Spark Core 3.3.2 略讲~

✨博客主页： https://blog.csdn.net/m0_63815035?type=blog

💗《博客内容》：大数据、Java、测试开发、Python、Android、Go、Node、Android前端小程序等相关领域知识
📢博客专栏： https://blog.csdn.net/m0_63815035/category_11954877.html
📢欢迎点赞 👍 收藏 ⭐留言 📝
📢本文为学习笔记资料，如有侵权，请联系我删除，疏漏之处还请指正🙉
📢大厦之成，非一木之材也；大海之阔，非一流之归也✨

前言

一、概述

1. 简介

   • Apache Spark 是快速通用的分布式计算引擎，诞生于加州大学伯克利分校AMP实验室，基于内存计算，适用于迭代算法（如数据挖掘、机器学习）。
   • 核心优势：中间结果缓存于内存，减少磁盘IO，比Hadoop MapReduce快10-100倍。

2. 历史

   • 2009年始于伯克利大学，2010年开源，2014年成为Apache顶级项目。
   • 主要创始人Matei Zaharia创立了Databricks公司，推动Spark商业化。

3. 与MapReduce对比

   特性	MapReduce	Spark
   编程模型	仅Map和Reduce	支持多种算子（map、flatMap等）
   运算效率	中间结果写入磁盘，IO开销大	中间结果存内存，基于DAG优化调度
   适用场景	离线计算	离线+实时计算
   数据共享	依赖HDFS读写	内存缓存复用

4. 核心特点

   • 快：内存计算+DAG引擎，速度远超MapReduce。
   • 易用：支持Scala、Java、Python等多语言，提供80+高级算法。
   • 通用：一站式支持批处理（Spark Core）、交互式查询（Spark SQL）、流处理（Spark Streaming）、机器学习（MLlib）、图计算（GraphX）。
   • 兼容：可整合Hadoop生态（HDFS、YARN等）。

二、核心组件

1. Spark Core

   • 核心组件，负责离线批处理，提供RDD（弹性分布式数据集）抽象。

2. 其他组件

   • Spark SQL：结构化数据查询，支持SQL和DataFrame。
   • Spark Streaming：准实时流处理，基于DStream。
   • MLlib：机器学习库，包含分类、回归等算法。
   • GraphX：图计算库，支持图算法（如PageRank）。

三、运行架构

1. 核心角色

   • Driver：负责任务调度、DAG生成、与集群通信。
   • Executor：运行Task，缓存数据，位于Worker节点。
   • Cluster Manager：资源管理器（支持Standalone、YARN、K8s等）。

2. 运行流程

   • 提交应用→Driver申请资源→Executor反向注册→解析代码生成RDD→DAG调度划分Stage→Task分发至Executor执行。

3. 运行模式

   • Local：本地模式，用于调试，单进程多线程模拟集群。
   • Standalone：Spark自带集群模式，Master-Worker架构。
   • YARN：整合Hadoop YARN，国内主流模式，支持Client/Cluster部署。
   • Kubernetes：容器化部署，支持动态资源调度。

四、核心编程

1. RDD（弹性分布式数据集）

   • 定义：不可变、可分区、并行计算的分布式数据集合，通过血统（Lineage）实现容错。
   • 五大属性：分区列表、分区计算函数、依赖关系、分区器（可选）、首选计算位置（可选）。
   • 创建方式：
     • 内存集合（parallelize/makeRDD）
     • 外部文件（textFile/wholeTextFiles）

2. 算子

   • 转换算子（Transformation）：懒执行，返回新RDD（如map、filter、reduceByKey）。
   • 行动算子（Action）：触发计算，返回结果（如collect、count、foreach）。
   • 控制算子：cache（内存缓存）、persist（磁盘缓存）、checkpoint（持久化并切断依赖）。

3. 宽依赖与窄依赖

   • 窄依赖：父RDD分区与子RDD分区一对一（如map），可并行计算。
   • 宽依赖：父RDD分区与子RDD分区多对多（如groupByKey），会产生Shuffle。

五、Shuffle机制

1. 定义：数据在分区间重新分布的过程，涉及大量磁盘IO和网络传输，是性能瓶颈。

2. Spark Shuffle类型

   • Hash Shuffle：早期实现，小文件过多，已被淘汰。
   • Sort Shuffle：主流实现，按Key排序，合并小文件，减少IO。
     • SortShuffleWriter：内存排序+溢写合并。
     • BypassMergeSortShuffleWriter：非聚合场景优化，避免排序。

3. 优化建议

   • 启用Map端预聚合（如reduceByKey替代groupByKey）。
   • 调整缓冲区大小（spark.shuffle.file.buffer）和并行度（spark.default.parallelism）。
   • 压缩Shuffle数据（spark.shuffle.compress）。

六、内存管理

1. 统一内存管理（默认）

   • 内存分为：存储内存（缓存RDD）、执行内存（Shuffle等计算）、其他内存（用户数据结构）。
   • 动态借用机制：存储与执行内存可互相借用，执行内存可强制收回。

2. 配置参数

   • spark.memory.fraction：统一内存占JVM堆比例（默认0.6）。
   • spark.memory.storageFraction：存储内存占统一内存比例（默认0.5）。

七、应用场景

• 离线批处理（日志分析、数据清洗）。
• 实时流处理（监控告警、实时推荐）。
• 机器学习（模型训练、预测）。
• 图计算（社交网络分析、路径规划）。

结尾

Spark Core是Spark生态的基础，通过内存计算、DAG优化和丰富的算子，大幅提升分布式计算效率。其核心是RDD抽象和Shuffle机制，结合多模式部署和内存管理优化，成为大数据处理的主流引擎。实际应用中需根据场景选择合适的运行模式和算子，重点优化Shuffle和内存使用以提升性能。

今天这篇文章就到这里了，大厦之成，非一木之材也；大海之阔，非一流之归也。感谢大家观看本文