与 Hadoop 对比？怎样提升 Spark 中排序的性能

在上一篇文章中，小编为您详细介绍了关于《上联青黄不接四月天下联咋对？草书可以分为哪几种》相关知识。本篇中小编将再为您讲解标题与 Hadoop 对比？怎样提升 Spark 中排序的性能。

最近公司邀请来王家林老师来做培训，其浮夸的授课方式略接受不了。其强烈推崇Spark技术，宣称Spark是大数据的未来，同时宣布了Hadoop的死刑。

那么与Hadoop相比，Spark技术如何？现工业界大数据技术都在使用何种技术？

-----------补充------------

希望大家能将关注点放在Spark上。另Spark圈内应该会有人对此人有了解。此人在⑤①CTO上有①⓪⓪期的课程，并号称⑦岁接触代码，现年②⑧岁，②⓪①⓪年阅读完Android源码后，专注大数据。

王家林简介摘自百度百科

Hadoop

首先看①下Hadoop解决了什么问题，Hadoop就是解决了大数据（大到①台计算机无法进行存储，①台计算机无法在要求的时间内进行处理）的可靠存储和处理。

HDFS，在由普通PC组成的集群上提供高可靠的文件存储，通过将块保存多个副本的办法解决服务器或硬盘坏掉的问题。MapReduce，通过简单的Mapper和Reducer的抽象提供①个编程模型，可以在①个由几⑩台上百台的PC组成的不可靠集群上并发地，分布式地处理大量的数据集，而把并发、分布式（如机器间通信）和故障恢复等计算细节隐藏起来。而Mapper和Reducer的抽象，又是各种各样的复杂数据处理都可以分解为的基本元素。这样，复杂的数据处理可以分解为由多个Job（包含①个Mapper和①个Reducer）组成的有向无环图（DAG）,然后每个Mapper和Reducer放到Hadoop集群上执行，就可以得出结果。（图片来源：）

用MapReduce统计①个文本文件中单词出现的频率的示例WordCount请参见：WordCount - Hadoop Wiki，如果对MapReduce不恨熟悉，通过该示例对MapReduce进行①些了解对理解下文有帮助。

在MapReduce中，Shuffle是①个非常重要的过程，正是有了看不见的Shuffle过程，才可以使在MapReduce之上写数据处理的开发者完全感知不到分布式和并发的存在。

（图片来源： Hadoop Definitive Guide By Tom White）

广义的Shuffle是指图中在Map和Reuce之间的①系列过程。

Hadoop的局限和不足

但是，MapRecue存在以下局限，使用起来比较困难。

抽象层次低，需要手工编写代码来完成，使用上难以上手。只提供两个操作，Map和Reduce，表达力欠缺。①个Job只有Map和Reduce两个阶段（Phase），复杂的计算需要大量的Job完成，Job之间的依赖关系是由开发者自己管理的。处理逻辑隐藏在代码细节中，没有整体逻辑中间结果也放在HDFS文件系统中ReduceTask需要等待所有MapTask都完成后才可以开始时延高，只适用Batch数据处理，对于交互式数据处理，实时数据处理的支持不够对于迭代式数据处理性能比较差

比如说，用MapReduce实现两个表的Join都是①个很有技巧性的过程，如下图所示：

（图片来源：Real World Hadoop）

因此，在Hadoop推出之后，出现了很多相关的技术对其中的局限进行改进，如Pig，Cascading，JAQL，OOzie，Tez，Spark等。

Apache Pig

Apache Pig也是Hadoop框架中的①部分，Pig提供类SQL语言（Pig Latin）通过MapReduce来处理大规模半结构化数据。而Pig Latin是更高级的过程语言，通过将MapReduce中的设计模式抽象为操作，如Filter，GroupBy，Join，OrderBy，由这些操作组成有向无环图（DAG）。例如如下程序：

visits = load ‘/data/visits’ as (user, url, time);gVisits = group visits by url;visitCounts = foreach gVisits generate url, count(visits);urlInfo = load ‘/data/urlInfo’ as (url, category, pRank);visitCounts = join visitCounts by url, urlInfo by url;gCategories = group visitCounts by category;topUrls = foreach gCategories generate top(visitCounts,①⓪);store topUrls into ‘/data/topUrls’;描述了数据处理的整个过程。

而Pig Latin又是通过编译为MapReduce，在Hadoop集群上执行的。上述程序被编译成MapReduce时，会产生如下图所示的Map和Reduce：

（图片来源：）

Apache Pig解决了MapReduce存在的大量手写代码，语义隐藏，提供操作种类少的问题。类似的项目还有Cascading，JAQL等。

Apache Tez

Apache Tez，Tez是HortonWorks的Stinger Initiative的的①部分。作为执行引擎，Tez也提供了有向无环图（DAG），DAG由顶点（Vertex）和边（Edge）组成，Edge是对数据的移动的抽象，提供了One-To-One，BroadCast，和Scatter-Gather③种类型，只有Scatter-Gather才需要进行Shuffle。

以如下SQL为例：

SELECT a.state, COUNT(*),AVERAGE(c.price)FROM aJOIN b ON (a.id = b.id)JOIN c ON (a.itemId = c.itemId)GROUP BY a.state（图片来源：）

途中蓝色方块表示Map，绿色方块表示Reduce，云状表示写屏障（write barrier，①种内核机制，可以理解为持久的写），Tez的优化主要体现在：

去除了连续两个作业之间的写屏障去除了每个工作流中多余的Map阶段（Stage）通过提供DAG语义和操作，提供了整体的逻辑，通过减少不必要的操作，Tez提升了数据处理的执行性能。

Apache Spark

Apache Spark是①个新兴的大数据处理的引擎，主要特点是提供了①个集群的分布式内存抽象，以支持需要工作集的应用。

这个抽象就是RDD（Resilient Distributed Dataset），RDD就是①个不可变的带分区的记录集合，RDD也是Spark中的编程模型。Spark提供了RDD上的两类操作，转换和动作。转换是用来定义①个新的RDD，包括map, flatMap, filter, union, sample, join, groupByKey, cogroup, ReduceByKey, cros, sortByKey, mapValues等，动作是返回①个结果，包括collect, reduce, count, save, lookupKey。

Spark的API非常简单易用，Spark的WordCount的示例如下所示：

val spark = new SparkContext(master, appName, [sparkHome], [jars])val file = spark.textFile(\"hdfs://...\")val counts = file.flatMap(line => line.split(\" \")) .map(word => (word, ①)) .reduceByKey(_ + _)counts.saveAsTextFile(\"hdfs://...\")其中的file是根据HDFS上的文件创建的RDD，后面的flatMap，map，reduceByKe都创建出①个新的RDD，①个简短的程序就能够执行很多个转换和动作。

在Spark中，所有RDD的转换都是是惰性求值的。RDD的转换操作会生成新的RDD，新的RDD的数据依赖于原来的RDD的数据，每个RDD又包含多个分区。那么①段程序实际上就构造了①个由相互依赖的多个RDD组成的有向无环图（DAG）。并通过在RDD上执行动作将这个有向无环图作为①个Job提交给Spark执行。

例如，上面的WordCount程序就会生成如下的DAG

scala> counts.toDebugStringres⓪: String =MapPartitionsRDD[⑦] at reduceByKey at :①④ (① partitions) ShuffledRDD[⑥] at reduceByKey at :①④ (① partitions) MapPartitionsRDD[⑤] at reduceByKey at :①④ (① partitions) MappedRDD[④] at map at :①④ (① partitions) FlatMappedRDD[③] at flatMap at :①④ (① partitions) MappedRDD[①] at textFile at :①② (① partitions) HadoopRDD[⓪] at textFile at :①② (① partitions)

Spark对于有向无环图Job进行调度，确定阶段（Stage），分区（Partition），流水线（Pipeline），任务（Task）和缓存（Cache），进行优化，并在Spark集群上运行Job。RDD之间的依赖分为宽依赖（依赖多个分区）和窄依赖（只依赖①个分区），在确定阶段时，需要根据宽依赖划分阶段。根据分区划分任务。

（图片来源：）

Spark支持故障恢复的方式也不同，提供两种方式，Linage，通过数据的血缘关系，再执行①遍前面的处理，Checkpoint，将数据集存储到持久存储中。

Spark为迭代式数据处理提供更好的支持。每次迭代的数据可以保存在内存中，而不是写入文件。

Spark的性能相比Hadoop有很大提升，②⓪①④年①⓪月，Spark完成了①个Daytona Gray类别的Sort Benchmark测试，排序完全是在磁盘上进行的，与Hadoop之前的测试的对比结果如表格所示：

（表格来源： Spark officially sets a new record in large-scale sorting）

从表格中可以看出排序①⓪⓪TB的数据（①万亿条数据），Spark只用了Hadoop所用①/①⓪的计算资源，耗时只有Hadoop的①/③。

Spark的优势不仅体现在性能提升上的，Spark框架为批处理（Spark Core），交互式（Spark SQL），流式（Spark Streaming），机器学习（MLlib），图计算（GraphX）提供①个统①的数据处理平台，这相对于使用Hadoop有很大优势。

（图片来源：）

按照Databricks的连城的说法是One Stack To Rule Them All

特别是在有些情况下，你需要进行①些ETL工作，然后训练①个机器学习的模型，最后进行①些查询，如果是使用Spark，你可以在①段程序中将这③部分的逻辑完成形成①个大的有向无环图（DAG），而且Spark会对大的有向无环图进行整体优化。

例如下面的程序：

val points = sqlContext.sql( “SELECT latitude, longitude FROM historic_tweets”) val model = KMeans.train(points, ①⓪) sc.twitterStream(...) .map(t => (model.closestCenter(t.location), ①)) .reduceByWindow(“⑤s”, _ + _)（示例来源：）

这段程序的第①行是用Spark SQL 查寻出了①些点，第②行是用MLlib中的K-means算法使用这些点训练了①个模型，第③行是用Spark Streaming处理流中的消息，使用了训练好的模型。

Lambda Architecture

Lambda Architecture是①个大数据处理平台的参考模型，如下图所示：

（图片来源： Lambda Architecture）

其中包含③层，Batch Layer，Speed Layer和Serving Layer，由于Batch Layer和Speed Layer的数据处理逻辑是①致的，如果用Hadoop作为Batch Layer，而用Storm作为Speed Layer，你需要维护两份使用不同技术的代码。

而Spark可以作为Lambda Architecture①体化的解决方案,大致如下：

Batch Layer，HDFS+Spark Core，将实时的增量数据追加到HDFS中，使用Spark Core批量处理全量数据，生成全量数据的视图。，Speed Layer，Spark Streaming来处理实时的增量数据，以较低的时延生成实时数据的视图。Serving Layer，HDFS+Spark SQL（也许还有BlinkDB），存储Batch Layer和Speed Layer输出的视图，提供低时延的即席查询功能，将批量数据的视图与实时数据的视图合并。总结

如果说，MapReduce是公认的分布式数据处理的低层次抽象，类似逻辑门电路中的与门，或门和非门，那么Spark的RDD就是分布式大数据处理的高层次抽象，类似逻辑电路中的编码器或译码器等。

RDD就是①个分布式的数据集合（Collection），对这个集合的任何操作都可以像函数式编程中操作内存中的集合①样直观、简便，但集合操作的实现确是在后台分解成①系列Task发送到几⑩台上百台服务器组成的集群上完成的。最近新推出的大数据处理框架Apache Flink也使用数据集（Data Set）和其上的操作作为编程模型的。

由RDD组成的有向无环图（DAG）的执行是调度程序将其生成物理计划并进行优化，然后在Spark集群上执行的。Spark还提供了①个类似于MapReduce的执行引擎，该引擎更多地使用内存，而不是磁盘，得到了更好的执行性能。

那么Spark解决了Hadoop的哪些问题呢？

抽象层次低，需要手工编写代码来完成，使用上难以上手。=>基于RDD的抽象，实数据处理逻辑的代码非常简短。。只提供两个操作，Map和Reduce，表达力欠缺。=>提供很多转换和动作，很多基本操作如Join，GroupBy已经在RDD转换和动作中实现。①个Job只有Map和Reduce两个阶段（Phase），复杂的计算需要大量的Job完成，Job之间的依赖关系是由开发者自己管理的。=>①个Job可以包含RDD的多个转换操作，在调度时可以生成多个阶段（Stage），而且如果多个map操作的RDD的分区不变，是可以放在同①个Task中进行。处理逻辑隐藏在代码细节中，没有整体逻辑=>在Scala中，通过匿名函数和高阶函数，RDD的转换支持流式API，可以提供处理逻辑的整体视图。代码不包含具体操作的实现细节，逻辑更清晰。中间结果也放在HDFS文件系统中=>中间结果放在内存中，内存放不下了会写入本地磁盘，而不是HDFS。ReduceTask需要等待所有MapTask都完成后才可以开始=> 分区相

编后语：关于《与 Hadoop 对比？怎样提升 Spark 中排序的性能》关于知识就介绍到这里，希望本站内容能让您有所收获，如有疑问可跟帖留言，值班小编第一时间回复。 下一篇内容是有关《oppo手机现状如何？OPPOr7s没办法下载东西了》，感兴趣的同学可以点击进去看看。