1、Spark介紹

Spark是起源于美國加州大學(xué)伯克利分校AMPLab的大數(shù)據(jù)計(jì)算平臺(tái)，在2010年開源，目前是Apache軟件基金會(huì)的頂級(jí)項(xiàng)目。隨著 Spark在大數(shù)據(jù)計(jì)算領(lǐng)域的暫露頭角，越來越多的企業(yè)開始關(guān)注和使用。2014年11月，Spark在Daytona Gray Sort 100TB Benchmark競賽中打破了由Hadoop MapReduce保持的排序記錄。Spark利用1/10的節(jié)點(diǎn)數(shù)，把100TB數(shù)據(jù)的排序時(shí)間從72分鐘提高到了23分鐘。

Spark在架構(gòu)上包括內(nèi)核部分和4個(gè)官方子模塊--Spark SQL、Spark Streaming、機(jī)器學(xué)習(xí)庫MLlib和圖計(jì)算庫GraphX。圖1所示為Spark在伯克利的數(shù)據(jù)分析軟件棧BDAS（Berkeley Data Analytics Stack）中的位置。可見Spark專注于數(shù)據(jù)的計(jì)算，而數(shù)據(jù)的存儲(chǔ)在生產(chǎn)環(huán)境中往往還是由Hadoop分布式文件系統(tǒng)HDFS承擔(dān)。

圖1 Spark在BDAS中的位置

Spark被設(shè)計(jì)成支持多場(chǎng)景的通用大數(shù)據(jù)計(jì)算平臺(tái)，它可以解決大數(shù)據(jù)計(jì)算中的批處理，交互查詢及流式計(jì)算等核心問題。Spark可以從多數(shù)據(jù)源的 讀取數(shù)據(jù)，并且擁有不斷發(fā)展的機(jī)器學(xué)習(xí)庫和圖計(jì)算庫供開發(fā)者使用。數(shù)據(jù)和計(jì)算在Spark內(nèi)核及Spark的子模塊中是打通的，這就意味著Spark內(nèi)核 和子模塊之間成為一個(gè)整體。Spark的各個(gè)子模塊以Spark內(nèi)核為基礎(chǔ)，進(jìn)一步支持更多的計(jì)算場(chǎng)景，例如使用Spark SQL讀入的數(shù)據(jù)可以作為機(jī)器學(xué)習(xí)庫MLlib的輸入。表1列舉了一些在Spark平臺(tái)上的計(jì)算場(chǎng)景。

表1 Spark的應(yīng)用場(chǎng)景舉例

在本文寫作是，Spark的最新版本為1.2.0，文中的示例代碼也來自于這個(gè)版本。

2、Spark內(nèi)核介紹

相信大數(shù)據(jù)工程師都非常了解Hadoop MapReduce一個(gè)最大的問題是在很多應(yīng)用場(chǎng)景中速度非常慢，只適合離線的計(jì)算任務(wù)。這是由于MapReduce需要將任務(wù)劃分成map和 reduce兩個(gè)階段，map階段產(chǎn)生的中間結(jié)果要寫回磁盤，而在這兩個(gè)階段之間需要進(jìn)行shuffle操作。Shuffle操作需要從網(wǎng)絡(luò)中的各個(gè)節(jié)點(diǎn) 進(jìn)行數(shù)據(jù)拷貝，使其往往成為最為耗時(shí)的步驟，這也是Hadoop MapReduce慢的根本原因之一，大量的時(shí)間耗費(fèi)在網(wǎng)絡(luò)磁盤IO中而不是用于計(jì)算。在一些特定的計(jì)算場(chǎng)景中，例如像邏輯回歸這樣的迭代式的計(jì) 算，MapReduce的弊端會(huì)顯得更加明顯。

那Spark是如果設(shè)計(jì)分布式計(jì)算的呢？首先我們需要理解Spark中最重要的概念--彈性分布數(shù)據(jù)集（Resilient Distributed Dataset），也就是RDD。

2.1 彈性分布數(shù)據(jù)集RDD

RDD是Spark中對(duì)數(shù)據(jù)和計(jì)算的抽象，是Spark中最核心的概念，它表示已被分片（partition），不可變的并能夠被并行操作的數(shù)據(jù)集 合。對(duì)RDD的操作分為兩種transformation和action。Transformation操作是通過轉(zhuǎn)換從一個(gè)或多個(gè)RDD生成新的 RDD。Action操作是從RDD生成最后的計(jì)算結(jié)果。在Spark最新的版本中，提供豐富的transformation和action操作，比起 MapReduce計(jì)算模型中僅有的兩種操作，會(huì)大大簡化程序開發(fā)的難度。

RDD的生成方式只有兩種，一是從數(shù)據(jù)源讀入，另一種就是從其它RDD通過transformation操作轉(zhuǎn)換。一個(gè)典型的Spark程序就是通 過Spark上下文環(huán)境（SparkContext）生成一個(gè)或多個(gè)RDD，在這些RDD上通過一系列的transformation操作生成最終的 RDD，最后通過調(diào)用最終RDD的action方法輸出結(jié)果。

每個(gè)RDD都可以用下面5個(gè)特性來表示，其中后兩個(gè)為可選的：

分片列表（數(shù)據(jù)塊列表）計(jì)算每個(gè)分片的函數(shù)對(duì)父RDD的依賴列表對(duì)key-value類型的RDD的分片器（Partitioner）（可選）每個(gè)數(shù)據(jù)分片的預(yù)定義地址列表（如HDFS上的數(shù)據(jù)塊的地址）（可選）

雖然Spark是基于內(nèi)存的計(jì)算，但RDD不光可以存儲(chǔ)在內(nèi)存中，根據(jù)useDisk、useMemory、useOffHeap, deserialized、replication五個(gè)參數(shù)的組合Spark提供了12種存儲(chǔ)級(jí)別，在后面介紹RDD的容錯(cuò)機(jī)制時(shí)，我們會(huì)進(jìn)一步理解。值 得注意的是當(dāng)StorageLevel設(shè)置成OFF_HEAP時(shí)，RDD實(shí)際被保存到Tachyon中。Tachyon是一個(gè)基于內(nèi)存的分布式文件系統(tǒng)，目前正在快速發(fā)展，本文不做詳細(xì)介紹，可以通過其官方網(wǎng)站進(jìn)一步了解。

classStorageLevelprivate(　　privatevar _useDisk:Boolean,　　privatevar _useMemory:Boolean,　　privatevar _useOffHeap:Boolean,　　privatevar _deserialized:Boolean　　privatevar _replication:Int=1)　　extendsExternalizable{//… }　　val NONE =newStorageLevel(false,false,false,false)　　val DISK_ONLY =newStorageLevel(true,false,false,false)　　val DISK_ONLY_2 =newStorageLevel(true,false,false,false,2)　　val MEMORY_ONLY =newStorageLevel(false,true,false,true)　　val MEMORY_ONLY_2 =newStorageLevel(false,true,false,true,2)　　val MEMORY_ONLY_SER =newStorageLevel(false,true,false,false)　　val MEMORY_ONLY_SER_2 =newStorageLevel(false,true,false,false,2)　　val MEMORY_AND_DISK =newStorageLevel(true,true,false,true)　　val MEMORY_AND_DISK_2 =newStorageLevel(true,true,false,true,2)　　val MEMORY_AND_DISK_SER =newStorageLevel(true,true,false,false)　　val MEMORY_AND_DISK_SER_2 =newStorageLevel(true,true,false,false,2)　　val OFF_HEAP =newStorageLevel(false,false,true,false)

2.2 DAG、Stage與任務(wù)的生成

Spark的計(jì)算發(fā)生在RDD的action操作，而對(duì)action之前的所有transformation，Spark只是記錄下RDD生成的軌跡，而不會(huì)觸發(fā)真正的計(jì)算。

Spark內(nèi)核會(huì)在需要計(jì)算發(fā)生的時(shí)刻繪制一張關(guān)于計(jì)算路徑的有向無環(huán)圖，也就是DAG。舉個(gè)例子，在圖2中，從輸入中邏輯上生成A和C兩個(gè) RDD，經(jīng)過一系列transformation操作，邏輯上生成了F，注意，我們說的是邏輯上，因?yàn)檫@時(shí)候計(jì)算沒有發(fā)生，Spark內(nèi)核做的事情只是記 錄了RDD的生成和依賴關(guān)系。當(dāng)F要進(jìn)行輸出時(shí)，也就是F進(jìn)行了action操作，Spark會(huì)根據(jù)RDD的依賴生成DAG，并從起點(diǎn)開始真正的計(jì)算。

圖2 邏輯上的計(jì)算過程：DAG

有了計(jì)算的DAG圖，Spark內(nèi)核下一步的任務(wù)就是根據(jù)DAG圖將計(jì)算劃分成任務(wù)集，也就是Stage，這樣可以將任務(wù)提交到計(jì)算節(jié)點(diǎn)進(jìn)行真正的 計(jì)算。Spark計(jì)算的中間結(jié)果默認(rèn)是保存在內(nèi)存中的，Spark在劃分Stage的時(shí)候會(huì)充分考慮在分布式計(jì)算中可流水線計(jì)算（pipeline）的部 分來提高計(jì)算的效率，而在這個(gè)過程中，主要的根據(jù)就是RDD的依賴類型。根據(jù)不同的transformation操作，RDD的依賴可以分為窄依賴 （Narrow Dependency）和寬依賴（Wide Dependency，在代碼中為ShuffleDependency）兩種類型。窄依賴指的是生成的RDD中每個(gè)partition只依賴于父 RDD(s) 固定的partition。寬依賴指的是生成的RDD的每一個(gè)partition都依賴于父 RDD(s) 所有partition。窄依賴典型的操作有map, filter, union等，寬依賴典型的操作有g(shù)roupByKey, sortByKey等。可以看到，寬依賴往往意味著shuffle操作，這也是Spark劃分stage的主要邊界。對(duì)于窄依賴，Spark會(huì)將其盡量劃 分在同一個(gè)stage中，因?yàn)樗鼈兛梢赃M(jìn)行流水線計(jì)算。

圖3 RDD的寬依賴和窄依賴

我們?cè)偻ㄟ^圖4詳細(xì)解釋一下Spark中的Stage劃分。我們從HDFS中讀入數(shù)據(jù)生成3個(gè)不同的RDD，通過一系列 transformation操作后再將計(jì)算結(jié)果保存回HDFS?？梢钥吹竭@幅DAG中只有join操作是一個(gè)寬依賴，Spark內(nèi)核會(huì)以此為邊界將其前 后劃分成不同的Stage. 同時(shí)我們可以注意到，在圖中Stage2中，從map到union都是窄依賴，這兩步操作可以形成一個(gè)流水線操作，通過map操作生成的 partition可以不用等待整個(gè)RDD計(jì)算結(jié)束，而是繼續(xù)進(jìn)行union操作，這樣大大提高了計(jì)算的效率。

圖4 Spark中的Stage劃分

Spark在運(yùn)行時(shí)會(huì)把Stage包裝成任務(wù)提交，有父Stage的Spark會(huì)先提交父Stage。弄清楚了Spark劃分計(jì)算的原理，我們?cè)俳Y(jié) 合源碼看一看這其中的過程。下面的代碼是DAGScheduler中的得到一個(gè)RDD父Stage的函數(shù)，可以看到寬依賴為劃分Stage的邊界。

　 * Get or create the list of parent stages for a given RDD. The stages will be assigned the　 * provided jobId if they haven't already been created with a lower jobId.　 */　privatedef getParentStages(rdd: RDD[_], jobId:Int):List[Stage]={　　val parents =newHashSet[Stage]　　val visited =newHashSet[RDD[_]]　　// We are manually maintaining a stack here to prevent StackOverflowError　　// caused by recursively visiting　　val waitingForVisit =newStack[RDD[_]]　　def visit(r: RDD[_]){　　　if(!visited(r)){　　　　visited += r　　　　// Kind of ugly: need to register RDDs with the cache here since　　　　// we can't do it in its constructor because # of partitions is unknown　　　　for(dep <- r.dependencies){　　　　　dep match {　　　　　　case shufDep:ShuffleDependency[_, _, _]=>　　　　　　　parents += getShuffleMapStage(shufDep, jobId)　　　　　　case _ =>　　　　　　　waitingForVisit.push(dep.rdd)　　　　　}　　　　}　　　}　　}　　waitingForVisit.push(rdd)　　while(!waitingForVisit.isEmpty){　　　visit(waitingForVisit.pop())　　}　　parents.toList　}

上面提到Spark的計(jì)算是從RDD調(diào)用action操作時(shí)候觸發(fā)的，我們來看一個(gè)action的代碼

RDD的collect方法是一個(gè)action操作，作用是將RDD中的數(shù)據(jù)返回到一個(gè)數(shù)組中?？梢钥吹?，在此action中，會(huì)觸發(fā)Spark上下文環(huán)境SparkContext中的runJob方法，這是一系列計(jì)算的起點(diǎn)。

abstractclass RDD[T:ClassTag](　　@transientprivatevar sc:SparkContext,　　@transientprivatevar deps:Seq[Dependency[_]]　)extendsSerializablewithLogging{　//…./**　 * Return an array that contains all of the elements in this RDD.　 */　def collect():Array[T]={　　val results = sc.runJob(this,(iter:Iterator[T])=> iter.toArray)　　Array.concat(results: _*)　}}

SparkContext擁有DAGScheduler的實(shí)例，在runJob方法中會(huì)進(jìn)一步調(diào)用DAGScheduler的runJob方法。在 此時(shí)，DAGScheduler會(huì)生成DAG和Stage，將Stage提交給TaskScheduler。TaskSchduler將Stage包裝成 TaskSet，發(fā)送到Worker節(jié)點(diǎn)進(jìn)行真正的計(jì)算，同時(shí)還要監(jiān)測(cè)任務(wù)狀態(tài)，重試失敗和長時(shí)間無返回的任務(wù)。整個(gè)過程如圖5所示。

圖5 Spark中任務(wù)的生成

2.3 RDD的緩存與容錯(cuò)

上文提到，Spark的計(jì)算是從action開始觸發(fā)的，如果在action操作之前邏輯上很多transformation操作，一旦中間發(fā)生計(jì) 算失敗，Spark會(huì)重新提交任務(wù)，這在很多場(chǎng)景中代價(jià)過大。還有一些場(chǎng)景，如有些迭代算法，計(jì)算的中間結(jié)果會(huì)被重復(fù)使用，重復(fù)計(jì)算同樣增加計(jì)算時(shí)間和造 成資源浪費(fèi)。因此，在提高計(jì)算效率和更好支持容錯(cuò)，Spark提供了基于RDDcache機(jī)制和checkpoint機(jī)制。

我們可以通過RDD的toDebugString來查看其遞歸的依賴信息，圖6展示了在spark shell中通過調(diào)用這個(gè)函數(shù)來查看wordCount RDD的依賴關(guān)系，也就是它的Lineage.

圖6 RDD wordCount的lineage

如果發(fā)現(xiàn)Lineage過長或者里面有被多次重復(fù)使用的RDD，我們就可以考慮使用cache機(jī)制或checkpoint機(jī)制了。

我們可以通過在程序中直接調(diào)用RDD的cache方法將其保存在內(nèi)存中，這樣這個(gè)RDD就可以被多個(gè)任務(wù)共享，避免重復(fù)計(jì)算。另外，RDD還提供了 更為靈活的persist方法，可以指定存儲(chǔ)級(jí)別。從源碼中可以看到RDD.cache就是簡單的調(diào)用了 RDD.persist(StorageLevel.MEMORY_ONLY)。

/** Persist this RDD with the default storage level (`MEMORY_ONLY`). */　def persist():this.type = persist(StorageLevel.MEMORY_ONLY)　def cache():this.type = persist()

同樣，我們可以調(diào)用RDD的checkpoint方法將其保存到磁盤。我們需要在SparkContext中設(shè)置checkpoint的目錄，否則 調(diào)用會(huì)拋出異常。值得注意的是，在調(diào)用checkpoint之前建議先調(diào)用cache方法將RDD放入內(nèi)存，否則將RDD保存到文件的時(shí)候需要重新計(jì) 算。

　/**　 * Mark this RDD for checkpointing. It will be saved to a file inside the checkpoint　 * directory set with SparkContext.setCheckpointDir() and all references to its parent　 * RDDs will be removed. This function must be called before any job has been　 * executed on this RDD. It is strongly recommended that this RDD is persisted in　 * memory, otherwise saving it on a file will require recomputation.　 */　def checkpoint(){　　if(context.checkpointDir.isEmpty){　　　thrownewSparkException("Checkpoint directory has not been set in the SparkContext")　　}elseif(checkpointData.isEmpty){　　　checkpointData =Some(newRDDCheckpointData(this))　　　checkpointData.get.markForCheckpoint()　　}　}

Cache機(jī)制和checkpoint機(jī)制的差別在于cache將RDD保存到內(nèi)存，并保留Lineage，如果緩存失效RDD還可以通過Lineage重建。而checkpoint將RDD落地到磁盤并切斷Lineage，由文件系統(tǒng)保證其重建。

2.4 Spark任務(wù)的部署

Spark的集群部署分為Standalone、Mesos和Yarn三種模式，我們以Standalone模式為例，簡單介紹Spark程序的部 署。如圖7示，集群中的Spark程序運(yùn)行時(shí)分為3種角色，driver, master和worker（slave）。在集群啟動(dòng)前，首先要配置master和worker節(jié)點(diǎn)。啟動(dòng)集群后，worker節(jié)點(diǎn)會(huì)向master節(jié) 點(diǎn)注冊(cè)自己，master節(jié)點(diǎn)會(huì)維護(hù)worker節(jié)點(diǎn)的心跳。Spark程序都需要先創(chuàng)建Spark上下文環(huán)境，也就是SparkContext。創(chuàng)建 SparkContext的進(jìn)程就成為了driver角色，上一節(jié)提到的DAGScheduler和TaskScheduler都在driver中運(yùn)行。 Spark程序在提交時(shí)要指定master的地址，這樣可以在程序啟動(dòng)時(shí)向master申請(qǐng)worker的計(jì)算資源。Driver，master和 worker之間的通信由Akka支持。Akka 也使用 Scala 編寫，用于構(gòu)建可容錯(cuò)的、高可伸縮性的Actor 模型應(yīng)用。關(guān)于Akka，可以訪問其官方網(wǎng)站進(jìn)行進(jìn)一步了解，本文不做詳細(xì)介紹。

3、更深一步了解Spark內(nèi)核

了解了Spark內(nèi)核的基本概念和實(shí)現(xiàn)后，更深一步理解其工作原理的最好方法就是閱讀源碼。最新的Spark源碼可以從Spark官方網(wǎng)站下載。 源碼推薦使用IntelliJ IDEA閱讀，會(huì)自動(dòng)安裝Scala插件。讀者可以從core工程，也就是Spark內(nèi)核工程開始閱讀，更可以設(shè)置斷點(diǎn)嘗試跟蹤一個(gè)任務(wù)的執(zhí)行。另外，讀 者還可以通過分析Spark的日志來進(jìn)一步理解Spark的運(yùn)行機(jī)制，Spark使用log4j記錄日志，可以在啟動(dòng)集群前修改log4j的配置文件來配 置日志輸出和格式。