【原】Learning Spark (Python版) 学习笔记(三)----工作原理、调优与Spark SQL

　　周末的任务是更新Learning Spark系列第三篇，以为自己写不完了，但为了改正拖延症，还是得完成给自己定的任务啊 = =。这三章主要讲Spark的运行过程（本地+集群），性能调优以及Spark SQL相关的知识，如果对Spark不熟的同学可以先看看之前总结的两篇文章：

　　【原】Learning Spark (Python版) 学习笔记(一)----RDD 基本概念与命令

　　【原】Learning Spark (Python版) 学习笔记(二)----键值对、数据读取与保存、共享特性

########################################我是正文分割线######################################

　　第七章主要讲了Spark的运行架构以及在集群上的配置，这部分文字比较多，可能会比较枯燥，主要是讲整个过程是怎么运行的。首先我们来了解一下Spark在分布式环境中的架构，如图1 所示

图1 Spark分布式结构图

　　如上图所示，在Spark集群中有一个节点负责中央协调，调度各个分布式工作节点。这个中央协调点叫“驱动器节点(Driver)”,与之对应的工作节点叫“执行器节点(executor)”。驱动器节点和所有的执行器节点被称为一个Spark应用(Application)。Spark应用通过一个“集群管理器(Cluster Manager)”的外部服务在集群中的机器上启动，其中它自带的集群管理器叫“独立集群管理器”。

　　驱动器节点：

　　作用

• 执行程序中的main()方法的进程，一旦终止，Spark应用也终止了。

　　职责

• 把用户程序转化为任务
  • 用户输入数据，创建了一系列RDD，再使用Transformation操作生成新的RDD，最后启动Action操作存储RDD中的数据，由此构成了一个有向无环图(DAG)。当Drive启动时，Spark会执行这些命令，并转为一系列stage(步骤)来操作。在这些步骤中，包含了多个task(任务)，这些task被打包送到集群中，就可以进行分布式的运算了，是不是像流水线上的工人呢~
• 为执行器节点调度任务：
  • Driver启动后，必须在各执行器进程间协调各个任务。执行器进程启动后会在Driver上注册自己的节点，这样Driver就有所有执行器节点的完整记录了。每个执行器节点代表一个能够处理任务和存储RDD数据的进程。Spark会根据当前任务的执行器节点集合，尝试把所有的任务基于数据所在的位置分配给合适的执行器进程。当我们的任务执行时，执行器进程会把缓存数据存储起来，而驱动器进程同样也会跟踪这些缓存数据的任务，并利用这些位置信息来调度以后的任务，以尽量减少数据的网络传输。

　　

　　执行器节点：

　　作用：

• 负责在Spark作业中运行任务,各个任务间相互独立。Spark启动应用时，执行器节点就被同时启动，并一直持续到Spark应用结束。

　　职责：

• 负责运行组成Spark应用的任务，并将结果返回给驱动器程序。
• 通过自身的块管理器(Block Manager)为用户程序中要求缓存的RDD提供内存式存储。RDD是直接缓存在执行器进程里的，所以可以在运行时充分利用缓存数据提高运算速度。

　　集群管理器：

　　在图一中我们看到，Spark依赖于集群管理器来启动执行器节点，而在某些特殊情况下，也会依赖集群管理器来启动驱动器节点。Spark有自带的独立集群管理器，也可以运行在其他外部集群管理器上，如YARN和Mesos等。下面讲一下两种比较常见的外部集群管理器：

　　独立集群管理器：

1.启动独立集群管理器

2.提交应用：spark-submit --master spark://masternode:7077 yourapp

　　支持两种部署模式：客户端模式和集群模式

3.配置资源用量：在多个应用间共享Spark集群时，通过以下两个设置来对执行器进程分配资源：

　　3.1 执行器进程内存：可以通过spark-submit中的 --executor-memory 参数来配置。每个应用在每个工作节点上最多拥有一个执行器进程。因此这个这个能够控制     　　　　执行器节点占用工作节点多少内存。默认值是1G。

　　3.2 占用核心总数的最大值：可以通过spark-submit中的 --total -executorcores 参数来设置。

　　

　　Hadoop YARN：

1.提交应用：设置指向你的Hadoop配置目录的环境变量，然后使用spark-submit 向一个特殊的主节点URL提交作业即可。

2.配置资源用量：

• --num -executors :设置执行器节点，默认值为2
• --executor -memory: 设置每个执行器的内存用量
• --executor -cores: 设置每个执行器进程从YARN中占用的核心数目
• --queue：设置队列名称，YARN可以将应用调度到多个队列中。

　

　　　Apache Mesos：

1.提交应用：spark-submit --master mesos://masternode:5050 your app

2.Mesos调度模式：两种：

• 细粒度模式：默认模式。一台运行了多个执行器进程的机器可以动态共享CPU资源
• 粗粒度模式：Spark为每个执行器分配固定数量的CPU数目，并且在应用结束前不会释放该资源，即使执行器进程当前没有运行任务（多浪费啊  = =）。可以通过spark-submit 传递 --conf　spark.mesos.coarse=true 来打开粗粒度模式

3.部署模式：仅支持以客户端的部署模式运行应用，即驱动器程序必须运行提交应用的那台机器上。

4.配置资源用量：

• --executor -memory：设置每个执行器进程的内存
• --total -executor -cores ：设置应用占用的核心数（所有执行器节点占用的总数）的最大值。如果不设置该值，Mesos可能会使用急群众所有可用的核心。

　

　　　选择合适的集群管理器：

1.一般情况下，可以直接选择独立集群模式，功能全，而且简单。

2.如果要在使用Spark的同时使用其他应用，可以选择YARN或Mesos。而且大多数版本的Hadoop中已经预装好YARN了，非常方便。

3.对于多用户同事运行交互式shell时，可以选择Mesos（选择细粒度模式），这种模式可以将Spark-shell这样的交互式应用中的不同命令分配到不同的CPU上。

4.任何时候，最好把Spark运行在运行HDFS的节点上，可以快速访问存储。

　　提交应用：

　　使用spark-submit脚本提交应用，可以根据不同的情况设置成在本地运行和在集群运行等：

• 本地模式：bin/spark-submit (--local) my_script.py

　　(lcoal可以省略)

• 集群模式：bin/spark-submit --master spark://host:7077 --executor-memory 10g my_script.py

　　(--master标记要连接的集群的URL)

　　

　　总结一下Spark在集群上的运行过程：

#########################################我是看累了休息会儿的分割线##############################

　　前面已经讲完了Spark的运行过程，包括本地和集群上的。现在我们来讲讲Spark的调优与调试。

　　我们知道，Spark执行一个应用时，由作业、任务和步骤组成。先回顾一下：

任务：Spark的最小工作单位

步骤：由多个任务组成

作业：由一个或多个作业组成

　　

　　在第一篇中我们也讲过，当我们创建转化(Transformation)RDD时，是执行"Lazy"（惰性）计算的，只有当出现Action操作时才会触发真正的计算。而Action操作是如何调用Transformation计算的呢？实际上，Spark调度器会创建出用于计算Action操作的RDD物理执行计划，当它从最终被调用Action操作的RDD时，向上回溯所有必需计算的RDD。调度器会访问RDD的父节点、父节点的父节点，以此类推，递归向上生成计算所有必要的祖先RDD的物理计划。

　　然而，当调度器图与执行步骤的对应关系并不一定是一对一的。当RDD不需要混洗数据就可以从父节点计算出来，RDD不需要混洗数据就可以从父节点计算出来，或把多个RDD合并到一个步骤中时，调度器就会自动进行进行"流水线执行"（pipeline）。例如下图中，尽管有很多级父RDD，但从缩进来看，只有两个步骤，说明物理执行只需要两个步骤。因为这个执行序列中有几个连续的筛选和映射操作，所以才会出现流水线执行。

　　

　　当步骤图确定下来后，任务就会被创建出来并发给内部的调度器，这些步骤会以特定的顺序执行。一个物理步骤会启动很多任务，每个任务都是在不同的数据分区上做同样的事情，任务内部的流程是一样的，如下所示：

1.从数据存储（输入RDD）或已有RDD（已缓存的RDD）或数据混洗的输出中获取输入数据

2.执行必要的操作来计算RDD。

3.把输出写到一个数据混洗文件中，写入外部存储，或是发挥驱动器程序。

　　

　　总结一下，Spark执行的流程：

• 用户定义RDD的有向无环图（DAG）：RDD上的操作会创建出新的RDD，并引用它们的父节点，这样就创建出了一个图。
• Action操作把有向无环图强制转译为执行计划：Spark调度器提交一个作业来计算所必要的RD，这个作业包含一个或多个步骤，每个步骤就是一些并行执行的计算任务。一个步骤对应有向无环图中的一个或多个RDD（其中对应多个RDD是在"流水线执行"中发生的）
• 在集群中调度并执行任务：步骤是按顺序处理的，任务则独立启动来计算RDD的一部分。当作业的最后一个步骤结束时，一个Action操作也执行完了。

　　Spark调优

　　到这里我们已经基本了解Spark的内部工作原理了，那么在哪些地方可以进行调优呢？有以下四个方面：

　　并行度

• 影响性能的两个方面
  • a.并行度过低时，会出现资源限制的情况。此时可以提高并行度来充分利用更多的计算core。
  • b.并行度过高时，每个分区产生的间接开销累计起来会更大。评价并行度是否过高可以看你的任务是不是在瞬间(毫秒级)完成的，或者任务是不是没有读写任何数据。
• 调优方法
  • 在数据混洗操作时，对混洗后的RDD设定参数制定并行度
  • 对于任何已有的RDD进行重新分区来获取更多/更少的分区数。重新分区:repartition()；减少分区：coalesce()，比repartition()更高效。

　　

　　序列化格式

　　当Spark需要通过网络传输数据，或者将数据溢出写到磁盘上时（默认存储方式是内存存储），Spark需要数据序列化为二进制格式。默认情况下，使用Java内建的序列化库。当然，也支持使用第三方序列化库Kryo，比Java序列化时间更短，并且有更高压缩比的二进制表示。但有一点需要注意：Kryo不能序列化全部类型的对象。

　　

　　内存管理

• RDD存储(60%)
  • 调用persisit()或cahe()方法时，RDD的分区会被存储到缓存区中。Spark会根据spark.storage.memoryFraction限制用来缓存的内存占整个JVM堆空间的比例大小。超出限制的话，旧的分区会被移出内存。
• 数据混洗与聚合的缓存区(20%)
  • 当数据进行数据混洗时，Spark会创造一些中间缓存区来存储数据混洗的输出数据。根据spark.shuffle.memoryFraction限定这种缓存区占总内存的比例。
• 用户的代码(20%)
  • spark可以执行任意代码，所以用户的代码可以申请大量内存，它可以访问JVM堆空间中除了分配给RDD存储和数据混洗存储以外的全部空间。20%是默认情况下的分配比例。不过用户可以自行调节这个比例来提高性能。

　　

　　当然，除了调整内存比例，也可以改变内存的存储顺序。我们知道，Spark默认的cache()操作是以Memory_ONLY的存储等级持久化数据的，也就是说内存优先。如果RDD分区时的空间不够，旧的分区会直接删除。(妹的删数据也不带打声招呼的 = =！)当用到这些分区时，又会重新进行计算。所以，如果我们用Memory_AND_DISK的存储等级调用persist()方法效果会更好。因为当内存满的时候，放不下的旧分区会被写入磁盘，再用的时候就从磁盘里读取回来，这样比重新计算各分区的消耗要小得多，性能也更稳定（不会动不动报Memory Error了，哈哈）。特别是当RDD从数据库中读取数据的话，最好选择内存+磁盘的存储等级吧。

　　硬件供给

影响集群规模的主要这几个方面：分配给每个执行器节点的内存大小、每个执行器节点占用的核心数、执行器节点总数、以及用来存储临时数据的本地磁盘数量（在数据混洗使用Memory_AND_DISK的存储等级时，更大的磁盘可以提升Spark的性能哦~）。

##################################我是文章快结束的分割线######################################

　　最后我们来讲讲Spark SQL，上一篇中我们已经总结了如何使用Spark读取和保存文件，涉及到了这部分内容，所以这一篇中只会简要的说明一下：

　　导入Spark SQL与简单的查询示例

 #初始化Spark SQL
 #导入Spark SQL
 from pyspark.sql import HiveContext,Row
 #当不能引入Hive依赖时
 from pyspark.sql import SQLContext,Row
 #创建SQL上下文环境
 hiveCtx = HiveContext(sc)
 #基本查询示例
 input = hiveCtx.jsonFile(inputFile)
 #注册输入的SchemaRDD（SchemaRDD在Spark 1.3版本后已经改为DataFrame）
 input.registerTempTable("tweets")
 #依据retweetCount(转发计数)选出推文
 topTweets = hiveCtx.sql("SELECT text,retweetCount FROM tweets ORDER BY retweetCount LIMIT 10")

　　缓存

以一种列式存储格式在内存中存储数据。这些缓存下来的表只会在Driver的生命周期内保留在内存中，退出的话就没有了。可以通过cache（） 和 uncache（）命令来缓存表或者删除已缓存的表。

　

　　读取和存储数据

　　Apache Hive

 #使用Python从Hive中读取
 from pyspark.sql import HiveContext

 hiveCtx = HiveContext(sc)
 rows = hiveCtx.sql("SELECT key,value FROM mytable")
 keys = rows.map(lambda: row,row[0])

　　Parquet

 #Python中的Parquet数据读取
 #从一个有name和favoriteAnimal字段的Parquet文件中读取数据
 rows = hiveCtx.parquetFile(parquetFile)
 names = rows.map(lambda row: row.name)
 print "Everyone"
 print names.collect()

 #Python中的Parquet数据查询
 #这里把Parquet文件注册为Spark SQL的临时表来查询数据
 #寻找熊猫爱好者
 tbl = rows.registerTempTable("people")
 pandaFriends = hiveCtx.sql("SELECT name FROM people WHERE favouriteAnimal = \"panda\"")
 print "Panda friends"
 print pandaFriends.map(lambda row:row.name).collect()

 #使用saveAsParquetFile()保存文件
 pandaFriends.saveAsParqueFile("hdfs://")

　　JSON

#在python中读取JSON数据  input= hiveCtx.jsonFile(inputFile)

　　使用BeeLine

　　创建、列举、查询Hive表

　　用户自定义函数（UDF）

 #Python版本的字符串长度UDF
 hiveCtx.registerFuction("strLenPython",lambda x :len(x),IntegerType())
 LengthSchemaRDD = hiveCtx.sql("SELECT strLenPython('text') FROM tweets LIMIT 10")

　　Spark SQL性能

　　Spark SQL在缓存数据时，使用的是内存式的列式存储，即Parquet格式，不仅节约了缓存时间，而且尽可能的减少了后续查询中针对某几个字段时的数据读取。

性能调优选项

选项	默认值	用途
spark.sql.codegen	false	设为True时，Spark SQL会把每条查询语句在运行时编译为Java二进制代码。这可以提高大型查询的性能，但在小规模查询时会变慢
spark.sql.inMemoryColumnarStorage.compressed	false	自动对内存中的列式存储进行压缩
spark.sql.inMemoryColumnarStorage.batchSize	1000	列式缓存时的每个批处理的大小。把这个值调大可能会导致内存不够的异常
spark.sql.parquet.compression.codec	snappy	选择不同的压缩编码器。可选项包括uncompressed/snappy/gzip/lzo

　　到这里，第七章-第九章的内容就全部总结完了，看完之后会对Spark的运行过程，性能调优以及存储格式等有一个更清晰的概念。下一篇是最后一篇，5.15更新，主要讲Spark Streaming和Spark MLlib机器学习的内容。顺便也可以和PySpark做机器学习做一下对比：D