转载

大数据计算平台Spark内核全面解读

1、Spark介绍

Spark是起源于美国加州大学伯克利分校AMPLab的大数据计算平台,在2010年开源,目前是Apache软件基金会的顶级项目。随着 Spark在大数据计算领域的暂露头角,越来越多的企业开始关注和使用。2014年11月,Spark在Daytona Gray Sort 100TB Benchmark竞赛中打破了由Hadoop MapReduce保持的排序记录。Spark利用1/10的节点数,把100TB数据的排序时间从72分钟提高到了23分钟。

Spark在架构上包括内核部分和4个官方子模块--Spark SQL、Spark Streaming、机器学习库MLlib和图计算库GraphX。图1所示为Spark在伯克利的数据分析软件栈BDAS(Berkeley Data Analytics Stack)中的位置。可见Spark专注于数据的计算,而数据的存储在生产环境中往往还是由Hadoop分布式文件系统HDFS承担。

大数据计算平台Spark内核全面解读

图1 Spark在BDAS中的位置

Spark被设计成支持多场景的通用大数据计算平台,它可以解决大数据计算中的批处理,交互查询及流式计算等核心问题。Spark可以从多数据源的 读取数据,并且拥有不断发展的机器学习库和图计算库供开发者使用。数据和计算在Spark内核及Spark的子模块中是打通的,这就意味着Spark内核 和子模块之间成为一个整体。Spark的各个子模块以Spark内核为基础,进一步支持更多的计算场景,例如使用Spark SQL读入的数据可以作为机器学习库MLlib的输入。表1列举了一些在Spark平台上的计算场景。

大数据计算平台Spark内核全面解读

表1 Spark的应用场景举例

在本文写作是,Spark的最新版本为1.2.0,文中的示例代码也来自于这个版本。

2、Spark内核介绍 

相信大数据工程师都非常了解Hadoop MapReduce一个最大的问题是在很多应用场景中速度非常慢,只适合离线的计算任务。这是由于MapReduce需要将任务划分成map和 reduce两个阶段,map阶段产生的中间结果要写回磁盘,而在这两个阶段之间需要进行shuffle操作。Shuffle操作需要从网络中的各个节点 进行数据拷贝,使其往往成为最为耗时的步骤,这也是Hadoop MapReduce慢的根本原因之一,大量的时间耗费在网络磁盘IO中而不是用于计算。在一些特定的计算场景中,例如像逻辑回归这样的迭代式的计 算,MapReduce的弊端会显得更加明显。

那Spark是如果设计分布式计算的呢?首先我们需要理解Spark中最重要的概念--弹性分布数据集(Resilient Distributed Dataset),也就是RDD。

2.1 弹性分布数据集RDD

RDD是Spark中对数据和计算的抽象,是Spark中最核心的概念,它表示已被分片(partition),不可变的并能够被并行操作的数据集 合。对RDD的操作分为两种transformation和action。Transformation操作是通过转换从一个或多个RDD生成新的 RDD。Action操作是从RDD生成最后的计算结果。在Spark最新的版本中,提供丰富的transformation和action操作,比起 MapReduce计算模型中仅有的两种操作,会大大简化程序开发的难度。

RDD的生成方式只有两种,一是从数据源读入,另一种就是从其它RDD通过transformation操作转换。一个典型的Spark程序就是通 过Spark上下文环境(SparkContext)生成一个或多个RDD,在这些RDD上通过一系列的transformation操作生成最终的 RDD,最后通过调用最终RDD的action方法输出结果。

每个RDD都可以用下面5个特性来表示,其中后两个为可选的:

  • 分片列表(数据块列表)
  • 计算每个分片的函数
  • 对父RDD的依赖列表
  • 对key-value类型的RDD的分片器(Partitioner)(可选)
  • 每个数据分片的预定义地址列表(如HDFS上的数据块的地址)(可选)

虽然Spark是基于内存的计算,但RDD不光可以存储在内存中,根据useDisk、useMemory、useOffHeap, deserialized、replication五个参数的组合Spark提供了12种存储级别,在后面介绍RDD的容错机制时,我们会进一步理解。值 得注意的是当StorageLevel设置成OFF_HEAP时,RDD实际被保存到Tachyon中。Tachyon是一个基于内存的分布式文件系统,目前正在快速发展,本文不做详细介绍,可以通过其官方网站进一步了解。

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

2.2 DAG、Stage与任务的生成

Spark的计算发生在RDD的action操作,而对action之前的所有transformation,Spark只是记录下RDD生成的轨迹,而不会触发真正的计算。

Spark内核会在需要计算发生的时刻绘制一张关于计算路径的有向无环图,也就是DAG。举个例子,在图2中,从输入中逻辑上生成A和C两个 RDD,经过一系列transformation操作,逻辑上生成了F,注意,我们说的是逻辑上,因为这时候计算没有发生,Spark内核做的事情只是记 录了RDD的生成和依赖关系。当F要进行输出时,也就是F进行了action操作,Spark会根据RDD的依赖生成DAG,并从起点开始真正的计算。

大数据计算平台Spark内核全面解读

图2 逻辑上的计算过程:DAG

有了计算的DAG图,Spark内核下一步的任务就是根据DAG图将计算划分成任务集,也就是Stage,这样可以将任务提交到计算节点进行真正的 计算。Spark计算的中间结果默认是保存在内存中的,Spark在划分Stage的时候会充分考虑在分布式计算中可流水线计算(pipeline)的部 分来提高计算的效率,而在这个过程中,主要的根据就是RDD的依赖类型。根据不同的transformation操作,RDD的依赖可以分为窄依赖 (Narrow Dependency)和宽依赖(Wide Dependency,在代码中为ShuffleDependency)两种类型。窄依赖指的是生成的RDD中每个partition只依赖于父 RDD(s) 固定的partition。宽依赖指的是生成的RDD的每一个partition都依赖于父 RDD(s) 所有partition。窄依赖典型的操作有map, filter, union等,宽依赖典型的操作有groupByKey, sortByKey等。可以看到,宽依赖往往意味着shuffle操作,这也是Spark划分stage的主要边界。对于窄依赖,Spark会将其尽量划 分在同一个stage中,因为它们可以进行流水线计算。

大数据计算平台Spark内核全面解读

图3 RDD的宽依赖和窄依赖

我们再通过图4详细解释一下Spark中的Stage划分。我们从HDFS中读入数据生成3个不同的RDD,通过一系列 transformation操作后再将计算结果保存回HDFS。可以看到这幅DAG中只有join操作是一个宽依赖,Spark内核会以此为边界将其前 后划分成不同的Stage. 同时我们可以注意到,在图中Stage2中,从map到union都是窄依赖,这两步操作可以形成一个流水线操作,通过map操作生成的 partition可以不用等待整个RDD计算结束,而是继续进行union操作,这样大大提高了计算的效率。

大数据计算平台Spark内核全面解读

图4 Spark中的Stage划分

Spark在运行时会把Stage包装成任务提交,有父Stage的Spark会先提交父Stage。弄清楚了Spark划分计算的原理,我们再结 合源码看一看这其中的过程。下面的代码是DAGScheduler中的得到一个RDD父Stage的函数,可以看到宽依赖为划分Stage的边界。

  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.   private def getParentStages ( rdd : RDD [ _ ], jobId : Int ): List [ Stage ] = {
  7.     val parents = new HashSet [ Stage ]
  8.     val visited = new HashSet [ RDD [ _ ]]
  9.     // We are manually maintaining a stack here to prevent StackOverflowError
  10.     // caused by recursively visiting
  11.     val waitingForVisit = new Stack [ 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的计算是从RDD调用action操作时候触发的,我们来看一个action的代码

RDD的collect方法是一个action操作,作用是将RDD中的数据返回到一个数组中。可以看到,在此action中,会触发Spark上下文环境SparkContext中的runJob方法,这是一系列计算的起点。

  1. abstract class RDD [ T : ClassTag ](
  2.     @transient private var sc : SparkContext ,
  3.     @transient private var deps : Seq [ Dependency [ _ ]]
  4.   ) extends Serializable with Logging {
  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拥有DAGScheduler的实例,在runJob方法中会进一步调用DAGScheduler的runJob方法。在 此时,DAGScheduler会生成DAG和Stage,将Stage提交给TaskScheduler。TaskSchduler将Stage包装成 TaskSet,发送到Worker节点进行真正的计算,同时还要监测任务状态,重试失败和长时间无返回的任务。整个过程如图5所示。

大数据计算平台Spark内核全面解读

图5 Spark中任务的生成

2.3 RDD的缓存与容错

上文提到,Spark的计算是从action开始触发的,如果在action操作之前逻辑上很多transformation操作,一旦中间发生计 算失败,Spark会重新提交任务,这在很多场景中代价过大。还有一些场景,如有些迭代算法,计算的中间结果会被重复使用,重复计算同样增加计算时间和造 成资源浪费。因此,在提高计算效率和更好支持容错,Spark提供了基于RDDcache机制和checkpoint机制。

我们可以通过RDD的toDebugString来查看其递归的依赖信息,图6展示了在spark shell中通过调用这个函数来查看wordCount RDD的依赖关系,也就是它的Lineage.

大数据计算平台Spark内核全面解读

图6 RDD wordCount的lineage

如果发现Lineage过长或者里面有被多次重复使用的RDD,我们就可以考虑使用cache机制或checkpoint机制了。

我们可以通过在程序中直接调用RDD的cache方法将其保存在内存中,这样这个RDD就可以被多个任务共享,避免重复计算。另外,RDD还提供了 更为灵活的persist方法,可以指定存储级别。从源码中可以看到RDD.cache就是简单的调用了 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 ()

同样,我们可以调用RDD的checkpoint方法将其保存到磁盘。我们需要在SparkContext中设置checkpoint的目录,否则 调用会抛出异常。值得注意的是,在调用checkpoint之前建议先调用cache方法将RDD放入内存,否则将RDD保存到文件的时候需要重新计 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.       throw new SparkException ( "Checkpoint directory has not been set in the SparkContext" )
  11.     } else if ( checkpointData . isEmpty ) {
  12.       checkpointData = Some ( new RDDCheckpointData ( this ))
  13.       checkpointData . get . markForCheckpoint ()
  14.     }
  15.   }

Cache机制和checkpoint机制的差别在于cache将RDD保存到内存,并保留Lineage,如果缓存失效RDD还可以通过Lineage重建。而checkpoint将RDD落地到磁盘并切断Lineage,由文件系统保证其重建。

2.4 Spark任务的部署

Spark的集群部署分为Standalone、Mesos和Yarn三种模式,我们以Standalone模式为例,简单介绍Spark程序的部 署。如图7示,集群中的Spark程序运行时分为3种角色,driver, master和worker(slave)。在集群启动前,首先要配置master和worker节点。启动集群后,worker节点会向master节 点注册自己,master节点会维护worker节点的心跳。Spark程序都需要先创建Spark上下文环境,也就是SparkContext。创建 SparkContext的进程就成为了driver角色,上一节提到的DAGScheduler和TaskScheduler都在driver中运行。 Spark程序在提交时要指定master的地址,这样可以在程序启动时向master申请worker的计算资源。Driver,master和 worker之间的通信由Akka支持。Akka 也使用 Scala 编写,用于构建可容错的、高可伸缩性的Actor 模型应用。关于Akka,可以访问其官方网站进行进一步了解,本文不做详细介绍。

大数据计算平台Spark内核全面解读

图7 Spark任务部署

3、更深一步了解Spark内核

了解了Spark内核的基本概念和实现后,更深一步理解其工作原理的最好方法就是阅读源码。最新的Spark源码可以从Spark官方网站下载。 源码推荐使用IntelliJ IDEA阅读,会自动安装Scala插件。读者可以从core工程,也就是Spark内核工程开始阅读,更可以设置断点尝试跟踪一个任务的执行。另外,读 者还可以通过分析Spark的日志来进一步理解Spark的运行机制,Spark使用log4j记录日志,可以在启动集群前修改log4j的配置文件来配 置日志输出和格式。

正文到此结束
Loading...