您现在的位置 >> Hadoop教程 >> Hadoop实战 >> hadoop,spark专题  
 

Spark大数据

【作者:Hadoop实战专家】【关键词:数据集 Spark 机器学习 数据 】 【点击:27451次】【2013-06-0】
但不同于MapReduce的是Job中间输出和结果可以保存在内存中,从而不再需要读写HDFS,因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。Spark比Hadoop更通用。 //使用Hadoop MapReduce的RecordReader读取数据,每个Key、Value对以元组返回。  

相关热门搜索:

大数据标签:hadoop hdfs yarn mapreduce hive spark bigdata

问题导读:

1、什么是Spark?

2、 Spark和Hadoop的不同和整合?

前言:

大数据平台软件需要同时支持海量数据存储和高速分析能力。

大数据的四大特征——海量的数据规模(volume)、快速的数据流转和动态的数据体系(velocity)、多样的数据类型(variety)和巨大的数据价值(value)。

目前,HDFS加Map Reduce的组合很好的解决了海量数据规模和多样的数据类型的问题,但在对高速的数据查询需求、不同数据规模的场景下对应用的灵活支持还有很大的提升空间。Apache Spark作为下一代Map/Reduce计算框架,充分利用了内存加速,很好的解决了交互式查询和迭代式机器学习的效率问题。Transwarp Data Hub通过对Apache Spark和Apache Hadoop2.0的支持,使用优化内存处理技术,能10x/100x级别的提升Hadoop平台的性能。

同时通过对新的框架的整合和优化处理技术,Transwarp Data Hub扩大了Hadoop的应用领域和处理不同数据压力的能力,适合处理从GB到PB级别的数据。目前适用于离线分析,统计/挖掘;在线的存储和OLAP系统;以及在线的基于内存的高速分析。

Spark是一个通用的并行计算框架,由UCBerkeley的AMP实验室开发。

Spark和Hadoop有什么不同呢?

Spark是基于map reduce算法实现的分布式计算,拥有Hadoop MapReduce所具有的优点;但不同于MapReduce的是Job中间输出和结果可以保存在内存中,从而不再需要读写HDFS,因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。

1.      Spark的中间数据放到内存中,对于迭代运算效率比较高。

2.      Spark比Hadoop更通用。

Spark提供的数据集操作类型有很多种,不像Hadoop只提供了Map和Reduce两种操作。比如map, filter, flatMap,sample,groupByKey, reduceByKey, union, join, cogroup, mapValues, sort,partionBy等多种操作类型,他们把这些操作称为Transformations。同时还提供Count, collect, reduce,lookup, save等多种actions。

这些多种多样的数据集操作类型,给上层应用者提供了方便。各个处理节点之间的通信模型不再像Hadoop那样就是唯一的DataShuffle一种模式。用户可以命名,物化,控制中间结果的分区等。可以说编程模型比Hadoop更灵活。

Spark与Hadoop的结合

Spark可以直接对HDFS进行数据的读写,同样支持Sparkon YARN。Spark可以与MapReduce运行于同集群中,共享存储资源与计算,数据仓库Shark实现上借用Hive,几乎与Hive完全兼容。

Spark的适用场景

Spark是基于内存的迭代计算框架,适用于需要多次操作特定数据集的应用场合。需要反复操作的次数越多,所需读取的数据量越大,受益越大,数据量小但是计算密集度较大的场合,受益就相对较小

由于RDD的特性,Spark不适用那种异步细粒度更新状态的应用,例如web服务的存储或者是增量的web爬虫和索引。就是对于那种增量修改的应用模型不适合。

总的来说Spark的适用面比较广泛且比较通用。

运行模式

?     本地模式

?     Standalone模式

?     Mesoes模式

yarn模式

Spark核心概念

(RDD)弹性分布数据集

RDD是Spark的最基本抽象,是对分布式内存的抽象使用,实现了以操作本地集合的方式来操作分布式数据集的抽象实现。RDD是Spark最核心的东西,它表示已被分区,不可变的并能够被并行操作的数据集合,不同的数据集格式对应不同的RDD实现。RDD必须是可序列化的。RDD可以cache到内存中,每次对RDD数据集的操作之后的结果,都可以存放到内存中,下一个操作可以直接从内存中输入,省去了MapReduce大量的磁盘IO操作。这对于迭代运算比较常见的机器学习算法, 交互式数据挖掘来说,效率提升比较大。

RDD的特点:

  1. 它是在集群节点上的不可变的、已分区的集合对象。

  2. 通过并行转换的方式来创建如(map, filter, join,etc)。

  3. 失败自动重建。

  4. 可以控制存储级别(内存、磁盘等)来进行重用。

  5. 必须是可序列化的。

6. 是静态类型的。

RDD的生成有两种创建方式:

1、从Hadoop文件系统(或与Hadoop兼容的其它存储系统)输入(例如HDFS)创建。

2、从父RDD转换得到新RDD。

下面来看一从Hadoop文件系统生成RDD的方式,如:val file =spark.textFile("hdfs://..."),file变量就是RDD(实际是HadoopRDD实例),生成的它的核心代码如下:

// SparkContext根据文件/目录及可选的分片数创建RDD, 这里我们可以看到Spark与Hadoop MapReduce很像

// 需要InputFormat, Key、Value的类型,其实Spark使用的Hadoop的InputFormat, Writable类型。

def textFile(path: String, minSplits: Int =defaultMinSplits): RDD[String] = {

hadoopFile(path,classOf[TextInputFormat], classOf[LongWritable],

classOf[Text], minSplits) .map(pair=> pair._2.toString) }

// 根据Hadoop配置,及InputFormat等创建HadoopRDD

new HadoopRDD(this, conf, inputFormatClass,keyClass, valueClass, minSplits)

对RDD进行计算时,RDD从HDFS读取数据时与Hadoop MapReduce几乎一样的:

reader =fmt.getRecordReader(split.inputSplit.value, conf, Reporter.NULL)

valkey: K = reader.createKey()

val value: V = reader.createValue()

//使用Hadoop MapReduce的RecordReader读取数据,每个Key、Value对以元组返回。

override def getNext() = {

try {

finished = !reader.next(key, value)

} catch {

case eof: EOFException =>

finished = true

}

(key, value)

}

Scala

Spark使用Scala开发,默认使用Scala作为编程语言。编写Spark程序比编写Hadoop MapReduce程序要简单的多,SparK提供了Spark-Shell,可以在Spark-Shell测试程序。写SparK程序的一般步骤就是创建或使用(SparkContext)实例,使用SparkContext创建RDD,然后就是对RDD进行操作。如:

val sc = new SparkContext(master, appName,[sparkHome], [jars])

val textFile =sc.textFile("hdfs://.....")

textFile.map(....).filter(.....).....

Python

现在Spark也提供了Python编程接口,Spark使用py4j来实现python与java的互操作,从而实现使用python编写Spark程序。Spark也同样提供了pyspark,一个Spark的python shell,可以以交互式的方式使用Python编写Spark程序。 如:

from pyspark import SparkContext

sc = SparkContext("local","Job Name", pyFiles=['MyFile.py', 'lib.zip', 'app.egg'])

words =sc.textFile("/usr/share/dict/words")

words.filter(lambda w:w.startswith("spar")).take(5)

Java

Spark支持Java编程,但对于使用Java就没有了Spark-Shell这样方便的工具,其它与Scala编程是一样的,因为都是JVM上的语言,Scala与Java可以互操作,Java编程接口其实就是对Scala的封装。如:

JavaSparkContext sc = newJavaSparkContext(...);

JavaRDD lines =ctx.textFile("hdfs://...");

JavaRDD words = lines.flatMap(

new FlatMapFunction() {

public Iterable call(String s) {

return Arrays.asList(s.split(""));

}

}

);

大数据系列hadoop,spark相关文章:

最新评论
赤道漫雪2014-09-10 11:41:45
之前是可以的
es2014-09-10 08:43:07
#大数据观察#【IBM携手SequoiaDB打造民生银行全新大数据平台】IBM BigInsights基于开源Apache Hadoop,帮助银行完善交易流水查询分析系统, 产业链金融管理系统,以及私人银行产品货架管理系统。
那年范特西2014-09-09 06:20:20
那就空手
人生如梦2014-09-08 07:54:38
确实 这是技术群
追忆花香2014-09-07 09:31:59
#hadoop学习笔记# 唉,写了那么久的hql和udf,终于能自己搭建hadoop和hive了,喵了个咪的,以前都是看着别人搭建。虽然是伪分布,但完全分布也就多了点东西而已,等以后发达了,买100台主机撘撘试试。
哈利2014-09-07 10:11:35
我有些操作想直接用MR操作,比如,mysql 导出的原始数据是拼接的,我想用MR分解,在用hive分组统计
袁小雪2014-09-07 01:13:07
[图片] 【潜水】探索之子1 发表动态 17:41:44
培乐园2014-09-06 02:46:59
是真还是假? 以数据为中心的应用将成为强制性的 利用大数据的能力将在2014年成为竞争的武器。更多的公司将使用大数据和Hadoop准确地针对个人消费者的偏爱追逐赚钱的追加销售和交叉销售的机会,更好地缓解风险以及减少生产和开销成本。
深蓝_数据挖掘2014-09-05 09:06:48
发表了一篇转载博文 《[转载]Hadoop JAVA 开发说明》 - http://t.cn/8s4Xcmf
ye深独醉2014-09-05 12:42:39
Hadoop供应商Hortonworks获得1亿美金D轮融资,继续开发Hadoop框架内的软件,提升大数据的处理能力 http://t.cn/8scqOME (分享自@36氪 Android客户端 http://t.cn/8scqOMR )
 
  • Hadoop生态系统资料推荐