说明

讲师：首席架构师 李智慧



Spark

Spark 生态体系

Spark vs Hadoop

Spark 特点（Spark 为什么更快）

1. DAG (Directed Acyclic Graph)有向无环图 切分的多阶段计算过程更快速；

2. 使用内存存储中间计算结果更高效；

3. RDD (Resilient Distributed Datasets) 的编程模型更简单。



Spark WordCount 编程示例

// 根据 HDFS 路径生成一个输入数据 RDD。
val textFile = sc.textFile("hdfs://...")
// 在输入数据 RDD上执行3个操作，得到一个新的 RDD。  
val counts = textFile.flatMap(line => line.split(" ")) // 1. 将输入数据的每一行文本用空格拆分成单词
						.map(word => (word, 1)) // 2. 将每个单词进行转换，word => (word, 1), 生成的结构。
						.reduceByKey(_ + _) // 3. 相同的 Key 进行统计，统计方式是对 Value 求和，(_ + _).
counts.saveAsTextFile("hdfs://...") // 将这个 RDD 保存到 HDFS



Shuffle 把相同的Key进行汇集，由Spark的执行引擎调用 reduceByKey，。

大数据关键的点就在于 Shaffle，把相关联的数据进行汇集。



作为编程模型的 弹性分布式数据集RDD (Resilient Distributed Datasets)

RDD 是 Spark 的核心概念，是弹性分布式数据集（Resilient Distributed Datasets）的缩写。RDD 既是 Spark 面向开发者的编程模型，又是 Spark 自身架构的核心元素。



作为 Spark 编程模型的 RDD。 我们知道，大数据计算就是在大规模的数据集上进行一系列的数据计算处理。MapReduce 针对输入数据，将计算过程分为两个阶段，一个 Map 阶段，一个 Reduce 阶段，可以理解成是面向过程的大数据计算。我们在用 MapReduce 编程的时候，思考的是，如何将计算逻辑用 Map 和 Reduce 两个阶段实现， map 和 reduce 函数的输入和输出是什么，MapReduce是面向过程的。



而 Spark 则直接针对数据进行编程，将大规模数据集合抽象成一个 RDD 对象，然后在这个 RDD 上进行各种计算处理，得到一个新的 RDD，继续计算处理，直到得到最后的结果数据。所以 Spark 可以理解成是面向对象的大数据计算。我们在进行 Spark 编程的时候，思考的是一个 RDD 对象需要经过什么样的操作，转换成另一个 RDD 对象，思考的重心和落脚点都在 RDD 上。



WordCount 程序 RDD 分析

WordCount 的代码示例里，第 2 行代码实际上进行了 3 次 RDD 转换，每次转换都得到一个新的 RDD，因为新的 RDD 可以继续调用 RDD 的转换函数，所以连续写成一行代码。事实上，可以分成 3 行。

val rdd1 = textFile.flatMap(line => line.split(" "))
var rdd2 = rdd1.map(word => (word, 1))
var rdd3 = rdd2.reduceByKey(_ + _)



RDD 上定义的函数分两种，一种是转换（transformation）函数，这种函数的返回值还是 RDD；另一种是执行（action）函数，这种函数不再返回 RDD.



RDD 定义了很多转换操作函数，比如有计算 map(func)、过滤 filter(func)、合并数据集 union(otherDataset)、根据 Key 聚合 reduceByKey(func, [numPartitions])、连接数据集 join(otherDataset, [numPartitions])、分组 groupByKey([numPartitions]) 等十几个函数。



作为数据分片的 RDD

跟 MapReduce 一样，Spark 也是对大数据进行分片计算，Spark 分布式计算的数据分片、任务调度都是以 RDD 为单位展开的，每个 RDD 分片都会分配到一个执行进程去处理。



RDD 上的转换操作又分成两种，一种转换操作产生的 RDD 不会出现新的分片，比如 map、filter等，也就是说一个 RDD 数据分片，经过 map 或者 filter 转换操作后，结果还在当前分片。就像你用 map 函数对每个数据加 1，得到的还是这样一组数据，只是值不同。实际上，Spark 并不是按照代码写的操作顺序去生成 RDD，比如 rdd2 = rdd1.map(func).



这样的代码并不会在物理上生成一个新的 RDD。物理上，Spark 只有在产生新的 RDD 分片的时候，才会真的生成一个RDD，Spark 的这种特性也被称作惰性计算。



另一种转换操作产生的 RDD 则会产生新的分片，比如 reduceByKey，来自不同分片的相同 Key 必须聚合在一起进行操作，这样就会产生新的 RDD 分片。然而，实际实际执行过程中，是否会产生新的 RDD 分片，并不是根据转换函数名就能判断出来的。

Spark 的计算阶段：DAG (Directed Acyclic Graph)有向无环图

和 MapReduce 一个应用一次只运行一个 map 和一个 reduce 不同，Spark 可以更加应用的复杂程度，分割成更多的计算阶段（stage），这些计算阶段组成一个有向无环图 DAG，Spark 任务调度器可以根据 DAG 的依赖关系执行计算阶段。

这个 DAG 对应的 Spark 程序伪代码如下：

rddB = rddA.groupBy(key)
rddD = rddC.map(func)
rddF = rddD.union(rddE)
rddG = rddB.join(rddF)



整个应用被切分成 3 个阶段，阶段 3 需要依赖阶段 1 和阶段 2，阶段 1 和阶段 2 互不依赖。Spark 在执行调度的时候，先执行阶段 1 和阶段 2，完成以后，再执行阶段 3. 如果有更多的阶段，Spark 的策略也是一样的。只有根据程序初始化好 DAG，就建立了依赖关系，然后根据依赖关系顺序执行各个计算阶段，Spark 大数据应用的计算就完成了。



Spark 作业调度执行的核心是 DAG，有了 DAG，整个应用就被切分成哪些阶段，每个阶段的依赖关系也就清楚了。之后再根据每个阶段要处理的数据量生成相应的任务集合（TaskSet），每个任务都分配一个任务进程去处理，Spark 就实现了大数据的分布式计算。



负责 Spark 应用 DAG 生成和管理的组件是 DAGScheduler，DAGScheduler 根据程序代码生成 DAG，然后将程序分发到分布式计算集群，按计算阶段的先后关系调度执行。



那么 Spark 划分计算阶段的依据是什么呢？显然并不是 RDD 上的每个转换函数都会生成一个计算阶段，比如上面的例子有 4 个转换函数，但是只有 3 个阶段。



当 RDD 之间的转换连接线呈现多对多交叉连接的时候，就会产生新的阶段。一个 RDD 代表一个数据集，图中每个 RDD 里面都包含多个小块，每个小块代表 RDD 的一个分片。

Spark 也需要通过 shuffle 将数据进行重新组合，相同 Key 的数据放在一起，进行聚合、关联等操作，因而每次 shuffle 都产生新的计算阶段。这也是为什么计算阶段会有依赖关系，它需要的数据来源于前面一个或多个计算阶段产生的数据，必须等到前面的阶段执行完毕才能进行 shuffle，并得到数据。



计算阶段划分的依据是 shuffle，不是转换函数的类型，有的函数有时候又 shuffle，有时候没有。例子中 RDD B 和 RDD F 进行 join，得到 RDD G，这里的 RDD F 需要进行shuffle，RDD B 就不需要。

Spark 的作业管理

Spark 里面的 RDD 函数有两种，一种是转换函数，调用以后得到的还是一个 RDD，RDD 的计算逻辑主要通过转换函数完成。



另一种 action 函数，调用以后不再返回 RDD。 比如 count() 函数，返回 RDD 中数据的元素个数；saveAsTextFile(path), 将 RDD 数据存储到 path 路径下。Spark 的 DAGScheduler 在遇到 shuffle 的时候，会生成一个计算阶段，在遇到 action 函数的时候，会生成一个作业 (job)。



RDD 里面的每个数据分片，Spark 都会创建一个计算任务去处理，所以一个计算阶段会包含很多个计算任务 (task)。



Spark 的执行过程

Spark 支持 Standalone、Yarn、Mesos、Kubernetes 等多种部署方案，几种部署方案原理也都一样，只是不同组件角色命名不同，但是核心功能和运行流程都差不多。

首先，Spark 应用程序启动在自己的 JVM 进程里，即 Driver 进程，启动后调用 SparkContext 初始化执行配置和输入数据。SparkContext 启动 DAGScheduler 构造执行的 DAG 图，切分成最小的执行单元也就是计算任务。



然后 Driver 向 Cluster Manager 请求计算资源，用于 DAG 的分布式计算。Cluster Manager 收到请求以后，将 Driver 的主机地址等信息通知给集群的所有计算节点 Worker。



Worker 收到信息以后，根据 Driver 的主机地址，跟 Driver 通信并注册，然后根据自己的空闲资源向 Driver 通报自己可以领用的任务数。 Driver 根据 DAG 图开始向注册的 Worker 分配任务。



Worker 收到任务后，启动 Executor 进程开始执行任务。Executor 先检查自己是否有 Driver 的执行代码，如果没有， 从 Driver 下载执行代码，通过 Java 反射加载后开始执行。

流计算

Storm 实时的 Hadoop

实时计算系统：

• 低延迟

• 高性能

• 分布式

• 可伸缩

• 高可用



Storm 的基本概念



• Nimbus：负责资源分配和任务调度。

• Supervisor：负责接受 Nimbus 分配的任务，启动和停止属于自己管理的 Worker 进程。

• Worker：运行具体处理组件逻辑的进程。

• Task：Worker 中每一个 Spout/Bolt 的线程称为一个 Task。

Topology：Storem 中运行的一个实时应用程序，因为各个组件间的信息流动形成逻辑上的一个拓扑结构。

Spout：在一个 Topology 中产生源数据流的组件。通常情况下 Spout 会从外部数据源中读取数据，然后转换为 Topology 内部的源数据。Spout 是一个主动角色，其接口中有个 nextTuple() 函数，Storm 框架会不停地调用此函数，用户只要在其中生成源数据即可。

Bolt：在一个 Topology 中接受数据然后执行处理的组件。Bolt 可以执行过滤、函数操作、合并、写数据库等任何操作。Bolt 是一个被动的角色，其接口中有个 execute(Tuple input) 函数，在接受到消息后会调用此函数，用户可以在其中执行自己想要的操作。

Tuple：一次消息传递的基本单元。本来应该是一个 key-value 的map， 但是由于各个组件间传递的 tuple 的字段名称已经事先定义好，所以 tuple 中只要按顺序填入各个 value 就行了，所以就是一个 value list。

Stream：源源不断传递的 tuple 就组成了 stream。

Stream Groupings

Stream Groupings 定义了一个流在 Bolt 任务间该如何被切分。这里有 Storm 提供的 6 个 Stream Grouping 类型：

• 随机分组（Shuffle Grouping）：随机分发 tuple 到 Bolt 的任务，保证每个任务获得相等数量的 tuple。

• 字段分组（Fields Grouping）：根据指定字段分割数据流，并分组。例如，根据 "user-id" 字段，相同 "user-id" 的元组总是分发到同一个任务，不同 "user-id" 的元组可能分发到不同的任务。

• 全部分组（All Grouping）：tuple 被复制到 Bolt 的所有任务。这种类型需要谨慎使用。

• 全局分组（Global Grouping）：全部流都分配到 Bolt 的同一个任务。明确地说，是分配给 ID 最小的那个 Task。

• 无分组（None Grouping）：你不需要关心流式如何分组。目前，无分组等效于随机分组。但最终， Storm 将把无分组的 Bolts 放到 Bolts 或 Spouts 订阅它们的同一线程去执行（如果可能）。

• 直接分组（Direct Grouping）：这是一个特别的分组类型。元组生产者决定 tuple 由哪个元组处理或者任务接收。

• 当然还可以实现 CustomStreamGrouping 接口来定制自己需要的分组。



Storm Example

当车辆超越 80 公里每小时，则记录。

使用的一个类型日志，其中包含的车辆数据信息有：车牌号、车辆行驶的速度以及数据获取的位置。

Topology

Spout

Bolt



public class StormMain {
	pulbic static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException {
		ParallelFileSpout parallelFileSpout = new ParallelFileSpout();
		ThreasholdBolt thresholdBolt = new ThreasholdBolt();
		DBWriterBolt dbWriterBolt = new DBWriterBolt();
		TopologyBuilder builder = new TopologyBuilder();
		builder.setSpout("spout", parallelFileSpout, 1);
		builder.setBolt("thresholdBolt", thredsholdBolt, 1).shuffleGrouping("spout");
		builder.setBolt("dbWriterBolt", dbWriterBolt, 1).shuffleGrouping("thresholdBolt");
		if (this.argsMain != null && this.argsMain.length > 0) {
			conf.setNumWorkers(1);
			StoremSubmitter.submitTopology(this.argsMain(0), conf, builder.createTopology());
		} else {
			Config conf = new Config();
			conf.setDebug(true);
			conf.setMaxTaskParallelism(3);
			LocalCluster cluster = new LocalCluster();
			cluster.submitTopology("Threshold_Test", conf, builder.createTopology());
		}
	}
}

Storm 应用场景（淘宝）

Storm 被广泛用来进行实时日志处理，出现在实时统计、实时风控、实时推荐等场景中。一般来说，我们从类 Kafka 的 metaq 或者基于 HBase 的 TimeTunnel 中读取实时日志消息，经过一系列处理，最终将处理结果写入到一个分布式存储汇总，提供给应用程序访问。我们每天的实时消息量从几百万到几十亿不等，数据总量达到 TB 级别。对于我们来说，Storm 往往会配合分布式存储服务一起使用。在我们正在进行的个性化搜索实时分析项目中，就使用了 TimeTunnel + HBase + Storm + UPS 的架构，每天处理几十亿的用户日志信息，从用户行为发生到完成分析延迟在秒级。

Spark Streaming



// Create a local StreamingContext with two working thread and batch interval of 1 second
SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("NetworkWordCount");
JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1));
// Create a DStream that will connect to hostname:port, like localhost:9999
JavaReceiverInputDStream<String> lines = jssc.socketTextStream("localhost", 9999);
// Split each line into words
JavaDStream<String> words = lines.flatMap(x -> Arrays.asList(x.split(" ")).iterator());



Flink

// Flink 流处理计算
StreamExecutionEnvironment see = StreamExecutionEnvironment.getExecutionEnvironment();
DataSteam<WikipediaEditEvent> edits = see.addSource(new WikipediaEditsSource());
// Flink 批处理计算
ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
DataSet<String> text = env.readTextFile("/path/to/file");

Flink例子 WordCount

public class WordCountExample {
	public static void main(String[] args) throws Exception {
		final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
		DataSet<String> text = env.fromElements("Who's there?", "I think I hear them. Stand, ho! Who's there?");
		
		DataSet<Tuple2<String, Integer>> wordCounts = text.flatMap(new LineSplitter())
									.groupBy(0)
									.sum(1);
									
		wordCounts.print();
	}
}



HiBench

Hibench 是 Intel 开源的一个 Hadoop Benchmark Suit，包含 9 个典型的 Hadoop 负载：

• Micro benchmarks

☞ Sort

☞ WordCount

☞ TeraSort

• HDFS benchmarks

☞ DFSIO

• web search benchmarks

☞ nUTCH INDEXING

☞ pAGErANK

• machine learning benchmarks

☞ Mahout Bayesian classification

☞ Mahout K-means clustering

• data analytics benchmarks

☞ Hive Query Benchmarks



主页是： https://github.com/intel-hadoop/hibench

Micro Benchmarks

• Sort(sort): 使用 Hadoop RandomTextWriter 生成数据，并对数据进行排序。

• WordCount(wordcount): 统计输入数据中每个单词的出现次数，输入数据使用 Hadoop RandomTextWriter 生成。

• TeraSort(terasort): 这是由微软的数据库大牛 Jim Gray（2007年失踪）创建的标准benchmark，输入数据由 Hadoop TeraGen 产生。

HDFS Benchmarks

增强的 DFSIO（dfsioe）：通过产生大量同时执行读写请求的任务来测试 Hadoop 集群的 HDFS 吞吐量。

Web Search Benchmarks

Nutch indexing(nutchindexing): 大规模搜索引擎索引是 MapReduce 的一个重要应用，这个负载测试 Nutch（Apache 的一个开源搜索引擎）的索引子系统，使用自动生成的 Web 数据，Web 数据中的链接和单词符合 Zipfian 分布。



PageRank(pagerank)： 这个负载包含一种在 Hadoop 上的 PageRank 算法实现，使用自动生成的 Web 数据，Web 数据中的链接和单词符合 Zipfian 分布。

Data Analytics Benchmarks

Hive Query Benchmarks（hivebench）：这个负载的开发基于 SIGMOD 09 的一篇论文 "A Comparison of Approaches to Large-Scale Data Analysis" 和 HIVE-396, 包含执行典型 OLAP 查询的 Hive 查询（Aggregation and Join），使用自动生成的 Web 数据，Web 数据中的链接符合 Zipfian 分布。

Machine Learning Benchmarks

Mahout Bayesian classification（bayes）：大规模机器学习也是 MapReduce 的一个重要应用，这个负载测试 Mahout 0.7 （Apache 的一个开源机器学习库）中的 Naive Bayesian 训练器，输入数据是自动生成的文档，文档中的单词符合 Zipfian 分布。



Mahout K-means clustering(kmeans): 这个负载测试 Mahout 0.7 中的 K-means 聚类算法，输入数据集由基于均匀分布和高斯分布的 GenKMeansDataset 产生。

安装与配置

建立环境：

• HiBench-2.2: 从 https://github.com/intel-hadoop/HiBench 下载。

• Hadoop: 在运行任何负载之前，请确保 Hadoop 环境能正常运行，所有负载在 Cloudera Distribution of Hadoop 3 update 4(cdh3u4)和Hadoop 1.0.3上测试通过。

• Hive:如果要测试 hivebench，请确保已经正确建立了 Hive 环境。



配置所有负载：

• 需要在 ${HIBENCH_HOME}/bin/hibench-config.sh 文件中设置一些全局的环境变量。

配置单个负载：在每个负载目录下，可以修改 conf/configure.sh 这个文件，设置负载运行的参数。



同步每个节点的时间。

单独运行每个负载： 可以单独运行每个负载，通常，在每个负载目录下有三个不同的文件：

Cloudera Impala

• Impala is very fast(response in few seconds) when it dose small data (<10G).

• However, more large data, more bad performance (10~100G).

• It should lose response while data size is very large (>100G).

• It's not very robust, some SQL make it crash.

• Impala must run with Hive. -- It use Hive's metastore by sharing same remote meta data store service(such as MySQL).

• Impala have same SQL syntax with Hive.

☞ Exclude all DDL statements that are not supported today.

☞ Impala has individual SQL grammar file & parser which is different with Hive.

Role of Impala in Hadoop Ecosystem

MPP Architecture of Impala

Impala Top Sequence

Impala Logic Deployment Model

Performance Test

Impala 倾向于把数据放在内存中计算，架构上的短板比较明显，超过内存处理能力，就会处理不了。



总结

Spark，Spark Stream，Flink 在大数据中的未来比较光明。