hadoop - 在 Apache Spark 的上下文中，内存数据存储意味着什么？

Question

我了解到 Apache Spark 在内存中存储数据。但是，Apache Spark 旨在分析大量数据(也称为大数据分析)。在这种情况下，内存数据存储的真正含义是什么？它可以存储的数据是否受可用 RAM 的限制？它的数据存储与使用HDFS的Apache Hadoop相比如何？

Answer 1

在 Hadoop 中，数据在步骤之间持久保存到磁盘，因此典型的多步骤作业最终看起来像这样:

hdfs -> read & map -> persist -> read & reduce -> hdfs -> read & map -> persist -> read and reduce -> hdfs

这是一个绝妙的设计，当您批量处理非常适合 map-reduce 模式的文件时，使用它非常有意义。但对于某些工作负载，这可能会非常慢——迭代算法尤其会受到负面影响。您已经花时间创建了一些数据结构(例如图表)，而您在每个步骤中想要做的就是更新分数。将整个图表保存到磁盘或从磁盘读取整个图表会减慢您的工作速度。

Spark 使用支持循环数据流的更通用的引擎，并将尝试在作业步骤之间将内容保存在内存中。这意味着，如果您可以创建一个数据结构和分区策略，您的数据不会在作业的每个步骤之间来回移动，您就可以有效地更新它，而无需在步骤之间序列化并将所有内容写入磁盘。这就是为什么 Spark 在他们的首页上有一张图表显示逻辑回归加速 100 倍的原因。

如果您编写的 Spark 作业仅计算数据集中每个输入行的值，并将其写回磁盘，则 Hadoop 和 Spark 在性能方面将非常相等(Spark 的启动时间更快) ，但当我们花费数小时一步处理数据时，这并不重要)。

如果 Spark 无法在步骤之间将 RDD 保存在内存中，它会将其溢出到磁盘，就像 Hadoop 所做的那样。但请记住，Spark 不是 Elixir ，在某些极端情况下，您将不得不与 Spark 的内存特性作斗争，这会导致 OutOfMemory 问题，而 Hadoop 只会将所有内容写入磁盘。

我个人喜欢这样想:在您的 500 台 64GB 机器集群中，创建 Hadoop 是为了通过分配磁盘读写来更快地高效批处理您的 500TB 作业。 Spark 利用了这样一个事实，即 500*64GB=32TB 的内存可能可以完全在内存中解决您的许多其他问题!