spark 概念

spark 特点

• DAG引擎,减少过程写入磁盘开销
• 内存计算引擎,支持cache机制,使得中间过程数据可以保留
• 多线程模式,(mapreduce是批处理基于进程的,每一次计算就要开启一个jvm;而spark基于基于线程的,减少进程启动开销)
• spark比mapreduce的优势：对于中间状态可以被捕获。

RDD(Resilience Distributed Datassets) 弹性分布式数据集

1. 操作动作

• 创建(create)
  ​ 来源于内存集合或hdfs上文件

• 转换(transform)
  ​ 从一个RDD到另一个RDD

• 控制(control)
  ​ 进行RDD持久化,如chache,persist

• 行动(action)
  ​ 输出结果行为.如保存文件/执行reduce操作.

2. RDD特点

• 惰性执行(有action才执行)
• 应用cache后的结果不会触发RDD.即,当存在多个action是，如果没有cache，则进行多次。

程序架构

20180722233300.png

• driver
  负责运行application,并创建和变比SparkContext.yarn-master模式下,driver为yarn;yarn-client模式下,driver为客户端.

• cluster manager
  集群yarn.分为几种模式:local, standalone, yarn/mesos,

  • worker node : 类似于NodeManager
  • executer: 执行进程.用于分配任务给task,一个workerNode有多个executer
  • task: 执行线程.执行RDD任务.
  • cache:用于RDD的中间过程

其他

• spark 环境执行优先级:

1. spark program:set conf
2. spark submit
3. spark default conf

• spark的shuffle也是要存在executer上的本地硬盘上。
• 每个map行为成为一个job,当存在shuffle是spark必须重新分配资源.每一个阶段成为stage