01 走进 Spark
1、Spark 介绍
（1）Spark 是用于大规模数据处理的对立剖析引擎；
（2）运行速度快：Spark 应用先进的 DAG 执行引擎，以反对循环数据流与内存计算，基于内存的执行速度可比 Haddop MapReduce 快上百倍，基于磁盘的执行速度也能快十倍；
（3）易用性：Spark 反对应用 Scala、Java、Python 和 R 语言进行编程，简洁的 API 设计有助于用户轻松构建并行程序，并且能够通过 Spark Shell 进行交互式编程；
（4）通用性：Spark 提供了残缺而弱小的技术栈，包含 SQL 查问、流式计算、机器学习和图算法组件，这些组件能够无缝整合在同一利用中，足以应答简单的计算；
（5）运行模式多样：Spark 可运行于独立的集群模式中，或者运行于 Hadoop 中，也可运行 Amazon EC2 等云环境中，并且能够拜访 HDFS、Cassandra、HBase、Hive 等多种数据源。
2、Spark 生态系统
Spark 生态圈即 BDAS（伯克利数据分析栈）蕴含了 Spark Core、Spark SQL、Spark Streaming、MLLib 和 GraphX 等组件，这些组件别离解决 Spark Core 提供内存计算框架、SparkStreaming 的实时处理利用、Spark SQL 的即时查问、MLlib 或 MLbase 的机器学习和 GraphX 的图解决，它们都是由 AMP 实验室提供，可能无缝的集成并提供一站式解决平台。
3、Spark 实用的利用场景
（1）简单的批量解决（Batch Data Processing）, 偏重点在于解决海量数据的能力，至于处理速度可承受，通常的工夫可能在于数十分钟到数小时。另外随着 Spark 的 AQE 和 Runtime Filter Joins 等性能的退出，Spark 性能也有了更大的晋升；
（2）基于历史数据的交互式查问（Interactive Query），通常的工夫在数十秒到数十分钟之间；
（3）基于实时数据流的数据处理（Streaming Data Processing），通常在数百毫秒到数秒之间。
02 Spark 架构
1、架构组件组成
（1）Application: 建设在 Spark 上的用户程序，包含 Driver 代码和运行在集群各节点 Executor 中的代码；
（2）Driver: 驱动程序，Application 中的 main 函数并创立 SparkContext；
（3）Cluster Manager: 在集群（Standalone、Mesos、YARN）上获取资源的内部服务；（4）Worker Node: 集群中任何能够运行 Application 代码的节点；
（5）Executor: 某个 Application 运行在 Worker 节点上的一个过程；
（6）Task: 被送到某个 Executor 上的工作单元；
（7）Job: 蕴含多个 Task 组成的并行计算，往往由 Spark Action 算子触发生成，一个 Application 中往往产生多个 Job；
（8）Stage: 每个 Job 会被拆分成多组 Task，作为一个 TaskSet，其名称为 Stage。
2、组件之间的交互
（1）在驱动程序中，通过 SparkContext 主导利用的执行；
（2）SparkContext 能够连贯不同类型的 Cluster Manager(Standalone、YARN、Mesos)，连贯后，能够取得集群节点上的 Executor 信息，管制集群和监控 Worker；
（3）Worker 负责管制计算节点，一个 Worker 节点默认一个 Executor，可通过 SPARK_WORKER_INSTANCES 调整；
（4）Executor 是 Application 运行在 Worker Node 上的一个过程；
（5）每个 Task 解决一个 RDD 分区；
3、运行流程
（1）构建 Spark Application 的运行环境，启动 SparkContext；
（2）SparkContext 向资源管理器（Standalone、Mesos、Yarn）申请运行 Executor 资源，并启动 StandaloneExecutorBackend（建设 Executor 线程池）；
（3）Executor 向 SparkContext 申请 Task；
（4）SparkContext 将应用程序分发给 Executor。SparkContext 构建成 DAG 图，将 DAG 图分解成 Stage、将 Taskset 发送给 Task Scheduler，最初由 Task Scheduler 将 Task 发送给 Executor 运行；
（5）Task 在 Executor 上运行，运行完开释所有资源。
03 Spark 在 KaiwuDB 中的定制化
1、KWSpark 介绍
KWSpark 是为了满足用户在 KaiwuDB 上进行高性能 OLAP 剖析的需要而推出的产品，它借助 KaiwuDB 分布式数据库的计算和存储能力，再加上 Apache Spark 的大数据疾速并发解决能力，帮忙用户实现在大数据量下的 HTAP 查问。
它具备以下特点：
①多种数据读写形式反对；
②直连 KaiwuDB 节点底层存储接口；
③反对过滤算子、聚合算子下推到 KaiwuDB；
④反对 KaiwuDB 地区亲和个性；
⑤反对平安认证。
2、KWSpark 架构
在实现建设 KaiwuDB 分布式集群的根底上，KWSpark 通过拜访某一 KaiwuDB 节点上所存在的元数据信息，来获取整个集群各节点信息，而后应用 rpc 来间接连贯各个节点的存储接口，减速数据获取，并依附序列化工具的高传输效率，进步 Spark 与 KaiwuDB 的数据交换性能。
3、KWSpark- 数据读写
KWSpark 反对两种读写 KaiwuDB 的形式，一种是 JDBC 形式，一种是 Spark 数据源形式，Spark 数据源形式通过定制化实现针对 KaiwuDB 的数据源，进而反对 KaiwuDB 的读写。
4、KWSpark- 数据读写
KWSpark 反对 KaiwuDB 行引擎和列引擎。KWSpark 对 KaiwuDB 的行存引擎和列存引擎进行了反对，行存引擎适宜事务场景，列存引擎适宜 AP 场景，而且列式存储具备更高的压缩比。对于 Spark 来说，个别用来做 OLAP 剖析场景比拟多，可选用列存引擎性能更优，然而也可选用行引擎来进行数据操作。
5、KWSpark- 计算下推 KWSpark 反对列裁剪、谓词下推和聚合下推，将算子间接下推至 KaiwuDB 的存储层进行数据计算，充分利用分布式计算资源，缩小大量数据在网络中的传输，晋升 Spark 的计算性能。
6、KWSpark- 主键分区过滤
KWSpark 在实现 query 语句的解析后，依据过滤条件中的主键过滤信息以及表的 range 元数据中的主键范畴数据，过滤掉不合乎查问条件的 range，缩小 Spark 与 KaiwuDB 节点之间的 rpc 通信次数，缩小 Spark 的 Task 工作数，晋升查问性能。
7、KWSpark- 地区亲和
为了充沛反对 KaiwuDB 个性，KWSpark 对地区亲和个性进行反对，它具备就近查问，减小网络数据传输间隔，晋升查问性能的劣势。举例说明：当 KaiwuDB 集群散布在两个数据中心，一个 beijing 核心，一个 shanghai 核心，其中数据分为 beijing 和 shanghai 两个正本存在，当在 beijing 的 Spark 集群查问数据时，开启地区亲和个性，那么将会优先从 beijing 核心节点上获取数据，缩小网络数据传输间隔，晋升查问性能。
8、KWSpark- 用户权限管制 KWSpark 可启用 ssl 证书，用来管制用户对 KaiwuDB 零碎表操作权限, 进而管制用户对于数据的读写操作权限管制。
（1）KaiwuDB 平安模式下，超级管理员，对系统表权限较高，KWSpark 应用该用户证书可失常执行
（2）KaiwuDB 平安模式下，普通用户必须进行相应表权限赋予，KWSpark 才可失常运行
（3）KaiwuDB 非平安模式下，KWSpark 无需用户权限即可失常运行
9、KWSpark- 版本兼容
（1）Spark 2.4.x
（2）Spark 3.0.x
（3）Spark 3.1.x