如何成为大数据Spark高手

原文链接：http://blog.csdn.net/rlnLo2pNEfx9c/article/details/78778959

 

Spark是发源于美国加州大学伯克利分校AMPLab的集群计算平台，它立足于内存计算，性能超过Hadoop百倍，从多迭代批量处理出发，兼收并蓄数据仓库、流处理和图计算等多种计算范式，是罕见的全能选手。Spark采用一个统一的技术堆栈解决了云计算大数据的如流处理、图技术、机器学习、NoSQL查询等方面的全部核心问题，具备完善的生态系统，这直接奠基了其一统云计算大数据领域的霸主地位。

 

伴随Spark技术的普及推广，对专业人才的需求日益增长。Spark专业人才在将来也是煊赫一时，垂手可得能够拿到百万的薪酬。而要想成为Spark高手，也须要一招一式，从内功练起：一般来说须要经历如下阶段：

 

第一阶段：熟练的掌握Scala及java语言

1. Spark框架是采用Scala语言编写的，精致而优雅。要想成为Spark高手，你就必须阅读Spark的源代码，就必须掌握Scala,;

2. 虽说如今的Spark能够采用多语言Java、Python等进行应用程序开发，可是最快速的和支持最好的开发API依然并将永远是Scala方式的API，因此你必须掌握Scala来编写复杂的和高性能的Spark分布式程序;

3. 尤为要熟练掌握Scala的trait、apply、函数式编程、泛型、逆变与协变等;

4. 掌握JAVA语言多线程，netty，rpc，ClassLoader，运行环境等(源码须要)。
   

 

第二阶段：精通Spark平台自己提供给开发者API

1. 掌握Spark中面向RDD的开发模式部署模式：本地(调试)，Standalone，yarn等 ，掌握各类transformation和action函数的使用;

2. 掌握Spark中的宽依赖和窄依赖以及lineage机制;

3. 掌握RDD的计算流程，例如Stage的划分、Spark应用程序提交给集群的基本过程和Worker节点基础的工做原理等

4. 熟练掌握spark on yarn的机制原理及调优

    

 

第三阶段：深刻Spark内核

此阶段主要是经过Spark框架的源码研读来深刻Spark内核部分：

 

1. 经过源码掌握Spark的任务提交过程;

2. 经过源码掌握Spark集群的任务调度;

3. 尤为要精通DAGScheduler、TaskScheduler，Driver和Executor节点内部的工做的每一步的细节;

4. Driver和Executor的运行环境及RPC过程

5. 缓存RDD，Checkpoint，Shuffle等缓存或者暂存垃圾清除机制

6. 熟练掌握BlockManager，Broadcast，Accumulator，缓存等机制原理

7. 熟练掌握Shuffle原理源码及调优

 

第四阶级:掌握基于Spark Streaming

Spark做为云计算大数据时代的集大成者，其中其组件spark Streaming在企业准实时处理也是基本是必备，因此做为大数据从业者熟练掌握也是必须且必要的：

 

1. Spark Streaming是很是出色的实时流处理框架，要掌握其DStream、transformation和checkpoint等;

2. 熟练掌握kafka 与spark Streaming结合的两种方式及调优方式

3. 熟练掌握Structured Streaming原理及做用而且要掌握其他kafka结合

4. 熟练掌握SparkStreaming的源码尤为是和kafka结合的两种方式的源码原理。

5. 熟练掌握spark Streaming的web ui及各个指标，如：批次执行事件处理时间，调度延迟，待处理队列而且会根据这些指标调优。

6. 会自定义监控系统

 

第五阶级:掌握基于Spark SQL

企业环境中也仍是以数据仓库居多，鉴于你们对实时性要求比较高，那么spark sql就是咱们做为仓库分析引擎的最爱(浪尖负责的两个集群都是计算分析一spark sql为主)：

 

1. spark sql要理解Dataset的概念及与RDD的区别，各类算子

2. 要理解基于hive生成的永久表和没有hive的临时表的区别

3. spark sql+hive metastore基本是标配，不管是sql的支持，仍是永久表特性

4. 要掌握存储格式及性能对比

5. Spark sql也要熟悉它的优化器catalyst的工做原理。

6. Spark Sql的dataset的链式计算原理，逻辑计划翻译成物理计划的源码(非必须，面试及企业中牵涉到sql源码调优的比较少)

 

第六阶级:掌握基于spark机器学习及图计算

企业环境使用spark做为机器学习及深度学习分析引擎的状况也是日渐增多，结合方式就不少了：

java系：

1. spark ml/mllib spark自带的机器学习库，目前也逐步有开源的深度学习及nlp等框架( spaCy, CoreNLP, OpenNLP, Mallet, GATE, Weka, UIMA, nltk, gensim, Negex, word2vec, GloVe)

2. 与DeepLearning4j目前用的也比较多的一种形式

 

python系：

1.  pyspark

2. spark与TensorFlow结合

 

 

第七阶级:掌握spark相关生态边缘

企业中使用spark确定也会涉及到spark的边缘生态，这里咱们举几个经常使用的软件框架：

1. hadoop系列：kafka，hdfs，yarn

2. 输入源及结果输出，主要是：mysql/redis/hbase/mongod

3. 内存加速的框架redis，Alluxio

4. es、solr

 

 

 

第八阶级:作商业级别的Spark项目

经过一个完整的具备表明性的Spark项目来贯穿Spark的方方面面，包括项目的架构设计、用到的技术的剖析、开发实现、运维等，完整掌握其中的每个阶段和细节，这样就可让您之后能够从容面对绝大多数Spark项目。

 

第九阶级：提供Spark解决方案

1. 完全掌握Spark框架源码的每个细节;

2. 根据不一样的业务场景的须要提供Spark在不一样场景的下的解决方案;

3. 根据实际须要，在Spark框架基础上进行二次开发，打造本身的Spark框架;