图解大数据 | 大数据分析挖掘-Spark初步大数据spark数据挖掘

文章图片

作者：韩信子@ShowMeAI
教程地址：http://www.showmeai.tech/tutorials/84
本文地址：http://www.showmeai.tech/article-detail/173
声明：版权所有，转载请联系平台与作者并注明出处
1.Spark是什么学习或做大数据开发的同学，都听说或者使用过Spark，从这部分开始，ShowMeAI带大家一起来学习一下Spark相关的知识。
Apache Spark是一种用于大数据工作负载的分布式开源处理系统。它使用内存中缓存和优化的查询执行方式，可针对任何规模的数据进行快速分析查询。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量的廉价硬件之上，形成集群。

文章图片

Spark提供使用Java、Scala、Python 和 R 语言的开发 API，支持跨多个工作负载重用代码—批处理、交互式查询、实时分析、机器学习和图形处理等。Apache Spark 已经成为最受欢迎的大数据分布式处理框架之一。

《更多资料 → 数据科学工具速查 | Spark使用指南(RDD版)》
《更多资料 → 数据科学工具速查 | Spark使用指南(SQL版) 》

2.Spark的特点 Apache Spark是个开源和兼容Hadoop的集群计算平台。由加州大学伯克利分校的AMPLabs开发，作为Berkeley Data Analytics Stack（BDAS）的一部分，当下由大数据公司Databricks保驾护航，更是Apache旗下的顶级项目。
1）Apache Spark堆栈中的不同组件

文章图片

2）Apache Spark的优势

文章图片

更高的性能：因为数据被加载到集群主机的分布式内存中。数据可以被快速的转换迭代，并缓存用以后续的频繁访问需求。在数据全部加载到内存的情况下，Spark有时能达到比Hadoop快100倍的数据处理速度，即使内存不够存放所有数据的情况也能快Hadoop 10倍。
广泛的支持与易用性：通过建立在Java、Scala、Python、SQL（应对交互式查询）的标准API以方便各行各业使用，同时还含有大量开箱即用的机器学习库。
多场景通用性：Spark集成了一系列的库，包括SQL和DataFrame帮助你快速完成数据处理；Mllib帮助你完成机器学习任务；Spark streaming做流式计算。
多平台支持：Spark可以跑在Hadoop、Apache Mesos、Kubernetes等之上，可以从HDFS、Alluxio、Apache Cassandra、Apache Hive以及其他的上百个数据源获取数据。

文章图片

3.Spark作业与调度 Spark的核心是作业和任务调度系统，它可以保障各种任务高效完整地运行。
1）Spark作业和任务调度系统 Spark通过作业和任务调度系统，能够有效地进行调度完成各种任务，底层的巧妙设计是对任务划分DAG和容错，使得它对低层到顶层的各个模块之间的调用和处理显得游刃有余。

文章图片

2）基本概念一览

概念	解释
作业（Job）	RDD中由行动操作所生成的一个或多个调度阶段。
调度阶段（Stage）	每个Job作业会因为RDD之间的依赖关系拆分成多组任务集合，称为调度阶段，简称阶段，也叫做任务集（TaskSet）。调度阶段的划分是由DAGScheduler（DAG调度器）来划分的。调度阶段有Shuffle Map Stage和Result Stage两种。
任务（Task）	分发到Executor上的工作任务，是Spark实际执行应用的最小单元。Task会对RDD的partition数据执行指定的算子操作，比如flatMap、map、reduce等算子操作，形成新RDD的partition。
DAGScheduler（DAG调度器）	DAGScheduler是面向Stage（阶段）的任务调度器，负责接收Spark应用提交的作业，根据RDD的依赖关系划分调度阶段，并提交Stage（阶段）给TaskScheduler。
TaskScheduler（任务调度器）	TaskScheduler是面向任务的调度器，它接收DAGScheduler提交过来的Stage（阶段），然后把任务分发到Worker节点运行，由Worker节点的Executor来运行该任务。

3）Spark作业和调度流程 Spark的作业调度主要是指基于RDD的一系列操作构成一个作业，然后在Executor中执行。这些操作算子主要分为转换操作和行动操作，对于转换操作的计算是lazy级别的，也就是延迟执行，只有出现了行动操作才触发作业的提交。
在Spark调度中最重要的是DAGScheduler和TaskScheduler两个调度器：其中DAGScheduler负责任务的逻辑调度，将Job作业拆分成不同阶段的具有依赖关系的任务集，而TaskScheduler则负责具体任务的调度执行。

文章图片

4.RDD / DataFrame与Dataset 1）Spark API的历史 Apache Spark 中有RDD，DataFrame和Dataset三种不同数据API，发展如下：

文章图片

RDD：

RDD是Spark最早提供的面向用户的主要API。
从根本上来说，一个RDD就是数据的一个不可变的分布式元素集合，在集群中跨节点分布，可以通过若干提供了转换和处理的底层API进行并行处理。

DataFrame：

与RDD相似，DataFrame也是数据的一个不可变分布式集合。
但与RDD不同的是，数据都被组织到有名字的列中，就像关系型数据库中的表一样。
设计DataFrame的目的就是要让对大型数据集的处理变得更简单，它让开发者可以为分布式的数据集指定一个模式，进行更高层次的抽象。它提供了特定领域内专用的API来处理你的分布式数据，并让更多的人可以更方便地使用Spark，而不仅限于专业的数据工程师。

Dataset：

从Spark 2.0开始，Dataset开始具有两种不同类型的API特征：有明确类型的API和无类型的API。
从概念上来说，可以把DataFrame当作一些通用对象Dataset[Row]的集合的一个别名，而一行就是一个通用的无类型的JVM对象。
与之形成对比，Dataset就是一些有明确类型定义的JVM对象的集合，通过你在Scala中定义的Case Class或者Java中的Class来指定。

2）Spark API简介在Spark 2.0中对Dataframe和Dataset进行了统一，如下图所示：

文章图片

3）Spark的逻辑结构 Spark的整体逻辑结构如下图所示，包含不同的层级及组成部分：

文章图片

5.Spark2.0与SparkSession 1）SparkSession的引入 Spark2.0中引入了SparkSession的概念，它为用户提供了一个统一的切入点来使用Spark的各项功能，借助SparkSession，我们可以使用DataFrame和Dataset的各种API，应用Spark的难度也大大下降。
在Spark的早期版本，SparkContext是进入Spark的切入点，RDD数据基于其创建。但在流处理、SQL等场景下有其他的切入点，汇总如下：

RDD，创建和操作使用SparkContext提供的API。
流处理，使用StreamingContext。
SQL，使用sqlContext。
Hive，使用HiveContext。

文章图片

在Spark高版本中，DataSet和DataFrame提供的API逐渐成为新的标准API，需要一个切入点来构建它们。所以，Spark 2.0引入了一个新的切入点(entry point)：SparkSession。

SparkSession实质上是SQLContext和HiveContext的组合（未来可能还会加上StreamingContext）。
在SQLContext和HiveContext上可用的API，在SparkSession上同样可以使用。
SparkSession内部封装了SparkContext，计算实际上由SparkContext完成。

2）创建SparkSession

文章图片

6.结构化流与连续性应用 1）Continuous Applications Spark2.0中提出一个概念，Continuous Applications(连续应用程序)。
Spark Streaming等流式处理引擎，致力于流式数据的运算：比如通过map运行一个方法来改变流中的每一条记录，通过reduce可以基于时间做数据聚合。但是很少有只在流式数据上做运算的需求，流式处理往往是一个大型应用的一部分。

文章图片

Continuous Applications提出后，实时运算作为一部分，不同系统间的交互等也可以由Structured Streaming来处理。
2）Structured Streaming 【图解大数据 | 大数据分析挖掘-Spark初步】Structured Streaming是一个建立在Spark Sql引擎上的可扩展、高容错的流式处理引擎。它使得可以像对静态数据进行批量处理一样来处理流式数据。