Spark是起源于美國加州大學伯克利分校AMPLab的大數(shù)據(jù)計算平臺，在2010年開源，目前是Apache軟件基金會的頂級項目。隨著 Spark在大數(shù)據(jù)計算領(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)點數(shù)，把100TB數(shù)據(jù)的排序時間從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個官方子模塊--Spark SQL、Spark Streaming、機器學習庫MLlib和圖計算庫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?？梢奡park專注于數(shù)據(jù)的計算，而數(shù)據(jù)的存儲在生產(chǎn)環(huán)境中往往還是由Hadoop分布式文件系統(tǒng)HDFS承擔。

圖1 Spark在BDAS中的位置 

      Spark被設(shè)計成支持多場景的通用大數(shù)據(jù)計算平臺，它可以解決大數(shù)據(jù)計算中的批處理，交互查詢及流式計算等核心問題。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)展的機器學習庫和圖計算庫供開發(fā)者使用。數(shù)據(jù)和計算在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整體。Spark的各個子模塊以Spark內(nèi)核為基礎(chǔ)，進一步支持更多的計算場景，例如使用Spark SQL讀入的數(shù)據(jù)可以作為機器學習庫MLlib的輸入。表1列舉了一些在Spark平臺上的計算場景。

表1 Spark的應用場景舉例

      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一個最大的問題是在很多應用場景中速度非常慢，只適合離線的計算任務。這是由于MapReduce需要將任務劃分成map和 reduce兩個階段，map階段產(chǎn)生的中間結(jié)果要寫回磁盤，而在這兩個階段之間需要進行shuffle操作。Shuffle操作需要從網(wǎng)絡中的各個節(jié)點 進行數(shù)據(jù)拷貝，使其往往成為最為耗時的步驟，這也是Hadoop MapReduce慢的根本原因之一，大量的時間耗費在網(wǎng)絡磁盤IO中而不是用于計算。在一些特定的計算場景中，例如像邏輯回歸這樣的迭代式的計 算，MapReduce的弊端會顯得更加明顯。

      那Spark是如果設(shè)計分布式計算的呢？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中對數(shù)據(jù)和計算的抽象，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RDD的操作分為兩種transformation和action。Transformation操作是通過轉(zhuǎn)換從一個或多個RDD生成新的 RDD。Action操作是從RDD生成最后的計算結(jié)果。在Spark最新的版本中，提供豐富的transformation和action操作，比起 MapReduce計算模型中僅有的兩種操作，會大大簡化程序開發(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。一個典型的Spark程序就是通 過Spark上下文環(huán)境（SparkContext）生成一個或多個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RDD都可以用下面5個特性來表示，其中后兩個為可選的：

• 分片列表（數(shù)據(jù)塊列表）
• 計算每個分片的函數(shù)
• 對父RDD的依賴列表
• 對key-value類型的RDD的分片器（Partitioner）（可選）
• 每個數(shù)據(jù)分片的預定義地址列表（如HDFS上的數(shù)據(jù)塊的地址）（可選）

      雖然Spark是基于內(nèi)存的計算，但RDD不光可以存儲在內(nèi)存中，根據(jù)useDisk、useMemory、useOffHeap, deserialized、replication五個參數(shù)的組合Spark提供了12種存儲級別，在后面介紹RDD的容錯機制時，我們會進一步理解。值 得注意的是當StorageLevel設(shè)置成OFF_HEAP時，RDD實際被保存到Tachyon中。Tachyon是一個基于內(nèi)存的分布式文件系統(tǒng)，目前正在快速發(fā)展，本文不做詳細介紹，可以通過其官方網(wǎng)站進一步了解。

1. classStorageLevelprivate(
2.     privatevar _useDisk:Boolean,
3.     privatevar _useMemory:Boolean,
4.     privatevar _useOffHeap:Boolean,
5.     privatevar _deserialized:Boolean
6.     privatevar _replication:Int=1)
7.   extendsExternalizable{//… }
8.  
9. val NONE =newStorageLevel(false,false,false,false)
10.   val DISK_ONLY =newStorageLevel(true,false,false,false)
11.   val DISK_ONLY_2 =newStorageLevel(true,false,false,false,2)
12.   val MEMORY_ONLY =newStorageLevel(false,true,false,true)
13.   val MEMORY_ONLY_2 =newStorageLevel(false,true,false,true,2)
14.   val MEMORY_ONLY_SER =newStorageLevel(false,true,false,false)
15.   val MEMORY_ONLY_SER_2 =newStorageLevel(false,true,false,false,2)
16.   val MEMORY_AND_DISK =newStorageLevel(true,true,false,true)
17.   val MEMORY_AND_DISK_2 =newStorageLevel(true,true,false,true,2)
18.   val MEMORY_AND_DISK_SER =newStorageLevel(true,true,false,false)
19.   val MEMORY_AND_DISK_SER_2 =newStorageLevel(true,true,false,false,2)
20.   val OFF_HEAP =newStorageLevel(false,false,true,false)

2.2 DAG、Stage與任務的生成

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

      Spark內(nèi)核會在需要計算發(fā)生的時刻繪制一張關(guān)于計算路徑的有向無環(huán)圖，也就是DAG。舉個例子，在圖2中，從輸入中邏輯上生成A和C兩個 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，因為這時候計算沒有發(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F要進行輸出時，也就是F進行了action操作，Spark會根據(jù)RDD的依賴生成DAG，并從起點開始真正的計算。

圖2 邏輯上的計算過程：DAG 

      有了計算的DAG圖，Spark內(nèi)核下一步的任務就是根據(jù)DAG圖將計算劃分成任務集，也就是Stage，這樣可以將任務提交到計算節(jié)點進行真正的 計算。Spark計算的中間結(jié)果默認是保存在內(nèi)存中的，Spark在劃分Stage的時候會充分考慮在分布式計算中可流水線計算（pipeline）的部 分來提高計算的效率，而在這個過程中，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?？梢钥吹?，寬依賴往往意味著shuffle操作，這也是Spark劃分stage的主要邊界。對于窄依賴，Spark會將其盡量劃 分在同一個stage中，因為它們可以進行流水線計算。

圖3 RDD的寬依賴和窄依賴

      我們再通過圖4詳細解釋一下Spark中的Stage劃分。我們從HDFS中讀入數(shù)據(jù)生成3個不同的RDD，通過一系列 transformation操作后再將計算結(jié)果保存回HDFS?？梢钥吹竭@幅DAG中只有join操作是一個寬依賴，Spark內(nèi)核會以此為邊界將其前 后劃分成不同的Stage. 同時我們可以注意到，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流水線操作，通過map操作生成的 partition可以不用等待整個RDD計算結(jié)束，而是繼續(xù)進行union操作，這樣大大提高了計算的效率。

圖4 Spark中的Stage劃分 

      Spark在運行時會把Stage包裝成任務提交，有父Stage的Spark會先提交父Stage。弄清楚了Spark劃分計算的原理，我們再結(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RDD父Stage的函數(shù)，可以看到寬依賴為劃分Stage的邊界。

1. /**
2.   * Get or create the list of parent stages for a given RDD. The stages will be assigned the
3.   * provided jobId if they haven't already been created with a lower jobId.
4.   */
5.  
6.   privatedef getParentStages(rdd: RDD[_], jobId:Int):List[Stage]={
7.     val parents =newHashSet[Stage]
8.     val visited =newHashSet[RDD[_]]
9.     // We are manually maintaining a stack here to prevent StackOverflowError
10.     // caused by recursively visiting
11.     val waitingForVisit =newStack[RDD[_]]
12.     def visit(r: RDD[_]){
13.       if(!visited(r)){
14.         visited += r
15.         // Kind of ugly: need to register RDDs with the cache here since
16.         // we can't do it in its constructor because # of partitions is unknown
17.         for(dep <- r.dependencies){
18.           dep match {
19.             case shufDep:ShuffleDependency[_, _, _]=>
20.               parents += getShuffleMapStage(shufDep, jobId)
21.             case _ =>
22.               waitingForVisit.push(dep.rdd)
23.           }
24.         }
25.       }
26.     }
27.  
28.     waitingForVisit.push(rdd)
29.     while(!waitingForVisit.isEmpty){
30.       visit(waitingForVisit.pop())
31.     }
32.     parents.toList
33.   }

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

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

1. abstractclass RDD[T:ClassTag](
2.     @transientprivatevar sc:SparkContext,
3.     @transientprivatevar deps:Seq[Dependency[_]]
4.   )extendsSerializablewithLogging{
5.   //….
6. /**
7.   * Return an array that contains all of the elements in this RDD.
8.   */
9.   def collect():Array[T]={
10.     val results = sc.runJob(this,(iter:Iterator[T])=> iter.toArray)
11.     Array.concat(results: _*)
12.   }
13. }

      SparkContext擁有DAGScheduler的實例，在runJob方法中會進一步調(diào)用DAGScheduler的runJob方法。在 此時，DAGScheduler會生成DAG和Stage，將Stage提交給TaskScheduler。TaskSchduler將Stage包裝成 TaskSet，發(fā)送到Worker節(jié)點進行真正的計算，同時還要監(jiān)測任務狀態(tài)，重試失敗和長時間無返回的任務。整個過程如圖5所示。

圖5 Spark中任務的生成 

2.3 RDD的緩存與容錯

      上文提到，Spark的計算是從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 算失敗，Spark會重新提交任務，這在很多場景中代價過大。還有一些場景，如有些迭代算法，計算的中間結(jié)果會被重復使用，重復計算同樣增加計算時間和造 成資源浪費。因此，在提高計算效率和更好支持容錯，Spark提供了基于RDDcache機制和checkpoint機制。

      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使用的RDD，我們就可以考慮使用cache機制或checkpoint機制了。

      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RDD就可以被多個任務共享，避免重復計算。另外，RDD還提供了 更為靈活的persist方法，可以指定存儲級別。從源碼中可以看到RDD.cache就是簡單的調(diào)用了 RDD.persist(StorageLevel.MEMORY_ONLY)。

1. /** Persist this RDD with the default storage level (`MEMORY_ONLY`). */
2.   def persist():this.type = persist(StorageLevel.MEMORY_ONLY)
3.   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保存到文件的時候需要重新計 算。 

1.   /**
2.   * Mark this RDD for checkpointing. It will be saved to a file inside the checkpoint
3.   * directory set with SparkContext.setCheckpointDir() and all references to its parent
4.   * RDDs will be removed. This function must be called before any job has been
5.   * executed on this RDD. It is strongly recommended that this RDD is persisted in
6.   * memory, otherwise saving it on a file will require recomputation.
7.   */
8.   def checkpoint(){
9.     if(context.checkpointDir.isEmpty){
10.       thrownewSparkException("Checkpoint directory has not been set in the SparkContext")
11.     }elseif(checkpointData.isEmpty){
12.       checkpointData =Some(newRDDCheckpointData(this))
13.       checkpointData.get.markForCheckpoint()
14.     }
15.   }

      Cache機制和checkpoint機制的差別在于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程序運行時分為3種角色，driver, master和worker（slave）。在集群啟動前，首先要配置master和worker節(jié)點。啟動集群后，worker節(jié)點會向master節(jié) 點注冊自己，master節(jié)點會維護worker節(jié)點的心跳。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的進程就成為了driver角色，上一節(jié)提到的DAGScheduler和TaskScheduler都在driver中運行。 Spark程序在提交時要指定master的地址，這樣可以在程序啟動時向master申請worker的計算資源。Driver，master和 worker之間的通信由Akka支持。Akka 也使用 Scala 編寫，用于構(gòu)建可容錯的、高可伸縮性的Actor 模型應用。關(guān)于Akka，可以訪問其官方網(wǎng)站進行進一步了解，本文不做詳細介紹。

圖7 Spark任務部署

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，會自動安裝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)置斷點嘗試跟蹤一個任務的執(zhí)行。另外，讀 者還可以通過分析Spark的日志來進一步理解Spark的運行機制，Spark使用log4j記錄日志，可以在啟動集群前修改log4j的配置文件來配 置日志輸出和格式。
 

延伸閱讀：大數(shù)據(jù)閃開，小數(shù)據(jù)到來

數(shù)據(jù)安全有救了!量子操控解決黑客問題