大数据技术原理与应用

Size: px

Start display at page:

Download "大数据技术原理与应用"

黄百但
5 years ago
Views:

大数据技术原理与应用 ( 第 2 版 ) http://dblab.xmu.edu.

版本号 :2017 年 2 月版本 ) 林子雨厦门大学计算机科学系 E-mail: ziyulin@xmu.edu.

1 大数据技术原理与应用 ( 第 2 版 ) 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第 9 章 Spark (PPT 版本号 :2017 年 2 月版本 ) 林子雨厦门大学计算机科学系 ziyulin@xmu.edu.cn 主页 : 大数据技术原理与应用厦门大学计算机科学系 ( 第 2 版 ) 厦门大学计算机科学系林子雨 2017 年 2 月版本 ziyulin@xmu.edu.cn

2 本章配套教学视频大数据技术原理与应用 ( 第 2 版 ) 第 9 章 Spark 在线视频观看地址

3 提纲 9.1 Spark 概述 9.2 Spark 生态系统 9.3 Spark 运行架构 9.4 Spark SQL 9.5 Spark 的部署和应用方式 9.6 Spark 编程实践本 PPT 是如下教材的配套讲义 : 大数据技术原理与应用概念存储处理分析与应用 (2017 年 2 月第 2 版 ) ISBN: 厦门大学林子雨编著, 人民邮电出版社欢迎访问大数据技术原理与应用教材官方网站 :

4 9.1 Spark 概述 Spark 简介 Scala 简介 Spark 与 Hadoop 的比较

5 9.1.1 Spark 简介 Spark 最初由美国加州伯克利大学 (UCBerkeley) 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 (Hadoop 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

6 9.1.1 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

7 9.1.1 Spark 简介 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图 16-1 谷歌趋势 :Spark 与 Hadoop 对比

8 9.1.2 Scala 简介 Scala 是一门现代的多范式编程语言, 运行于 Java 平台 (JVM, Java 虚拟机 ), 并兼容现有的 Java 程序 Scala 的特性 : Scala 具备强大的并发性, 支持函数式编程, 可以更好地支持分布式系统 Scala 语法简洁, 能提供优雅的 API Scala 兼容 Java, 运行速度快, 且能融合到 Hadoop 生态圈中 Scala 是 Spark 的主要编程语言, 但 Spark 还支持 Java Python R 作为编程语言 Scala 的优势是提供了 REPL(Read-Eval-Print Loop, 交互式解释器 ), 提高程序开发效率

9 9.1.3 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

10 9.1.3 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

11 9.1.3 Spark 与 Hadoop 的对比 HDFS 读取 HDFS 写入 HDFS 读取迭代 1 迭代 2 HDFS 写入... 输入查询 1 结果 1 查询 2 结果 2 输入... (a) Hadoop MapReduce 执行流程读取存储在内存中读取内存迭代 1 迭代 2 存储在内存中... 输入存储在内存中查询 1 查询 2 结果 1 结果 2 输入... 图 16-2 Hadoop 与 Spark 的执行流程对比 (b) Spark 执行流程大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

12 执行时间 (s) 大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn Spark 与 Hadoop 的对比使用 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 Hadoop 0.9 Spark 图 16-3 Hadoop 与 Spark 执行逻辑回归的时间对比

13 9.2 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 / Impala / 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

14 9.2 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

15 9.2 Spark 生态系统 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 Access and Interfaces Spark Streaming BlinkDB Spark SQL GraphX MLBase MLlib Processing Engine Spark Core Storage Tachyon HDFS, S3 Resource Virtualization Mesos 图 16-4 BDAS 架构 Hadoop Yarn Spark 的生态系统主要包含了 Spark Core Spark SQL Spark Streaming MLLib 和 GraphX 等组件

16 9.2 Spark 生态系统表 1 Spark 生态系统组件的应用场景应用场景时间跨度其他框架 Spark 生态系统中的组件复杂的批量数据处小时级 MapReduce Hive Spark 理基于历史数据的交分钟级秒 Impala Dremel Spark SQL 互式查询级 Drill 基于实时数据流的毫秒秒级 Storm S4 Spark Streaming 数据处理基于历史数据的数 - Mahout MLlib 据挖掘图结构数据的处理 - Pregel Hama GraphX

17 9.3 Spark 运行架构基本概念架构设计 Spark 运行基本流程 Spark 运行原理

18 9.3.1 基本概念 RDD: 是 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 Application: 用户编写的 Spark 应用程序 Task: 运行在 Executor 上的工作单元 Job: 一个 Job 包含多个 RDD 及作用于相应 RDD 上的各种操作 Stage: 是 Job 的基本调度单位, 一个 Job 会分为多组 Task, 每组 Task 被称为 Stage, 或者也被称为 TaskSet, 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

9.3.2 架构设计 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 与 Hadoop MapReduce 计算框架相比,Spark 所采用的 Executor

19 9.3.2 架构设计 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 与 Hadoop MapReduce 计算框架相比,Spark 所采用的 Executor 有两个优点 : 一是利用多线程来执行具体的任务, 减少任务的启动开销二是 Executor 中有一个 BlockManager 存储模块, 会将内存和磁盘共同作为存储设备, 有效减少 IO 开销 Worker Node Executor Cache Driver Program Task Task SparkContext Cluster Manager Worker Node Executor Cache 图 16-5 Spark 运行架构 Task Task

20 9.3.2 架构设计一个 Application 由一个 Driver 和若干个 Job 构成, 一个 Job 由多个 Stage 构成, 一个 Stage 由多个没有 Shuffle 关系的 Task 组成当执行一个 Application 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 Task, 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 Stage 1 Task 1 Stage N Task N Task 1 Task N Job 1 Driver Program Stage 1 Task 1 Stage N Task N Task 1 Task N Application Job 2 图 16-6 Spark 中各种概念之间的相互关系大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

21 9.3.3 Spark 运行基本流程 RDD Objects DAG 图构建 DAG 图 DAG Scheduler SparkContext 将 DAG 图分解成 Stage Taskset Task Scheduler 提交和监控 Task 1: 注册并申请资源 4: 注销 3: 注册并申请 Task Task 图 16-7 Spark 运行基本流程图资源管理器分配并监控资源使用情况资源 Executor 进程汇报资源使用状况 2: 分配资源 (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大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

22 9.3.3 Spark 运行基本流程总体而言,Spark 运行架构具有以下特点 : (1) 每个 Application 都有自己专属的 Executor 进程, 并且该进程在 Application 运行期间一直驻留 Executor 进程以多线程的方式运行 Task (2)Spark 运行过程与资源管理器无关, 只要能够获取 Executor 进程并保持通信即可 (3)Task 采用了数据本地性和推测执行等优化机制

23 9.3.4 RDD 运行原理 1. 设计背景 2.RDD 概念 3.RDD 特性 4.RDD 之间的依赖关系 5.Stage 的划分 6.RDD 运行过程

24 9.3.4 RDD 运行原理 1. 设计背景许多迭代式算法 ( 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 HDFS 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

25 9.3.4 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 RDD 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

26 9.3.4 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 用 Scala 语言实现了 RDD 的 API, 程序员可以通过调用 API 实现对 RDD 的各种操作

27 9.3.4 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这一系列处理称为一个 Lineage( 血缘关系 ), 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 Input 创建创建 A C 转换转换 B D 转换转换转换动作 E F Output 图 16-8 RDD 执行过程的一个实例

28 9.3.4 RDD 运行原理 3.RDD 特性 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

29 9.3.4 RDD 运行原理 4. RDD 之间的依赖关系 RDD1 RDD2 RDD9 分区 1 分区 2 分区 3 RDD3 分区 7 分区 8 分区 9 分区 10 RDD4 map, filter union 分区 4 分区 5 分区 6 RDD5 分区 11 分区 12 分区 13 分区 14 分区 15 分区 16 分区 17 分区 18 分区 19 分区 20 (a) 窄依赖 RDD6 RDD7 join RDD8 分区 21 分区 22 分区 23 图 16-9 窄依赖与宽依赖的区别 groupbykey 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 的多个分区大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn 分区 24 分区 25 分区 26 RDD10 分区 29 分区 30 分区 31 分区 32 RDD11 join (b) 宽依赖 RDD12 分区 27 分区 28 RDD13 分区 33 分区 34 分区 35

30 9.3.4 RDD 运行原理 5.Stage 的划分 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

31 9.3.4 RDD 运行原理 5.Stage 的划分被分成三个 Stage, 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 HDFS 读取 A: Stage 1 Transformation C: D: B: 分区 1 分区 2 分区 3 groupbykey 分区 7 分区 9 分区 8 分区 10 map E: 分区 11 分区 12 F: 分区 4 分区 5 分区 6 分区 13 分区 14 分区 15 分区 16 join G: 分区 17 分区 18 分区 19 写入 Action HDFS 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 Stage 2 union Stage 3 图根据 RDD 分区的依赖关系划分 Stage 大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

32 9.3.4 RDD 运行原理 5.Stage 的划分 Stage 的类型包括两种 :ShuffleMapStage 和 ResultStage, 具体如下 : (1)ShuffleMapStage: 不是最终的 Stage, 在它之后还有其他 Stage, 所以, 它的输出一定需要经过 Shuffle 过程, 并作为后续 Stage 的输入 ; 这种 Stage 是以 Shuffle 为输出边界, 其输入边界可以是从外部获取数据, 也可以是另一个 ShuffleMapStage 的输出, 其输出可以是另一个 Stage 的开始 ; 在一个 Job 里可能有该类型的 Stage, 也可能没有该类型 Stage; (2)ResultStage: 最终的 Stage, 没有输出, 而是直接产生结果或存储这种 Stage 是直接输出结果, 其输入边界可以是从外部获取数据, 也可以是另一个 ShuffleMapStage 的输出在一个 Job 里必定有该类型 Stage 因此, 一个 Job 含有一个或多个 Stage, 其中至少含有一个 ResultStage

33 9.3.4 RDD 运行原理 6.RDD 运行过程通过上述对 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 RDD Objects DAGScheduler TaskScheduler Worker Cluster Manager DAG Taskset Task Threads Block manager rdd1.join(rdd2).groupby(...).filter(...) Split graph into stages of tasks launch tasks via cluster manager execute tasks 图 RDD 在 Spark 中的运行过程大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

34 9.4 Spark SQL 从 Shark 说起 Spark SQL 设计

35 9.4.1 从 Shark 说起 Shark 即 Hive on Spark, 为了实现与 Hive 兼容,Shark 在 HiveQL 方面重用了 Hive 中 HiveQL 的解析逻辑执行计划翻译执行计划优化等逻辑, 可以近似认为仅将物理执行计划从 MapReduce 作业替换成了 Spark 作业, 通过 Hive 的 HiveQL 解析, 把 HiveQL 翻译成 Spark 上的 RDD 操作 Shark 的设计导致了两个问题 : 一是执行计划优化完全依赖于 Hive, 不方便添加新的优化策略 ; 二是因为 Spark 是线程级并行, 而 MapReduce 是进程级并行, 因此, Spark 在兼容 Hive 的实现上存在线程安全问题, 导致 Shark 不得不使用另外一套独立维护的打了补丁的 Hive 源码分支 Parser Semantic Analyzer Logical Plan Generator Logical Optimizer Physical Plan Generator Physical Optimizer 输入将 SQL 转换成抽象语法树将抽象语法树转换成查询块将查询块转换成逻辑查询计划重写逻辑查询计划将逻辑计划转成物理计划选择最佳的优化查询策略输出 Hive 中 SQL 查询的 MapReduce 作业转化过程大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

36 9.4.2 Spark SQL 设计 Spark SQL 在 Hive 兼容层面仅依赖 HiveQL 解析 Hive 元数据, 也就是说, 从 HQL 被解析成抽象语法树 (AST) 起, 就全部由 Spark SQL 接管了 Spark SQL 执行计划生成和优化都由 Catalyst( 函数式关系查询优化框架 ) 负责 Client CLI JDBC Driver Cache Mgr. Metastore SQL Parser catalyst Physical Plan Execution Spark HDFS 图 Spark SQL 架构

37 9.4.2 Spark SQL 设计 Spark SQL 增加了 SchemaRDD( 即带有 Schema 信息的 RDD), 使用户可以在 Spark SQL 中执行 SQL 语句, 数据既可以来自 RDD, 也可以是 Hive HDFS Cassandra 等外部数据源, 还可以是 JSON 格式的数据 Spark SQL 目前支持 Scala Java Python 三种语言, 支持 SQL-92 规范 Scala Python Java HiveQL SQL-92 Spark SQL schemardd HDFS Hive Cassandra JSON 图 Spark SQL 支持的数据格式和编程语言

38 9.5 Spark 的部署和应用方式 Spark 三种部署方式从 Hadoop+Storm 架构转向 Spark 架构 Hadoop 和 Spark 的统一部署

39 9.5.1 Spark 三种部署方式 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 Spark SQL Spark Streaming Mllib (machine learning) Graphx Spark YARN HDFS 图 Spark on Yarn 架构

40 9.5.2 从 Hadoop+Storm 架构转向 Spark 架构数据源业务应用层应用服务器应用数据系统数据导航日志应用日志系统日志报警数据数据收集业务数据收集 Flume Kfaka ETL 网站数据收集 Collector 用户行为数据收集 PV/UV/... 点击流信息导航数据采集数据流 Hadoop 存储离线分析 Storm 流式处理大数据层实时查询 Redis Solr HBase Hive Impala 离线分析 Pig MapReduce Yarn Messos 用户行为实时分析 PV/UV/... Storm 实时流处理欺诈监控系统报警点击流推荐数据存储 (HDFS HBase Cassandra) 图采用 Hadoop+Storm 部署方式的一个案例这种架构部署较为繁琐大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

41 9.5.2 从 Hadoop+Storm 架构转向 Spark 架构用 Spark 架构具有如下优点 : 实现一键式安装和配置线程级别的任务监控和告警降低硬件集群软件维护任务监控和应用开发的难度便于做成统一的硬件计算平台资源池需要说明的是,Spark Streaming 无法实现毫秒级的流计算, 因此, 对于需要毫秒级实时响应的企业应用而言, 仍然需要采用流计算框架 ( 如 Storm) 实时数据实时计算小数据集 (Streaming) 数据源批量数据批量计算批量计算 (Spark) 结果数据集 (HDFS) 查询 (Spark SQL) 客户端图用 Spark 架构满足批处理和流处理需求大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

42 9.5.3 Hadoop 和 Spark 的统一部署由于 Hadoop 生态系统中的一些组件所实现的功能, 目前还是无法由 Spark 取代的, 比如,Storm 现有的 Hadoop 组件开发的应用, 完全转移到 Spark 上需要一定的成本不同的计算框架统一运行在 YARN 中, 可以带来如下好处 : 计算资源按需伸缩不用负载应用混搭, 集群利用率高共享底层存储, 避免数据跨集群迁移 Batch (MapReduce) Online (HBase) Interactive (Tez) Streaming (Storm) In memory (Spark) Yarn HDFS 图 Hadoop 和 Spark 的统一部署

43 9. 6 Spark 编程实践 Spark 安装启动 Spark Shell Spark RDD 基本操作 Spark 应用程序 Spark 上机实践详细过程, 请参考厦门大学数据库实验室建设的中国高校大数据课程公共服务平台中的技术文章 : Spark 学习指南访问地址 :

44 9.6.1 Spark 安装安装 Spark 之前需要安装 Java 环境和 Hadoop 环境下载地址 : 进入下载页面后, 点击主页右侧的 Download Spark 按钮进入下载页面, 下载页面中提供了几个下载选项, 主要是 Spark release 及 Package type 的选择, 如下图所示第 1 项 Spark release 一般默认选择最新的发行版本, 如截止至 2016 年 3 月份的最新版本为第 2 项 package type 则选择 Pre-build with user-provided Hadoop [can use with most Hadoop distributions], 可适用于多数 Hadoop 版本选择好之后, 再点击第 4 项给出的链接就可以下载 Spark 了图 Spark 下载选项

45 9.6.1 Spark 安装解压安装包 spark bin-without-hadoop.tgz 至路径 /usr/local: $ sudo tar -zxf ~/ 下载 /spark bin-without-hadoop.tgz -C /usr/local/ $ cd /usr/local $ sudo mv./spark bin-without-hadoop/./spark # 更改文件夹名 $ sudo chown -R hadoop./spark # 此处的 hadoop 为系统用户名配置 Spark 的 Classpath $ cd /usr/local/spark $ cp./conf/spark-env.sh.template./conf/spark-env.sh # 拷贝配置文件编辑该配置文件, 在文件最后面加上如下一行内容 : export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath) 保存配置文件后, 就可以启动运行 Spark 了 Spark 包含多种运行模式 : 单机模式伪分布式模式完全分布式模式本章使用单机模式运行 Spark 若需要使用 HDFS 中的文件, 则在使用 Spark 前需要启动 Hadoop

46 9.6.2 启动 Spark Shell Spark Shell 提供了简单的方式来学习 Spark API Spark Shell 可以以实时交互的方式来分析数据 Spark Shell 支持 Scala 和 Python 本章节内容选择使用 Scala 进行编程实践, 了解 Scala 有助于更好地掌握 Spark 执行如下命令启动 Spark Shell: 启动 Spark Shell 成功后在输出信息的末尾可以看到 Scala > 的命令提示符, 如下图所示图 6 可通过 Yarn 进行资源管理的应用

47 9.6.3 Spark RDD 基本操作 Spark 的主要操作对象是 RDD,RDD 可以通过多种方式灵活创建, 可通过导入外部数据源建立, 或者从其他的 RDD 转化而来在 Spark 程序中必须创建一个 SparkContext 对象, 该对象是 Spark 程序的入口, 负责创建 RDD 启动任务等在启动 Spark Shell 后, 该对象会自动创建, 可以通过变量 sc 进行访问作为示例, 我们选择以 Spark 安装目录中的 README.md 文件作为数据源新建一个 RDD, 代码如下 : Scala > val textfile = sc.textfile("file:///usr/local/spark/readme.md") // 通过 file: 前缀指定读取本地文件 Spark RDD 支持两种类型的操作 : 动作 (action): 在数据集上进行运算, 返回计算值转换 (transformation): 基于现有的数据集创建一个新的数据集

48 9.6.3 Spark RDD 基本操作 Spark 提供了非常丰富的 API, 下面两表格列出了几个常用的动作转换 API, 更详细的 API 及说明可查阅官方文档 Action API count() collect() first() take(n) reduce(func) foreach(func) 7-1 常用的几个 Action API 介绍说明返回数据集中的元素个数以数组的形式返回数据集中的所有元素返回数据集中的第一个元素以数组的形式返回数据集中的前 n 个元素通过函数 func( 输入两个参数并返回一个值 ) 聚合数据集中的元素将数据集中的每个元素传递到函数 func 中运行 7-2 常用的几个 Transformation API 介绍 Transformation API filter(func) map(func) flatmap(func) groupbykey() reducebykey(func) 说明筛选出满足函数 func 的元素, 并返回一个新的数据集将每个元素传递到函数 func 中, 并将结果返回为一个新的数据集与 map() 相似, 但每个输入元素都可以映射到 0 或多个输出结果应用于 (K,V) 键值对的数据集时, 返回一个新的 (K, Iterable<V>) 形式的数据集应用于 (K,V) 键值对的数据集时, 返回一个新的 (K, V) 形式的数据集, 其中的每个值是将每个 key 传递到函数 func 中进行聚合

49 9.6.3 Spark RDD 基本操作使用 action API - count() 可以统计该文本文件的行数, 命令如下 : Scala > textfile.count() 输出结果 Long = 95( Long=95 表示该文件共有 95 行内容 ) 使用 transformation API - filter() 可以筛选出只包含 Spark 的行, 命令如下 : Scala > val lineswithspark = textfile.filter(line => line.contains("spark")) Scala > lineswithspark.count() 第一条命令会返回一个新的 RDD; 输出结果 Long=17( 表示该文件中共有 17 行内容包含 Spark ) 也可以在同一条代码中同时使用多个 API, 连续进行运算, 称为链式操作不仅可以使 Spark 代码更加简洁, 也优化了计算过程如上述两条代码可合并为如下一行代码 : Scala > val linescountwithspark = textfile.filter(line => line.contains("spark")).count() 假设我们只需要得到包含 Spark 的行数, 那么存储筛选后的文本数据是多余的, 因为这部分数据在计算得到行数后就不再使用到了 Spark 基于整个操作链, 仅储存计算所需的数据, 提升了运行效率大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

50 9.6.3 Spark RDD 基本操作 Spark 属于 MapReduce 计算模型, 因此也可以实现 MapReduce 的计算流程, 如实现单词统计, 可以使用如下的命令实现 : Scala > val wordcounts = textfile.flatmap(line => line.split(" ")).map(word => (word, 1)).reduceByKey((a, b) => a + b) Scala > wordcounts.collect() // 输出单词统计结果 // Array[(String, Int)] = Array((package,1), (For,2), (Programs,1), (processing.,1), (Because,1), (The,1)...) 首先使用 flatmap() 将每一行的文本内容通过空格进行划分为单词 ; 再使用 map() 将单词映射为 (K,V) 的键值对, 其中 K 为单词,V 为 1; 最后使用 reducebykey() 将相同单词的计数进行相加, 最终得到该单词总的出现的次数输出结果 Long = 95( Long=95 表示该文件共有 95 行内容 )

51 9.6.4 Spark 应用程序在 Spark Shell 中进行编程主要是方便对代码进行调试, 但需要以逐行代码的方式运行一般情况下, 会选择将调试后代码打包成独立的 Spark 应用程序, 提交到 Spark 中运行采用 Scala 编写的程序需要使用 sbt(simple Build Tool) 进行打包,sbt 的安装配置步骤如下 : 1. 下载 sbt-launch.jar( 下载地址 ) 2. 将下载后的文件拷贝至安装目录 /usr/local/sbt 中, 命令如下 : sudo mkdir /usr/local/sbt # 创建安装目录 cp ~/ 下载 /sbt-launch.jar /usr/local/sbt sudo chown -R hadoop /usr/local/sbt # 此处的 hadoop 为系统当前用户名 3. 在安装目录中创建一个 Shell 脚本文件 ( 文件路径 :/usr/local/sbt/sbt) 用于启动 sbt, 脚本文件中的代码如下 : #!/bin/bash SBT_OPTS="-Xms512M -Xmx1536M -Xss1M - XX:+CMSClassUnloadingEnabled -XX:MaxPermSize=256M" java $SBT_OPTS -jar `dirname $0`/sbt-launch.jar "$@" 4. 保存后, 还需要为该 Shell 脚本文件增加可执行权限, 命令如下 : chmod u+x /usr/local/sbt/sbt

52 9.6.4Spark 应用程序我们以一个简单的程序为例, 介绍如何打包并运行 Spark 程序, 该程序的功能是统计文本文件中包含字母 a 和字 b 的各有多少行, 具体步骤如下 : 1. 创建程序根目录, 并创建程序所需的文件夹结构, 命令如下 : mkdir ~/sparkapp # 创建程序根目录 mkdir -p ~/sparkapp/src/main/scala # 创建程序所需的文件夹结构 2. 创建一个 SimpleApp.scala 文件 ( 文件路径 : ~/sparkapp/src/main/scala/simpleapp.scala), 文件中的代码内容如下 : import org.apache.spark.sparkcontext import org.apache.spark.sparkcontext._ import org.apache.spark.sparkconf object SimpleApp { def main(args: Array[String]) { val logfile = "file:///usr/local/spark/readme.md" // 用于统计的文本文件 val conf = new SparkConf().setAppName("Simple Application") val sc = new SparkContext(conf) val logdata = sc.textfile(logfile, 2).cache() val numas = logdata.filter(line => line.contains("a")).count() val numbs = logdata.filter(line => line.contains("b")).count() println("lines with a: %s, Lines with b: %s".format(numas, numbs)) } }

9.6.4 Spark 应用程序 3. 然后创建一个 simple.sbt 文件 ( 文件路径 :~/sparkapp/simple.sbt), 用于声明该应用程序的信息以及与 Spark 的依赖关系, 具体内容如下 : name := "Simple Project" version := "1.0" scalaversion := "2.10.

53 9.6.4 Spark 应用程序 3. 然后创建一个 simple.sbt 文件 ( 文件路径 :~/sparkapp/simple.sbt), 用于声明该应用程序的信息以及与 Spark 的依赖关系, 具体内容如下 : name := "Simple Project" version := "1.0" scalaversion := "2.10.5" librarydependencies += "org.apache.spark" %% "spark-core" % "1.6.0" 4. 使用 sbt 对该应用程序进行打包, 命令如下 : cd ~/sparkapp /usr/local/sbt/sbt package 打包成功后, 会输出程序 jar 包的位置以及 Done Packaging 的提示, 如下图所示

54 9.6.4 Spark 应用程序有了最终生成的 jar 包后, 再通过 spark-submit 就可以提交到 Spark 中运行了, 命令如下 : /usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp/target/scala-2.10/simple-project_ jar 该应用程序的执行结果如下 : Lines with a: 58, Lines with b: 26

55 本章小结本章首先介绍了 Spark 的起源与发展, 分析了 Hadoop 存在的缺点与 Spark 的优势接着介绍了 Spark 的相关概念生态系统与核心设计 Spark 的核心是统一的抽象 RDD, 在此之上形成了结构一体化功能多元化的完整的大数据生态系统, 支持内存计算,SQL 即席查询实时流式计算机器学习和图计算本章最后介绍了 Spark 基本的编程实践, 包括 Spark 的安装与 Spark Shell 的使用, 并演示了 Spark RDD 的基本操作 Spark 提供了丰富的 API, 让开发人员可以用简洁的方式来处理复杂的数据计算与分析

附录 : 主讲教师林子雨简介主讲教师 : 林子雨单位 : 厦门大学计算机科学系 E-mail: ziyulin@xmu.edu.

cn/linziyu 数据库实验室网站 :http://dblab.xmu.edu.

56 附录 : 主讲教师林子雨简介主讲教师 : 林子雨单位 : 厦门大学计算机科学系 ziyulin@xmu.edu.cn 个人网页 : 数据库实验室网站 : 扫一扫访问个人主页林子雨, 男,1978 年出生, 博士 ( 毕业于北京大学 ), 现为厦门大学计算机科学系助理教授 ( 讲师 ), 曾任厦门大学信息科学与技术学院院长助理晋江市发展和改革局副局长中国计算机学会数据库专业委员会委员, 中国计算机学会信息系统专业委员会委员, 荣获 2016 中国大数据创新百人称号中国高校首个数字教师提出者和建设者, 厦门大学数据库实验室负责人, 厦门大学云计算与大数据研究中心主要建设者和骨干成员,2013 年度厦门大学奖教金获得者主要研究方向为数据库数据仓库数据挖掘大数据云计算和物联网, 并以第一作者身份在软件学报计算机学报和计算机研究与发展等国家重点期刊以及国际学术会议上发表多篇学术论文作为项目负责人主持的科研项目包括 1 项国家自然科学青年基金项目 (No ) 1 项福建省自然科学青年基金项目 (No.2013J05099) 和 1 项中央高校基本科研业务费项目 (No ), 同时, 作为课题负责人完成了国家发改委城市信息化重大课题国家物联网重大应用示范工程区域试点泉州市工作方案 2015 泉州市互联网经济调研等课题中国高校首个数字教师提出者和建设者,2009 年至今, 数字教师大平台累计向网络免费发布超过 100 万字高价值的研究和教学资料, 累计网络访问量超过 100 万次打造了中国高校大数据教学知名品牌, 编著出版了中国高校第一本系统介绍大数据知识的专业教材大数据技术原理与应用, 并成为京东当当网等网店畅销书籍 ; 建设了国内高校首个大数据课程公共服务平台, 为教师教学和学生学习大数据课程提供全方位一站式服务, 年访问量超过 50 万次具有丰富的政府和企业信息化培训经验, 厦门大学管理学院 EDP 中心浙江大学管理学院 EDP 中心厦门大学继续教育学院泉州市科技培训中心特邀培训讲师, 曾给中国移动通信集团公司福州马尾区政府福建龙岩卷烟厂福建省物联网科学研究院石狮市物流协会厦门市物流协会浙江省中小企业家四川泸州企业家江苏沛县企业家等开展信息化培训, 累计培训人数达 3000 人以上

附录 : 大数据技术原理与应用教材大数据技术原理与应用概念存储处理分析与应用 ( 第 2 版 ), 由厦门大学计算机科学系林子雨博士编著,

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

安排了入门级的实践操作, 让读者更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,

57 附录 : 大数据技术原理与应用教材大数据技术原理与应用概念存储处理分析与应用 ( 第 2 版 ), 由厦门大学计算机科学系林子雨博士编著, 是中国高校第一本系统介绍大数据知识的专业教材扫一扫访问教材官网全书共有 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欢迎访问大数据技术原理与应用概念存储处理分析与应用教材官方网站 :

58 附录 : 中国高校大数据课程公共服务平台扫一扫访问平台主页扫一扫观看 3 分钟 FLASH 动画宣传片

59 Department of Computer Science, Xiamen University, 2017 大数据技术原理与应用 ( 第 2 版 ) 厦门大学计算机科学系林子雨 ziyulin@xmu.edu.cn

大数据技术原理与应用

大数据技术原理与应用厦门大学计算机科学系 ( 第 2 版 ) 厦门大学计算机科学系林子雨 2017 年 2 月版本 ziyulin@xmu.edu.cn 大数据技术原理与应用 ( 第 2 版 ) http://dblab.xmu.edu.cn/post/bigdata 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课程介绍 (PPT 版本号 :2017 年 2 月版本