每个顶点和边的特性的有向多图）来扩展Spark RDD抽象。
5. MLlib（机器学习）
   MLlib代表机器学习库。Spark MLlib用于在Apache Spark中执行机器学习。
6. SparkR
   它是R包，提供分布式数据帧实现。它还支持选择，过滤，聚合等操作，但要处理大量数据集。

如您所见，Spark附带了高级库，包括对R，SQL，Python，Scala，Java等的支持。这些标准库增加了复杂工作流程中的无缝集成。除此之外，它还允许各种服务集与其集成，例如MLlib，GraphX，SQL +数据框架，流服务等，以增强其功能。

现在，让我们讨论Spark的基本数据结构，即RDD。

弹性分布式数据集（RDD）

RDD是任何Spark应用程序的构建块。RDD代表：

• 弹性：  容错，并能够在发生故障时重建数据
• 分布式：  集群中多个节点之间的分布式数据
• 数据集：  使用值收集分区数据

它是分布式集合上的抽象数据层。它本质上是一成不变的，并遵循  惰性变换。 

现在您可能想知道它的工作原理。好了，RDD中的数据根据​​一个密钥分为多个块。RDD具有很高的弹性，即，当跨多个执行程序节点复制相同的数据块时，它们能够从任何问题中快速恢复。因此，即使一个执行者节点发生故障，另一个执行者节点仍将处理数据。这使您可以利用多个节点的功能非常快速地对数据集执行功能计算。 

而且，一旦创建了RDD，它就变得不可变。我所说的不可变是指一个对象，其状态在创建后无法修改，但可以确定地进行转换。

Apache Spark和Scala认证培训

• 讲师指导的课程
• 现实生活中的案例研究
• 评估
• 终身访问

探索课程

说到分布式环境，RDD中的每个数据集都分为逻辑分区，可以在群集的不同节点上进行计算。因此，您可以并行对完整数据执行转换或操作。另外，您不必担心分发问题，因为Spark会处理这些问题。

                                                                   RDD的工作流程

有两种创建RDD的方法-并行化驱动程序中的现有集合，或通过引用外部存储系统（例如共享文件系统，HDFS，HBase等）中的数据集。

使用RDD，您可以执行两种类型的操作：

1. 转换：它们是用于创建新RDD的操作。
2. 行动：  它们在RDD上应用，以指示Apache Spark应用计算并将结果传递回驱动程序。

希望您对RDD概念有透彻的了解。现在，让我们进一步看一下Spark Architecture的工作。

Spark架构的工作

您已经了解了Apache Spark的基本体系结构概述，现在让我们更深入地研究其工作原理。

在主节点中，您有驱动程序，它驱动您的应用程序。您正在编写的代码充当驱动程序，或者，如果您正在使用交互式外壳，则该外壳将充当驱动程序。

                                  图：Spark体系结构

我n面的驱动程序，你要做的第一件事是，你创建  一个星火语境。假设Spark上下文是所有Spark功能的网关。它类似于您的数据库连接。您在数据库中执行的任何命令都将通过数据库连接进行。同样，您在Spark上执行的所有操作都会通过Spark上下文。

现在，此Spark上下文可与集群管理器一起使用以管理各种作业。驱动程序和Spark上下文负责集群中的作业执行。作业分为多个任务，这些任务分布在工作节点上。每当在Spark上下文中创建RDD时，它就可以分布在各个节点上并可以缓存在该节点上。

w ^ orker节点是从节点，其任务是执行基本任务。这些任务然后在工作节点中的分区RDD上执行，因此将结果返回给Spark上下文。

Spark Context接管该工作，将其分解为任务并将其分发到工作程序节点。这些任务在分区的RDD上工作，执行操作，收集结果并返回到主Spark上下文。

如果增加工作人员的数量，则可以将作业划分为更多的分区，然后在多个系统上并行执行它们。它将更快。

随着工作人员数量的增加，内存大小也将增加，您可以缓存作业以更快地执行它。

要了解Spark Architecture的工作流程，可以查看下面的信息图：

                                                         图：Spark Architecture信息图

步骤1： 客户端提交Spark用户应用程序代码。 提交应用程序代码后，驱动程序会将包含转换和操作的用户代码隐式转换为称为 DAG的逻辑定向非循环图。 在此阶段，它还会执行优化，例如流水线转换。

步骤2：之后，它将称为DAG的逻辑图转换为具有多个阶段的物理执行计划。 转换为物理执行计划后，它将在每个阶段创建称为任务的物理执行单元。然后将任务捆绑并发送到集群。

步骤3：现在，驱动程序与集群管理器进行对话并协商资源。 群集管理器代表驱动程序在工作程序节点中启动执行程序。 此时，驱动程序将根据数据放置将任务发送给执行者。 执行者启动时，便向驱动程序注册自己。因此，驱动程序将具有 执行任务的执行者的完整视图。

步骤4：  在执行任务的过程中，驱动程序将监视运行的执行程序集。驱动程序节点还基于数据放置安排将来的任务。 

这一切都与Spark Architecture有关。现在，让我们来了解一下Spark Shell的工作。

在Spark Shell中使用Scala的示例

首先，让我们假设Hadoop和Spark守护程序已启动并正在运行，以启动Spark Shell。 Spark的Web UI端口是localhost：4040。

                                                                无花果：火花壳

启动Spark Shell之后，现在让我们看看如何执行字数统计示例：

1. 在这种情况下，我创建了一个简单的文本文件并将其存储在hdfs目录中。您也可以使用其他大型数据文件。
                                                                                     图：输入文本文件
2. 火花壳启动后， 让我们创建一个RDD。为此，您必须 指定输入文件路径并应用转换flatMap（）。下面的代码说明了相同的内容：

    3.执行该代码后，将如图所示创建一个RDD。

                                                                                     图：RDD创建

     4.之后，您需要将动作reduceByKey（）应用于创建的RDD。

应用动作后，执行如下所示开始。

                                                                             图：在shell中执行Spark

      5.下一步是将输出保存在文本文件中，并指定存储输出的路径。 

                                                图：指定输出路径

      6.指定输出路径后，转到  hdfs Web浏览器localhost：50040。在这里，您可以在“零件”文件中看到输出文本，如下所示。

                                                                          图：输出零件文件

       7.下图显示了'part'文件中存在的输出文本。

                                  图：输出文本

希望您已经了解如何创建Spark应用程序并获得输出。

Apache Spark和Scala认证培训

平日/周末批次查看批次详细信息

现在，让我带您浏览Spark的Web UI，以了解DAG可视化和已执行任务的分区。 

                                                                        图：Spark Web用户界面

• 单击您提交的任务后，您可以查看已完成作业的有向无环图（DAG）。

                            图：DAG可视化

• 此外，您还可以查看已执行任务的摘要指标，例如–执行任务所需的时间，作业ID，完成的阶段，主机IP地址等。

现在，让我们了解RDD中的分区和并行性。

• 甲分区是一个逻辑 块 a的大 分布式 数据 集。
• 默认情况下，星火试图读取 数据 到 一个 RDD从节点是接近 到 它。

现在，让我们看看如何在Shell中执行并行任务。

                                                         图：任务的并行执行

• 下图显示了创建的RDD上的分区总数。

                                                  图：已完成任务的分区

• 现在，让我向您展示5个不同任务的并行执行情况。

                                                              图：5个已完成任务的并行性

这使我们到了Apache Spark Architecture博客的结尾。我希望该博客能为您提供丰富的信息，并为您的知识增添价值。

最后

以上就是留胡子外套为你收集整理的Apache Spark体系结构– Spark集群体系结构介绍的全部内容，希望文章能够帮你解决Apache Spark体系结构– Spark集群体系结构介绍所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。