Spark是发源于美国加州大学伯克利分校AMPLab的集群计算平台,它立足于内存计算,性能超过Hadoop百倍,从多迭代批量处理出发,兼收并蓄数据仓库、流处理和图计算等多种计算范式,是罕见的全能选手。Spark采用一个统一的技术堆栈解决了云计算大数据的如流处理、图技术、机器学习、NoSQL查询等方面的所有核心问题,具有完善的生态系统,这直接奠定了其一统云计算大数据领域的霸主地位。
伴随Spark技术的普及推广,对专业人才的需求日益增加。Spark专业人才在未来也是炙手可热,轻而易举可以拿到百万的薪酬。而要想成为Spark高手,也需要一招一式,从内功练起:通常来讲需要经历以下阶段:一、熟练的掌握Scala和Java语言
- Spark框架是采用Scala语言编写的,精致而优雅。要想成为Spark高手,你就必须阅读Spark的源代码,就必须掌握Scala,;
- 虽然说现在的Spark可以采用多语言Java、Python等进行应用程序开发,但是最快速的和支持最好的开发API依然并将永远是Scala方式的API,所以你必须掌握Scala来编写复杂的和高性能的Spark分布式程序;
- 尤其要熟练掌握Scala的trait、apply、函数式编程、泛型、逆变与协变等;
- 掌握JAVA语言多线程,netty,rpc,ClassLoader,运行环境等(源码需要)。
- 掌握Spark中面向RDD的开发模式部署模式:本地(调试),Standalone,yarn等 ,掌握各种transformation和action函数的使用;
- 掌握Spark中的宽依赖和窄依赖以及lineage机制;
- 掌握RDD的计算流程,例如Stage的划分、Spark应用程序提交给集群的基本过程和Worker节点基础的工作原理等
- 熟练掌握spark on yarn的机制原理及调优
- 通过源码掌握Spark的任务提交过程;
- 通过源码掌握Spark集群的任务调度;
- 尤其要精通DAGScheduler、TaskScheduler,Driver和Executor节点内部的工作的每一步的细节;
- Driver和Executor的运行环境及RPC过程
- 缓存RDD,Checkpoint,Shuffle等缓存或者暂存垃圾清除机制
- 熟练掌握BlockManager,Broadcast,Accumulator,缓存等机制原理
- 熟练掌握Shuffle原理源码及调优
四、掌握基本Spark Stream
Spark作为云计算大数据时代的集大成者,其中其组件spark Streaming在企业准实时处理也是基本是必备,所以作为大数据从业者熟练掌握也是必须且必要的:
- Spark Streaming是非常出色的实时流处理框架,要掌握其DStream、transformation和checkpoint等;
- 熟练掌握kafka 与spark Streaming结合的两种方式及调优方式
- 熟练掌握Structured Streaming原理及作用并且要掌握其余kafka结合
- 熟练掌握SparkStreaming的源码尤其是和kafka结合的两种方式的源码原理。
- 熟练掌握spark Streaming的web ui及各个指标,如:批次执行事件处理时间,调度延迟,待处理队列并且会根据这些指标调优。
- 会自定义监控系统
- spark sql要理解Dataset的概念及与RDD的区别,各种算子
- 要理解基于hive生成的永久表和没有hive的临时表的区别
- spark sql+hive metastore基本是标配,无论是sql的支持,还是永久表特性
- 要掌握存储格式及性能对比
- Spark sql也要熟悉它的优化器catalyst的工作原理。
- Spark Sql的dataset的链式计算原理,逻辑计划翻译成物理计划的源码(非必须,面试及企业中牵涉到sql源码调优的比较少)
六、掌握基本Spark机器学习及图计算企业环境使用spark作为机器学习及深度学习分析引擎的情况也是日渐增多,结合方式就很多了:java系:
- spark ml/mllib spark自带的机器学习库,目前也逐步有开源的深度学习及nlp等框架( spaCy, CoreNLP, OpenNLP, Mallet, GATE, Weka, UIMA, nltk, gensim, Negex, word2vec, GloVe)
- 与DeepLearning4j目前用的也比较多的一种形式
python系:
- pyspark
- spark与TensorFlow结合
- hadoop系列:kafka,hdfs,yarn
- 输入源及结果输出,主要是:mysql/redis/hbase/mongod
- 内存加速的框架redis,Alluxio
- es、solr
- 彻底掌握Spark框架源码的每一个细节;
- 根据不同的业务场景的需要提供Spark在不同场景的下的解决方案;
- 根据实际需要,在Spark框架基础上进行二次开发,打造自己的Spark框架;
这就是浪尖总结的我们学好spark的主要步骤;想学好,着重留意深色字体的。坚持总是空难,但是坚持下来就会有质的飞跃。