spark

Spark VS Hadoop

• Spark 特点

• DAG 切分的多阶段计算过程更迅速

• 使用内存存储中间计算结果更高效

• RDD 的编程比 MapReduce 更简单

作为编程模型的 RDD

RDD 是 Spark 的核心概念, 是弹性分布式数据集的缩写.

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.

MapReduce 针对输入数据,将计算过程分为 Map 和 Reduce 两个阶段, 可以理解成 面向过程 的大数据计算, 在使用 MapReduce 编程时, 要考虑的是, Map 和 Reduce 的输入和输出是什么.

Spark 则直接针对数据编程, 将大规模数据集合抽象为一个 RDD 对象, 然后在这个 RDD 对象上做各种计算处理, 得到一个新的 RDD 对象, 然后继续计算处理, 知道得到最后的结果.所以 Spark 可以理解成是面向对象的大数据计算, 在使用 Spark 编程时, 要考虑的是, 一个 RDD 对象需要经过什么样的操作, 转换成另一个 RDD 对象, 思考的重点是在 RDD 上.

RDD 上定义的函数分为两种:

• 转换函数

• 返回值还是 RDD

• 执行函数

• 返回值不再是 RDD, 比如上面的最后一行代码

作为数据分片的 RDD

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过程去处理.

RDD 上的转换操作有两种:

• 一种是转换操作产生的 RDD, 不会出现新的分片, 结果还是在当前分片. 比如 map, filter 等

• 一种是会产生新的分片, 比如 reduceByKey

惰性计算

也叫延迟计算, 并不是按照代码的顺序执行的. spark 的计算是在将任务分发后才开始执行的.

Spark 的计算阶段

和 MapReduce 一个应用一次只运行一个 Map 和一个 Reduce 不同. Spark 可以根据应用的复杂程度, 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 任务调度根据这个 DAG 的依赖关系执行计算阶段.

Spark 的作业管理

• 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.

• action 函数, 调用以后不再返回 RDD, Spark 在遇到一个 action 函数时, 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区处理, 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 生态体系

流计算

Storm

• 可以理解是实时的 Hadoop

• Storm 的部署图

• 所有的大数据框架部署都是类似的

Spark Streaming

实际上批处理, 只是批处理的分片做的足够小, 就类似实现了实时的效果

Flink

支持流计算和批处理计算

大数据可视化

解决大数据怎么用的问题

互联网运营常用指标

• 新增用户数

• 日新增用户数

• 周新增用户数

• 月新增用户数

• 用户留存率

• 经过一段时间依然没有流失的用户称为留存用户

• 留存用户数/当期新增用户数

• 用户流失率=1-用户留存率

• 活跃用户数

• 打开使用产品的用户数

• 日活/月活

• PV

• GMV

• 成交总额

• 配合使用的还有订单量/客单价(单个订单的平均价格)等

• 转化率

• 有购买行为的用户数/总访问用户数

• 漏斗图

数据分析与机器学习

• Google PageRank

• 当 A 页面中包含一个 B 页面的链接, 就表示 B 页面对 A 页面是有价值的, 也就相当于 A 页面为 B 页面投了一票

• 投票数越多的页面, PR 值越高

• KNN 分类算法

• 用于解决分类的问题

• 对于一个需要分类的数据, 与一组已经分类好的样本集合进行比较, 取到距离最近的 K 个样本, K 个样本中最多归属的类别 ,就是这个数据的类别

• 数据的距离算法

• 确定特征值

• TF-IDF 算法

• TF: 词频, 表示某个单词在当前文档中出现的频率

• IDF: 逆文档频率, 表示这个单词在所有文档中的稀缺程度

• 当一个词在当前文档中出现的频率很高, 但在所有文档中出现的频率很低, 说明这个词就是当前文档的特征值.

• 
  

贝叶斯分类算法

K-means 聚类算法

• 推荐引擎算法

• 基于人口统计的推荐, 通过用户画像找到同类用户

机器学习

系统架构

• 样本

• 包括输入和结果两部分

• 举例

• 模型

• 映射样本输入和样本结果的函数, 可能是一个条件概率分布, 也可能是一个决策函数.

• 一般先确定函数, 通过样本确定函数中的参数.

• 算法

• 算法就是要从模型的假设空间中寻找一个最优的函数, 使得样本空间的输入 x 经过该函数的映射得到的 f(x), 和真实的 Y 值之间距离最小

• 如何保证 f 函数或者 f 函数的参数控件最接近最优解, 就是算法的策略

• 损失函数用来评估模型是否最接近最优解