spark和hadoop的关系
- 本文是参考了厦门大学林子雨的spark(python版)所整理成的笔记,仅供大家参考复习等个人用途,内容勿喷尽量详尽
1.Spark 和Hadoop 的根本差异是多个作业之间的数据通信问题 : Spark 多个作业之间数据通信是基于内存,而 Hadoop 是基于磁盘,MapReduce的磁盘读写量特别高。例map函数和reduce函数,这两个过程需要等待完成
2.
spark作为计算框架在机器学习上完全优于MapReduce的速度和效率
Flink和Beam
Flink和spark的区别
spark | Flink | |
编程接口 | java,python,R语言 | |
计算模型 | 基于数据片集合的微批处理模型 | 基于操作符的连续流模型 |
优缺点 | 流处理延迟只能达到秒级别 | 毫秒级别 |
Hadoop Beam是google提出的一套编程接口
Spark概述
spark是一整个计算框架,hadoop是一个系统,spark使用yarn来整合不同组件的资源调度
Spark的基本运行流程
sparkcontext是总流程管理在主控节点上生成来控制所有的进,先向资源管理器申请资源,然后根据程序所运行的逻辑(RDD的依赖关系)来构建DAG(有向无环图),然后DAG图分解成STAge来运行,最后交给task 来执行,work node来申请,然后在task shceduler同意任务申请,在任务分配时遵循:
计算向数据靠拢,分配任务时向数据所在的计算节点发送,来减少数据开销
RDD的具体运行原理
- mapreduce不适合迭代操作,
- RDD是只读的分区集合,RDD可以很大采用分布式储存
- RDD在发生转换时可以进行修改
RDD操作类型
- Action(动作类型操作):
- Transformation(转换类型操作):
以上均为粗类型操作,即对整个数据进行操作
惰性调用机制:转换类型操作只记录操作轨迹,并不会真正进行操作,当遇到动作类型操作时才会对数据真正进行操
管道机制:中间结果并不存入磁盘,而是输入到内存里
容错:保存RDD图,出错直接从新开始
RDD运行原理
shuffle操作:
窄依赖:一个或多个父RDD对应一个子RDD
宽依赖:一个父RDD对应多个子RDD
- 可以归结为是否发生shuffle操作
fork/join优化:
- 窄依赖可以进行流水线优化
- 宽依赖无法进行流水线优化
只要发生Shuffle就一定会读写磁盘