spark-core学习笔记

太过爱你忘了你带给我的痛 2022-03-11 10:35 211阅读 0赞

1.spark和MapReduce比较：

1）MR是批量计算框架，Spark-Core也是批量计算框架  
2）Spark相比MR速度快，MR作为一个job，在中间环节中结果是落地的（会经过磁盘交换），Spark计算过程中数据流转都是在内存的（减少了对HDFS的依赖）

3）MR：多进程模型（缺点：每个任务启动时间长，所以不适合于低延迟的任务  
             优点：资源隔离，稳定性高，开发过程中不涉及内存锁（互斥锁、读写锁）的开发）  
Spark：多线程模型（缺点：稳定性差  
              优点：速度快，适合低延迟的任务，适合于内存密集型任务）

一个机器节点，所有的任务都会运载jvm进程（executor进程），  
每一个进程包含一个executor对象，在对象内部会维持一个线程池，提高效率，每一个线程执行一个task

2、Spark的运行模式：  
            （1）单机模式：方便人工调试  
            （2）Standalone模式：自己独立一套集群(master/client/slave)，缺点：资源不利于充分利用  
            （3）Yarn模式：  
                            1）Yarn-Client模式：Driver运行在本地  
                                        适合交互调试  
                            2）Yarn-Cluster模式：Driver运行在集群（AM）  
                                        正式提交任务的模式（remote）

3.spark 算子整体分成两类：transformations 和 action

4.窄依赖，宽依赖

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI4Mjg2MDI3_size_16_color_FFFFFF_t_70][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI4Mjg2MDI3_size_16_color_FFFFFF_t_70 1][]

RDD的关键特征：  
– RDD使用户能够显式将计算结果保存在内存中，控制数据的划分，并使用更丰富的操作集合来处理  
– 使用更丰富的操作来处理，只读（由一个RDD变换得到另一个RDD，但是不能对本身的RDD修改）  
– 记录数据的变换而不是数据本身保证容错（lineage）  
• 通常在不同机器上备份数据或者记录数据更新的方式完成容错，但这种对任务密集型任务代价很高  
• RDD采用数据应用变换（map,filter,join），若部分数据丢失， RDD拥有足够的信息得知这部分数据是如何计算得到的，可通过重新计算来得到丢失  
的数据  
• 这种恢复数据方法很快，无需大量数据复制操作，可以认为Spark是基于RDD模型的系统  
– 懒操作，延迟计算， action的时候才操作  
– 瞬时性，用时才产生，用完就释放

5.executor：

1）每一个进程包含一个executor对象，一个executor包含一个线程池，每个线程执行一个tasks          
            线程池好处：省去了进程频繁启停开销  
            Task并发度概念：  
                        每一个节点可以启动一个或者是多个executor进程  
                        每一个executor进程有多个core组成，每一个core一次只能执行一个task

2）内存划分：  
        （1）【20%】：exectution：执行内存  
                        join、groupby这类算子涉及内存，shuffle数据都会缓存在这个内存区，如果内存满，把数据写到磁盘（spill）  
        （2）【60%】：Storage：存储cache、presist、broadcast数据  
        （3）【20%】：留给程序自己

和spark版本有关：  
1.6.0之前的版本，每个类的内存是相互隔离，导致了executor的内存利用率不高，只能使用者自己调整参数来优化内存  
1.6.0以上的版本，execution和storage内存是可以相互借用的，减少了OOM（out of memory）的情况发生

为了提高内存利用率，尽可能复用rdd

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI4Mjg2MDI3_size_16_color_FFFFFF_t_70]: /images/20220311/f275a38af84a470ab65429feb674387c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI4Mjg2MDI3_size_16_color_FFFFFF_t_70 1]: /images/20220311/02be4fef8da54873b4b10987f1d811a1.png