从Hadoop MR到Spark

回顾hadoop -MR计算过程

1. 文件通过 split，split的原因：MapReduce是并行计算的，如果一个文件很大，500G的大小，做不了分片，那如何并行运行。所以要分成很多的split，每一个split交给一个map来处理。

2. Map运行处理之后，存储在内存里面，内存满了，会刷到磁盘上形成文件。

3. 然后为了确定map处理的结果交给哪一个reduce来处理，从而有了partition，默认是hash partition。根据key计算是哪一个分区，就写到哪一个分区。到磁盘之后，形成小文件。

4. 文件多了要进行合并（merge）

5. 最后reduce完之后，进行输出，写到HDFS，HBASE,或其他存储的地方。

Spark编程模型经典解析（一）

Hadoop的MR的并行编程模型

Hadoop的MapReduce先将数据划分为多个key/value键值对。然后输入Map框架来得到新的key/value对，这时候只是中间结果，这个时候的value值是个值集合。再通过同步障（为了等待所有的Map处理完），这个阶段会把相同key的值收集整理（Aggregation&Shuffle）在一起，再交给Reduce框架做输出组合，如下图中每个Map输出的结果，有k1，k2，k3，通过同步障后，k1收集到一起，k2收集到一起，k3收集到一起，再分别交给Reduce，通过Reduce组合结果。

Spark编程模型经典解析（一）

Hadoop的MR的完整编程模型和框架

下图是MapReduce的完整编程模型和框架，比模型上多加入了Combiner和Partitioner。
1）Combiner
Combiner可以理解为一个小的Reduce，就是把每个Map的结果，先做一次整合。例如图3中第三列的Map结果中有2个good，通过Combiner之后，先将本地的2个good组合到了一起（红色的（good，2））。好处是大大减少需要传输的中间结果数量量，达到网络数据传输优化，这也是Combiner的主要作用。
2）Partitioner
为了保证所有的主键相同的key值对能传输给同一个Reduce节点，如图3中所有的good传给第一个Reduce前，所有的is和has传给第二个Reduce前，所有的weather，the和today传到第三个Reduce前。MapReduce专门提供了一个Partitioner类来完成这个工作，主要目的就是消除数据传入Reduce节点后带来不必要的相关性。

Spark编程模型经典解析（一）

MR 对比Spark

Spark编程模型经典解析（一）

Spark编程模型

核心概念

对比一下MR里的概念

Spark编程模型经典解析（一）

1.Application

Appliction的概念和hadoop MR中的有些相似，都是指用户编写的Spark应用程序，其中包括一个Driver功能的代码和分布在集群中多个节点上运行的Executor代码。

Spark编程模型经典解析（一）

2.Driver

使用Driver这一个概念的分布式框架很多，比如hive等，Spark中的Driver即运行上述Application的main函数并创建SparkContext，创建SparkContext的目的是为了准备Spark应用程序的运行环境，在Spark中有SparkContext负责与ClusterManager通信，进行资源申请、任务的分配和监控等，当Executor部分运行完毕后，Driver同时负责将SparkContext关闭，通常用SparkContext代表Driver。

SparkContext

Spark 应用程序的入口，负责调度各个运算资源，协调各个 Worker
Node 上的 Executor

3.Executor

某个Application运行在worker节点上的一个进程，该进程负责运行某些Task，并且负责将数据存到内存或磁盘上，每个Application都有各自独立的一批Executor，在Spark on Yarn模式下，其进程名称为CoarseGrainedExecutor Backend，类似与hadoop MR中的YarnChild。一个CoarseGrainedExecutor Backend有且仅有一个Executor对象，负责将Task包装成taskRunner,并从线程池中抽取一个空闲线程运行Task，这个每一个CoarseGrainedExecutor Backend能并行运行Task的数量取决与分配给它的cpu个数。

4.Cluter Manager

指的是在集群上获取资源的外部服务。目前有三种类型。

[1].Standalon : spark原生的资源管理，由Master负责资源的分配，可以在EC2上运行

[2].Apache Mesos:与hadoop MR兼容性良好的一种资源调度框架。

[3].Hadoop Yarn: 主要是指Yarn中的ResourceManager。

5.Worker

集群中任何可以运行Application代码的节点，类似与Yarn中的NodeManager节点，在Standalone模式中指的是通过slave文件配置的Worker节点，在Spark on Yarn模式下就是NoteManager节点。

6.Task

被送到某个Executor上的工作单元，但hadoopMR中的MapTask和ReduceTask概念一样，是运行Application的基本单位，多个Task组成一个Stage，而Task的调度和管理等是由TaskScheduler负责。

7.Job

包含多个Task组成的并行计算，往往由Spark Action触发生成，一个Application中往往会产生多个Job。一个Action对应的一个job

8.Stage

每个Job会被拆分成多组Task，作为一个TaskSet，其名称为Stage，Stage的划分和调度是有DAGScheduler来负责的，Stage有非最终的Stage（Shuffle Map Stage）和最终的Stage（Result Stage）两种，Stage的边界就是发生shuffle的地方。

9. RDD

Spark编程模型经典解析（一）

Spark的基本计算单元，可以通过一系列算子进行计算（主要由Transformation和Action操作），同时RDD是Spark最核心的东西，他表示已被分区、被序列化的、不可变的、有容错的并且能够被并行操作的数据集合。其存储级别可以是内存，也可以是磁盘，可通过spark.storage.StoragerLevel属性来配置。

RDD里面可以有很多的partition，执行的执行的时候，一个partition对应一个map操作，并行计算，效率就会越高，越快！（资源不是瓶颈时）