一、实质
Spark是一个分布式的计算框架，是下一代的MapReduce，扩大了MR的数据处理流程
二、mapreduce有什么问题
1.调度慢，启动map、reduce太耗时
2.计算慢，每一步都要保留两头后果落磁盘
3.API形象简略，只有map和reduce两个原语
4.不足作业流形容，一项工作须要多轮mr
三、spark解决了什么问题
1.最大化利用内存cache
2.两头后果放内存，减速迭代
3.将后果集放内存，减速后续查问和解决，解决运行慢的问题
select * from table where col1 > 50
rdd.registerastable（cachetable）
SQL：
select col2, max (col3) from cachetable group by col2
select col3, max (col2) from cachetable group by col3
- 更丰盛的API(Transformation类和Actions类)
- 残缺作业形容，将用户的整个作业串起来
val file = sc.textFile(hdfs://input)
val counts = file.flatMap(
line => line.split(" "))
.map(word => (word, 1))
.reduceByKey(_ + _)
counts.saveAsTextFile(hdfs://output)
- 因为Excutor过程能够运行多个Task线程，因此实现了多线程的操作，放慢了处理速度
四、Spark外围—RDD( Resilient Distributed Dataset 弹性分布式数据集模型)
1.四个特色
– RDD使用户可能显式将计算结果保留在内存中，控制数据的划分
– 记录数据的变换和形容，而不是数据自身，以保障容错
– 懒操作，提早计算，action的时候才操作
– 瞬时性，用时才产生，用完就开释
2.四种构建办法
– 从共享文件系统中获取，如从HDFS中读数据构建RDD
• val a = sc.textFile(“/xxx/yyy/file”)
– 通过现有RDD转换失去
• val b = a.map(x => (x, 1))
– 定义一个scala数组
• val c = sc.parallelize(1 to 10, 1)
– 由一个曾经存在的RDD通过长久化操作生成
• val d = a.persist(), a. saveAsHadoopFile(“/xxx/yyy/zzz”)
3.partition和依赖
– 每个RDD蕴含了数据分块/分区（partition）的汇合，每个partition是不可分割的
– 每个partition的计算就是一个task，task是调度的根本单位
– 与父RDD的依赖关系（rddA=>rddB）
宽依赖： B的每个partition依赖于A的所有partition
• 比方groupByKey、reduceByKey、join……，由A产生B时会先对A做shuffle分桶
窄依赖： B的每个partition依赖于A的常数个partition
• 比方map、filter、union……
4.stage和依赖
– 从后往前，将宽依赖的边删掉，大数据培训连通重量及其在原图中所有依赖的RDD，形成一个stage
– 每个stage外部尽可能多地蕴含一组具备窄依赖关系的转换，并将它们流水线并行化
5.数据局部性准则
– 如果一个工作须要的数据在某个节点的内存中，这个工作就会被调配至那个节点
– 须要的数据在某个节点的文件系统中，就调配至那个节点
6.容错性准则
– 如果此task失败，AM会重新分配task
– 如果task依赖的下层partition数据曾经生效了，会先将其依赖的partition计算工作再重算一遍
• 宽依赖中被依赖partition，能够将数据保留HDFS，以便疾速重构（checkpoint）
• 窄依赖只依赖下层一个partition，复原代价较少
– 能够指定保留一个RDD的数据至节点的cache中，如果内存不够，会LRU开释一部分，仍有重构的可能
五、Spark零碎架构
1.Excutor的内存分为三块：
1)task执行代码所需的内存，占总内存的20%；
2)task通过shuffle过程拉取上一个stage的task的输入后，进行聚合操作时应用，占20%
3)让RDD长久化时应用，默认占executor总内存的60%
2.Excutor的cpu core：
每个core同一时间只能执行一个线程
六、Spark资源参数和开发调优
1.七个参数
• num-executors：该作业总共须要多少executor过程执行
倡议：每个作业运行个别设置5-~100个左右较适合
• executor-memory：设置每个executor过程的内存， num-executors* executor-memory代表作业申请的总内存量（尽量不要超过最大总内存的1/3~1/2）
倡议：设置4G~8G较适合
• executor-cores： 每个executor过程的CPU Core数量，该参数决定每个executor过程并行执行task线程的能力，num-executors * executor-cores代表作业申请总CPU core数（不要超过总CPU Core的1/3~1/2 ）
倡议：设置2~4个较适合
• driver-memory： 设置Driver过程的内存
倡议：通常不必设置，个别1G就够了，若呈现应用collect算子将RDD数据全副拉取到Driver上解决，就必须确保该值足够大，否则OOM内存溢出
• spark.default.parallelism： 每个stage的默认task数量
倡议：设置500~1000较适合，默认一个HDFS的block对应一个task，Spark默认值偏少，这样导致不能充分利用资源
• spark.storage.memoryFraction： 设置RDD长久化数据在executor内存中能占的比例，默认0.6，即默认executor 60%的内存能够保留长久化RDD数据
倡议：若有较多的长久化操作，能够设置高些，超出内存的会频繁gc导致运行迟缓
• spark.shuffle.memoryFraction： 聚合操作占executor内存的比例，默认0.2
倡议：若长久化操作较少，但shuffle较多时，能够升高长久化内存占比，进步shuffle操作内存占比
spark-submit：
2.六个准则
• 防止创立反复的RDD
• 尽可能复用同一个RDD
• 对屡次应用的RDD进行长久化解决
• 防止应用shuffle类算子
如：groupByKey、reduceByKey、join等
• 应用map-side预聚合的shuffle操作
肯定要应用shuffle的，无奈用map类算子代替的，那么尽量应用map-site预聚合的算子，如可能的状况下应用reduceByKey或aggregateByKey算子代替groupByKey算子
• 应用Kryo优化序列化性能
Kryo是一个序列化类库，来优化序列化和反序列化性能， Spark反对应用Kryo序列化库，性能比Java序列化库高10倍左右
七、Spark技术栈
• Spark Core： 基于RDD提供操作接口，利用DAG进行对立的工作布局
• Spark SQL： Hive的表 + Spark的里。通过把Hive的HQL转化为Spark DAG计算来实现
• Spark Streaming： Spark的流式计算框架，提早在1S左右，mini batch的解决办法
• MLIB： Spark的机器学习库，蕴含罕用的机器学习算法
• GraphX： Spark图并行操作库