Spark大數(shù)據(jù)分析實戰(zhàn)課件

1、Spark大數(shù)據(jù)分析演講人2020-12-0201Spark簡介Spark簡介DSpark架構(gòu)ERDDASpark執(zhí)行特點BSpark優(yōu)勢CSpark生態(tài)系統(tǒng)BDASSpark簡介Spark執(zhí)行特點數(shù)據(jù)格式和內(nèi)存布局使用RDD0204任務(wù)調(diào)度使用事件驅(qū)動AKKA,避免使用線程池中間結(jié)果無需輸出到HDFS03執(zhí)行策略不同Stage需要shuffle01Spark簡介Spark優(yōu)勢01打造全棧多計算凡是的高效數(shù)據(jù)流水線03易于使用,支持多語言05社區(qū)活躍度高02輕量級快速處理04ExternalDataSource多數(shù)據(jù)支持打造全棧多計算凡是的高效數(shù)據(jù)流水線支持MR, SQL查詢, 流式計算, 機

2、器學習和圖算法, 用戶可以在一個工作流無縫搭配這些計算范式輕量級快速處理Scala簡化了代碼利用了第三方組件基于內(nèi)存計算,減少了磁盤IO易于使用,支持多語言支持Scala,Java,Python自帶80多個算子Spark簡介Spark生態(tài)系統(tǒng)BDAS數(shù)據(jù)分析棧組件組件Spark組件Spark SQLSpark Streaming流式計算吞吐量超過Strom組件GraphX經(jīng)行大規(guī)模同步全局的圖計算組件分布式機器學習算法庫分類, 回歸, 聚類 ,協(xié)同過濾 , 梯度下降優(yōu)化MLlibSpark簡介Spark架構(gòu)Spark組件運行邏輯Spark組件DirverClientWorkerExecutor

3、SparkConextRDDSpark組件Task Scheduler02DAG schedule01SparkEnv03Dirver創(chuàng)建SparkContext的main函數(shù)Spark組件Client用戶提交作業(yè)的客戶端Spark組件Worker集群中任何可以運行Application代碼的節(jié)點, 運行一個或多個Executor進程Spark組件Executor運行Worker的Task執(zhí)行器Spark組件SparkConext應(yīng)用的上下文, 控制應(yīng)用的聲明周期Spark組件RDDSpark組件Spark的基本計算單元, 一組RDD形成執(zhí)行的有向無環(huán)圖DAG scheduleSpark組件根

4、據(jù)Job構(gòu)建基于Stage的DAG工作流, 并提交Stage給TaskSchedulerTask SchedulerTask分發(fā)給Executor執(zhí)行Spark組件SparkEnv線程級別的上下文Spark組件運行邏輯作業(yè)提交 Client-Master- Worker-Driver-Master-RDD-Stage DAG - TaskScheduler- Executor作業(yè)執(zhí)行 ShuffleSpark簡介RDDRDD的重要內(nèi)部屬性Spark計算工作流彈性分布式數(shù)據(jù)集RDD創(chuàng)建方式RDD的兩種操作算子RDD創(chuàng)建方式011. HDFS輸入創(chuàng)建022. 父RDD轉(zhuǎn)換033. parallei

5、ze或makeRDD將單機數(shù)據(jù)創(chuàng)建為分布式RDDRDD的兩種操作算子轉(zhuǎn)換(Transformation) 延遲計算map, flatMap, mapPartitions.行動(Action) 觸發(fā)提交作業(yè)Jobforeach, saveAsTextFile.RDD的重要內(nèi)部屬性對父RDD的依賴列表對key-value pair數(shù)據(jù)類型RDD的分區(qū)器, 控制分片策略和分區(qū)數(shù)計算每個分片的函數(shù)每個數(shù)據(jù)分區(qū)的地址列表分區(qū)列表02BDASBDASSQL on Spark(替代Hive)A1. Catalyst架構(gòu)及執(zhí)行流程2. SparkSql優(yōu)化策略BSpark Streaming(替代Storm)

6、優(yōu)勢與特點 1. 多范式數(shù)據(jù)分析管道2. 擴展性, 可運行在100個節(jié)點以上的集群3. 容錯性4. 吞吐量大(超過Storm)5. 實時性比Storm略低(batch size選取為0.52S, storm為100ms)Spark Stream架構(gòu)BDASGraphX(替代GraphLab)BDASMLlib(替代Mahout)03Lamda架構(gòu)日志分析流水線Lamda架構(gòu)日志分析流水線日志分析指標PV01UV02留存率05漏斗模型與轉(zhuǎn)化率04PVUV03Lamda架構(gòu)日志分析流水線Lamda架構(gòu)010203速度層(Speed Layer)批處理層(Batch Layer)服務(wù)層(Servin

7、g Layer)實時日志分析流水線架構(gòu)Flume NG數(shù)據(jù)采集0102Flume 匯總到Kafka數(shù)據(jù)匯總和轉(zhuǎn)發(fā)Spark Streaming數(shù)據(jù)處理0304Flask結(jié)果呈現(xiàn)離線日志分析流水線架構(gòu)Flume轉(zhuǎn)儲到HDFS數(shù)據(jù)存儲Spark SQL數(shù)據(jù)處理Flask結(jié)果呈現(xiàn)04基于云平臺和用戶日志的推薦系統(tǒng)基于云平臺和用戶日志的推薦系統(tǒng)系統(tǒng)架構(gòu) 數(shù)據(jù)收集聚合數(shù)據(jù)處理結(jié)果輸出離線訓(xùn)練 Spark MLlib中的ALS模型05分布式的搜索引擎分布式的搜索引擎計算網(wǎng)頁的PageRank值06微博情感分析微博情感分析數(shù)據(jù)收集熱點微博分析Spark SQL進行離線分析系統(tǒng)架構(gòu)數(shù)據(jù)預(yù)處理和Cassandr

8、a存儲在線情感分析微博情感分析微博可視化熱點新聞分析系統(tǒng)微博情感分析系統(tǒng)架構(gòu)Spark分析模塊03Spark Streaming 微博收集與分析模塊01Mysql結(jié)果存儲模塊04Cassandra持久化存儲模塊02系統(tǒng)架構(gòu)提供可視化數(shù)據(jù)Mysql結(jié)果存儲模塊04情感分析Spark分析模塊03 Cassandra持久化存儲模塊02實時聚類和熱點分析Spark Streaming 微博收集與分析模塊01數(shù)據(jù)收集微博數(shù)據(jù)收集微博情感分析數(shù)據(jù)收集微博數(shù)據(jù)收集數(shù)據(jù)預(yù)處理和Cassandra存儲作為存儲引擎進行數(shù)據(jù)分析微博情感分析數(shù)據(jù)預(yù)處理和Cassandra存儲作為存儲引擎進行數(shù)據(jù)分析熱點微博分析Spa

9、rk Stream 滑動窗口API微博情感分析熱點微博分析Spark Stream 滑動窗口API在線情感分析使用遞歸神經(jīng)網(wǎng)路RNN經(jīng)行微博情感分析在線情感分析使用遞歸神經(jīng)網(wǎng)路RNN經(jīng)行微博可視化D3, Echarts, HightCharts.微博情感分析微博可視化D3, Echarts, HightCharts.微博情感分析熱點新聞分析系統(tǒng)01系統(tǒng)架構(gòu)02爬蟲抓取網(wǎng)絡(luò)信息03新聞文本數(shù)據(jù)預(yù)處理04新聞聚類05Spark Elastic Search 構(gòu)建全文檢索引擎系統(tǒng)架構(gòu)新聞抓取模塊01Scrapy抓取Kafka傳輸Mongo存儲實時新聞分析模塊02Spark Streaming實時處理

10、離線新聞分析模塊03Spark定時從MongoDB中批量處理,離線熱點分析可視化呈現(xiàn)界面04 熱點新聞分析系統(tǒng)爬蟲抓取網(wǎng)絡(luò)信息熱點新聞分析系統(tǒng)新聞文本數(shù)據(jù)預(yù)處理新聞聚類文本聚類分析 1. 使用向量空間模型進行數(shù)據(jù)轉(zhuǎn)換2. 通過K-Means進行聚類數(shù)據(jù)準換為向量 向量空間模型熱點新聞分析系統(tǒng)Spark Elastic Search 構(gòu)建全文檢索引擎07熱點新聞分析系統(tǒng)系統(tǒng)架構(gòu)新聞抓取模塊01Scrapy抓取Kafka傳輸Mongo存儲實時新聞分析模塊02Spark Streaming實時處理離線新聞分析模塊03Spark定時從MongoDB中批量處理,離線熱點分析可視化呈現(xiàn)界面04 熱點新聞分析系統(tǒng)爬蟲抓取網(wǎng)絡(luò)信息熱點新聞分析系統(tǒng)新聞文本數(shù)據(jù)預(yù)處理新聞聚類文本聚類分析 1. 使用向量空間模型進行數(shù)據(jù)轉(zhuǎn)換2. 通過K-Means進行聚類數(shù)據(jù)準換為向量 向量空間模型熱點新聞分析系統(tǒng)Spark Elastic Search 構(gòu)建全文檢索引擎08個性化推薦算法協(xié)同過濾推薦算法基