文/李萌
Spark作为分布式计算引擎的一颗璀璨之星，继承了MapReduce分布式并行计算的优点，并改进了MapReduce明显的缺陷。它使用一种面向对象、函数式编程语言Scala来实现，能够像操作本地集合对象一样轻松地操作分布式数据集，具有运行速度快、易用性好、通用性强、兼容性好等诸多优点。
图1.大数据生态
从整个大数据生态来看，Spark和MapReduce同为大数据计算框架，但是Spark的产生是基于MapReduce几个明显缺陷：
(1)MapReduce仅支持Map和Reduce两种操作；
(2)MapReduce是基于进程的计算，任务调度和启动开销大。此外Map中间结果要落地到磁盘，网络I/O和磁盘I/O十分频繁，延迟高，处理效率低，无法充分利用内存；
(3)Map端和Reduce端均需要排序，耗费时间；
(4)不适合迭代计算(如机器学习、图计算等)，交互式处理(数据挖掘)和流式处理(点击日志分析)，无法满足实时性较高的业务；
(5)编程不够灵活，因其是用 Java 编写的，编写一个完整的MapReduce任务代码的数据行数要远远大于Spark实现相同的功能。
基于MapReduce的这些缺陷，Spark做了很多改进。
首先是把计算过程的一些中间数据放到了内存中，中间结果可以不落地，减少了磁盘IO,提升了性能。但这并不能说Spark就是内存计算，MapReduce也是要把数据放到内存计算，也具备将数据文件缓存到内存的策略，然后写到磁盘的。
Spark并不具备将数据存储在RAM的选项，它所能做的事就是在内存中缓存数据，而这个并不是数据持久化。Spark允许我们使用内存缓存以及LRU替换规则，因此从本质上说，Spark是一种有效使用内存LRU策略的技术。
Spark是如何提高性能并兼具如此多的优点，它能完全取代MapReduce吗? 我们从以下几个方面来探讨一下。
01
什么是RDD
提到Spark,不得不说的是RDD (Resilient Distributed Dataset)——弹性分布式数据集，从本质上说它是一种只读的、分区记录的集合，一个不可变的分布式对象集合。如图2所示，每个RDD都被分为多个分区，这些分区运行在集群的不同节点上。我们可以通过读取文本文件、HDFS、数据库、内存等创建一个RDD。
图2 RDD
为什么说RDD是弹性的呢？是因为每个RDD都可以按照分区被读入内存和磁盘，并能在内存和磁盘之间手动或自动切换，如图3所示。
图3 RDD转化
可能我们还会有疑问，既然RDD是只读的不可改变的，那计算过程中如何改变RDD的值呢？RDD可以通过转换成其他的RDD，跟人类之间的血缘关系一样。
对RDD有两种类型的操作，一个是转化 (Transformation)，比如过滤，把数据集中的每个元素都乘以2，变成一个新的RDD，就像数学中的函数f(x)一样，可以把f(x)作用于一个RDD，映射成一个新的RDD。
这种转换是惰性执行的，也就是说从一个RDD 转换生成另一个 RDD 的转换操作不是马上执行，需要等到有 Action 操作的时候才会真正触发运算。Action操作是数据执行部分，其通过执行count，reduce，collect等方法真正执行数据的计算部分。它会触发 Spark提交作业(Job)，并将数据输出 Spark系统，返回的类型是一个其他的数据类型RDD，如图4所示。
图4 RDD操作类型
在实际应用中，我们可能会多次使用同一个RDD，如果简单地对 RDD 调用Action操作，Spark每次都会重新计算RDD及相关依赖，这样就会带来太大的消耗。
为了避免多次计算同一个RDD，可以对数据进行持久化,调用persist和cache方法将SparkRDD缓存到内存、磁盘文件系统中。这样缓存的 RDD 在使用时，存取速度会被大大提高。
一般情况下，Executor内存的60%会分配给Cache，剩下的40％ 用来执行任务。cache方法可以将RDD缓存到内存中，persist可以让用户根据需求指定一个持久化级别，如下表所示。我们可以根据具体场景来对RDD设置不同的缓存级别。
表1 RDD的不同缓存级别
此外，根据RDD之间的转换关系，还定义了宽依赖(Wide Dependency)和窄依赖(Narrow Dependency)。宽依赖是指每个父RDD的分区会被多个子RDD分区所使用，也就是说一个父亲会有多个孩子；窄依赖是指每个父RDD分区只有一个子RDD，相当于是独生子女。RDD的依赖关系是后面划分任务阶段的重要依据。
图5 RDD的依赖关系
02
Spark计算框架
理解了RDD的原理和机制，我们来看一下Spark框架，以及Spark是如何基于RDD执行任务的呢?
图6 Spark计算框架
Spark中设立了资源管理器(Cluster Manager)，来负责资源申请和管理在运行节点 Worker Node 上运行应用所需的资源。每一个Spark应用都会创建一个驱动器程序Driver Program, 它通过运行SparkContext对象来访问Spark。
SparkContext对象代表着对计算集群的连接，可以认为就是main运行的地方，可以进行RDD的初始化，向Cluster Manager申请任务运行的资源。Worker Node是真正工作的节点，Executor是Worker Node上的一个进程，负责准备Task环境和执行Task，负责内存和磁盘的使用，一个Executor对应一个具体的任务Task。
0 3
Spark执行过程
当一个应用提交到Spark集群，会有多个计算算子，也就是多个Job，每个Job会对应创建Driver构建Spark应用的运行环境，启动SparkContext上下文。
SparkContext作为DriverProgram的核心，做了很多工作，所有与Cluster、Worker Node交互的操作都需要SparkContext来完成。其中DAGScheduler负责分析用户提交的应用，根据输入的RDD，创建一个有向无环图。同时根据RDD组成的有向无环图之间的宽窄依赖划分成不同的阶段Stage, 遇到宽依赖，就划分出一个Stage，每个Stage由若干个Task组成。
图7 DAGScheduler
Stage划分完毕，DAGScheduler最终提交给任务调度器TaskScheduler 的是一个含有多个Task的集合。TaskScheduler会根据一定策略(先进先出、公平策略等)将这些任务集合提交到TaskManager运行。Task在Executor上运行完释放所有资源。
图8 任务执行流程
04
Spark运行模式
Spark目前有四种运行模式，Local模式、Standalone模式、Spark on Mesos模式以及Spark on Yarn模式。
Local本地模式主要用于开发、测试代码功能时使用。Standalone独立模式，自带完整的服务，可单独部署到一个集群中，无需依赖任何其他资源管理系统。如果我们只想在一堆机器上运行Spark,独立模式是部署集群最简单的方法。
但是如果需要与其他的分布式应用共享集群时，比如既可以运行Spark作业又可以运行MapReduce作业，就需要运行在集群管理器上。
官方推荐运行在Mesos之上,除了血缘关系的原因，由于Spark开发之初就考虑到支持Mesos，因此，Spark运行在Mesos上会比运行在Yarn上更加灵活，更加自然。但是在实际应用中，为了让Spark更快速的访问HDFS中的数据，运行在Yarn上也非常有意义，是一种很有前景的部署模式。
05
Spark生态
Spark生态圈是伯克利APMLab实验室打造的，涉及到机器学习、数据挖掘、数据库、信息检索、自然语言处理和语音识别等多个领域。包含SparkCore、SparkSQL、SparkStreaming、MLlib和GraphX等组件，能无缝集成并提供一站式解决方案。
06
Spark能完全取代MapReduce吗？
Spark替代MapReduce的讨论已经屡见不鲜了，Spark在任何情况下均比MapReduce高效吗？答案是否定的。Spark并不是在任何情况下都比MapReduce高效的，我们要根据不同的应用场景择优选择。
当做一个简单的数据转换，且只需要Map操作时，MapReduce的处理效率要比Spark高，相对而言Spark预处理和启动的成本比较高。当遇到确实非常大的数据以至于无法完全读入内存，又或是依靠着大量对该平台有经验的技术人员，它可能会比 Spark 更加高效。
在资源处理上，MapReduce的资源申请是以Task为粒度的，在处理完Task后会立即释放资源；而Spark Executor是粗粒度的资源分配模式，在完成任务处理后并不会关闭，继续等待后续任务的处理，资源不能得到释放。
在安全性上，此时的 Spark还略显不足。MapReduce 拥有所有 Hadoop 支持的安全机制，但是如果Spark运行在Yarn上并配合使用HDFS的话，需要具备HDFS文件许可机制和节点间的加密机制。
总之，Spark作为一颗冉冉升起的新星，正在蓬勃发展，应用非常广泛，目前已经推出3.0版本，开发了更多新的功能，赋予我们更强大处理数据的能力，值得我们每个IT人去研究学习。
参考文献
http://spark.apache.org/
http://zhihu.com/question/51378885
