干货 | 如何成为大数据Spark高手

原创： 浪尖
原文链接：https://mp.weixin.qq.com/s/jHp-LcqdHSg2DbLhWIbSfg

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查询等方面的所有核心问题，具有完善的生态系统，这直接奠定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加。Spark专业人才在未来也是炙手可热，轻而易举可以拿到百万的薪酬。而要想成为Spark高手，也需要一招一式，从内功练起：通常来讲需要经历以下阶段：

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. 虽然说现在的Spark可以采用多语言Java、Python等进行应用程序开发，但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，所以你必须掌握Scala来编写复杂的和高性能的Spark分布式程序;
3. 尤其要熟练掌握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(源码需要)。

第二阶段：精通Spark平台本身提供给开发者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 ，掌握各种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节点基础的工作原理等
4. 熟练掌握spark on yarn的机制原理及调优

第三阶段：深入Spark内核

此阶段主要是通过Spark框架的源码研读来深入Spark内核部分：

1. 通过源码掌握Spark的任务提交过程;
2. 通过源码掌握Spark集群的任务调度;
3. 尤其要精通DAGScheduler、TaskScheduler，Driver和Executor节点内部的工作的每一步的细节;
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作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，所以作为大数据从业者熟练掌握也是必须且必要的：

1. Spark Streaming是非常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原理及作用并且要掌握其余kafka结合
4. 熟练掌握SparkStreaming的源码尤其是和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，待处理队列并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

企业环境中也还是以数据仓库居多，鉴于大家对实时性要求比较高，那么spark sql就是我们作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，各种算子
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，无论是sql的支持，还是永久表特性
   **
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的工作原理。
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作为机器学习及深度学习分析引擎的情况也是日渐增多，结合方式就很多了：

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肯定也会涉及到spark的边缘生态，这里我们举几个常用的软件框架：

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:做商业级别的Spark项目

通过一个完整的具有代表性的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，完整掌握其中的每一个阶段和细节，这样就可以让您以后可以从容面对绝大多数Spark项目。

第九阶级：提供Spark解决方案

1. 彻底掌握Spark框架源码的每一个细节;
2. 根据不同的业务场景的需要提供Spark在不同场景的下的解决方案;
3. 根据实际需要，在Spark框架基础上进行二次开发，打造自己的Spark框架;

这就是浪尖总结的我们学好spark的主要步骤；想学好，着重留意深色字体的。坚持总是空难，但是坚持下来就会有质的飞跃。