当前位置: 首页 > 软件库 > 其他开源 > 开源图书 >

《Apache Spark 设计与实现》

授权协议 未知
开发语言
所属分类 其他开源、 开源图书
软件类型 开源软件
地区 不详
投 递 者 时浩波
操作系统 跨平台
开源组织
适用人群 未知
 软件概览

本文主要讨论 Apache Spark 的设计与实现,重点关注其设计思想、运行原理、实现架构及性能调优,附带讨论与 Hadoop MapReduce 在设计与实现上的区别。不喜欢将该文档称之为“源码分析”,因为本文的主要目的不是去解读实现代码,而是尽量有逻辑地,从设计与实现原理的角度,来理解 job 从产生到执行完成的整个过程,进而去理解整个系统。

讨论系统的设计与实现有很多方法,本文选择 问题驱动 的方式,一开始引入问题,然后分问题逐步深入。从一个典型的 job 例子入手,逐渐讨论 job 生成及执行过程中所需要的系统功能支持,然后有选择地深入讨论一些功能模块的设计原理与实现方式。也许这样的方式比一开始就分模块讨论更有主线。

本文档面向的是希望对 Spark 设计与实现机制,以及大数据分布式处理框架深入了解的 Geeks。

因为 Spark 社区很活跃,更新速度很快,本文档也会尽量保持同步,文档号的命名与 Spark 版本一致,只是多了一位,最后一位表示文档的版本号。

由于技术水平、实验条件、经验等限制,当前只讨论 Spark core standalone 版本中的核心功能,而不是全部功能。诚邀各位小伙伴们加入进来,丰富和完善文档。

关于学术方面的一些讨论可以参阅相关的论文以及 Matei 的博士论文,也可以看看我之前写的这篇 blog

好久没有写这么完整的文档了,上次写还是三年前在学 Ng 的 ML 课程的时候,当年好有激情啊。这次的撰写花了 20+ days,从暑假写到现在,大部分时间花在 debug、画图和琢磨怎么写上,希望文档能对大家和自己都有所帮助。

内容

本文档首先讨论 job 如何生成,然后讨论怎么执行,最后讨论系统相关的功能特性。具体内容如下:

  1. Overview 总体介绍

  2. Job logical plan 介绍 job 的逻辑执行图(数据依赖图)

  3. Job physical plan 介绍 job 的物理执行图

  4. Shuffle details 介绍 shuffle 过程

  5. Architecture 介绍系统模块如何协调完成整个 job 的执行

  6. Cache and Checkpoint  介绍 cache 和 checkpoint 功能

  7. Broadcast 介绍 broadcast 功能

  8. Job Scheduling 尚未撰写

  9. Fault-tolerance 尚未撰写

可以直接点 md 文件查看。

喜欢看 pdf 版本的可以去 这里 下载。

如果使用 Mac OS X 的话,推荐下载 MacDown 后使用 github 主题去阅读这些文档。

示例

写文档期间为了 debug 系统,自己设计了一些 examples,放在了 SparkLearning/src/internals 下。

  • 本文主要讨论 Apache Spark 的设计与实现,重点关注其设计思想、运行原理、实现架构及性能调优,附带讨论与 Hadoop MapReduce 在设计与实现上的区别。不喜欢将该文档称之为“源码分析”,因为本文的主要目的不是去解读实现代码,而是尽量有逻辑地,从设计与实现原理的角度,来理解 job 从产生到执行完成的整个过程,进而去理解整个系统。 讨论系统的设计与实现有很多方法,本文选择 问题驱

  • apache spark Apache软件基金会 (ASF)高兴地宣布, Apache Spark已从Apache Incubator毕业,成为一个顶级项目(TLP) ,这表明该项目的稳定性。 Apache Spark是一个开放源代码群集计算框架,用于快速,灵活地进行大规模数据分析。 Spark一直是大数据之乡的话题,预计2014年将是Spark的一年。 根据Spark网站主页,引擎在内存中运行程

  • 基于Spark的电商用户行为分析系统的设计与实现 项目架构 Flume–>Kafka–>Spark Streaming–>Mysql–>FineReport 10 数据可视化使用第三方软件FineReport支持 1. 数据采集:利用Java线程模拟行为数据写入被监控的文件 模拟电商网站用户行为数据(也可与阿里云天池开源数据集:真实的淘宝或天猫用户行为数据) user_id 用户ID,整数类型,序

 相关资料
  • 本书的目标是以简明易懂的方式讲解 Redis 的内部运行机制, 通过阅读本书, 你可以了解到 Redis 从数据结构到服务器构造在内的几乎所有知识。

  • 本书的目标是以简明易懂的方式讲解 Redis 的内部运行机制, 通过阅读本书, 你可以了解到 Redis 从数据结构到服务器构造在内的几乎所有知识。 为了保证内容的简洁性, 本书会尽量以高抽象层次的角度来观察 Redis , 并将代码的细节留给读者自己去考究。 如果读者只是对 Redis 的内部运作机制感兴趣, 但并不想深入代码, 那么只阅读本书就足够了。 另一方面, 对于需要深入研究 Redis

  • 本书的目标是以简明易懂的方式讲解 Redis 的内部运行机制, 通过阅读本书, 你可以了解到 Redis 从数据结构到服务器构造在内的几乎所有知识。 为了保证内容的简洁性, 本书会尽量以高抽象层次的角度来观察 Redis , 并将代码的细节留给读者自己去考究。 如果读者只是对 Redis 的内部运作机制感兴趣, 但并不想深入代码, 那么只阅读本书就足够了。 另一方面, 对于需要深入研究 Redis

  • 类ManagedChannel 在 Channel 的基础上提供生命周期管理的功能。 实际实现式就是添加了 shutdown()/shutdownNow() 方法用于关闭 Channel,isShutdown()/isTerminated() 方法用于检测 Channel 状态, 以及 awaitTermination() 方法用于等待关闭操作完成。 类定义 package io.grpc; pu

  • 类定义 Channel 是一个 abstract class,位于package “io.grpc”, 在 grpc-core 这个jar包中。 package io.grpc; import javax.annotation.concurrent.ThreadSafe; @ThreadSafe public abstract class Channel { ...... } 通过 @Th

  • 本文向大家介绍Android答题APP的设计与实现,包括了Android答题APP的设计与实现的使用技巧和注意事项,需要的朋友参考一下 还没有整理完,待续…… 学校开了Android课,最后让交一个大作业。正好拿来练练手,记录下思路。也希望能给有需要的朋友们一些帮助。恩,纯小白教程,大神们可以绕路了。 作业的题目是这样的: 考试APP系统: 1)要求有用户登陆功能:从远程服务器进行登陆验证。 2)