大數據處理肯定是分布式的了，那就面臨著幾個核心問題：可擴展性，負載均衡，容錯處理。Spark是如何處理這些問題的呢?接著上一篇的“動手寫WordCount”，今天要做的就是透過這個大數據界的HelloWorld來看看Spark隱藏了哪些魔法。

請各位看官，帶著分布式的問題往下看。

分布式架構

大數據時代，單機裝下PB級的數據，然后在可接受的時間內處理完，不可能，所以一定是分布式的。

分布式存儲

HDFS(Hadoop Distributed File System)是最常見的，和Spark配合的分布式存儲系統。HDFS的存儲結構如下圖

每個文件被分成固定大小的塊，而塊作為最小的存儲單位放到眾多服務器上。那一旦存某個塊的機器掛了，不是整個文件就洗白了嗎?HDFS當然不會這么傻，文件的每個塊都有備份，默認情況下一個塊會存3份，分到不同的服務器。這樣一來，除非某個塊涉及的三臺服務器全掛，否則不用擔心。在合理分布3個塊的情況下，三臺服務器全掛的可能性比中500萬還低。下面是/file.txt有三個文件塊的情況。

NN是Name Node，存儲文件塊放在哪兒等元信息。DN是Data Node，用來存放具體的文件塊。

分布式處理

有一類系統數據是分布式存儲，但是處理卻集中在一起。比如Mysql分庫分表存數據，然后在某個服務器上，挨個獲取所有庫所有表的數據進行處理，這種系統的本質還是“數據分發到計算邏輯側”，它的性能瓶頸就在于做數據處理的那臺服務器。

而分布式處理的核心觀念在于“把計算邏輯分發到數據側”，有兩大優點：

計算邏輯分發明顯比數據分發節省網絡帶寬，而網絡帶寬是分布式系統中最寶貴的資源

計算邏輯在數據側執行，消除了集中式處理中計算邏輯側的性能瓶頸

Spark + HDFS的運行架構如下：

Driver是程序開始運行的地方，也是總控，它把計算邏輯(閉包的實例)發送到有數據塊的Slave上去執行，結果再收回去匯總。

是不是看出來了?

數據更多了，加機器唄，機器多了磁盤多，磁盤多了存的多。

跑的慢了，加機器唄，機器多了磁盤多，并行加載起來，數據吐吞量大。機器多了，內存CPU也多，并行處理起來，數據吞吐量大。

提示： 分布式處理系統會把計算邏輯分發到數據側，極大提高系統的水平擴展性。

WordCount運行機制

講了一堆理論知識，為了讓各位看官透徹理解，也為Spark程序算法優化打下堅實的基礎，我們拿WordCount來舉例說明，順便說說負載均衡。

額。。。還沒看“動手寫WordCount”的兄弟姐妹們，建議先去看看。

數據位置感知

下面是WordCount的業務邏輯代碼：

val file = "hdfs://127.0.0.1:9000/file.txt"

val lines = sc.textFile(file)

val words = lines.flatMap(line => line.split("\s+"))

val wordCount = words.countByValue()

lines是Spark的RDD，它包含了在哪些機器上有file文件的塊，信息是從HDFS來的。每文件塊映射到RDD上就是一個分區，對的，沒看錯。如果一個文件塊128MB，那么HDFS上一個1GB大小的文件就有8個文件塊，由這個文件創建的RDD就會有8個分區。

之前說了，在HDFS上每個文件塊默認會有3份，那RDD的分區選擇了那一份呢?對滴，根據負載選擇服務器負載最低的那一份。負載自動均衡了吧。

計算邏輯分發

有了這些信息，我們就知道把后續的計算邏輯該分發到哪兒去。

首先，我們得說清楚什么是計算邏輯，各位看官們想一下，類方法里面的代碼是如何運行的。充分必要條件：方法代碼 + 類實例(對象)的狀態。似成相識吧，程序 = 算法 + 數據。算法在代碼中，數據在對象的狀態中。

Spark要分發計算邏輯，也是分了兩部分。

第一部分是代碼。為什么spark-submit執行一開始，總是一堆jar包被分發，原因就在這兒。

第二部分是類實例。類在哪兒?作為RDD各API參數的閉包。

val words = lines.flatMap(line => line.split("\s+"))

flatMap的參數 **_.split("s+")** 是閉包，閉包是引用了外部自由變量的函數，在Scala中是由匿名類實現的。更多信息，請小伙伴們GFSOSO哈。

上面的一行代碼中，Spark要分發的實例就是 **_.split("s+")** 的實例。

val wordCount = words.countByValue()

實際上RDD的API countByValue 也有需要分發的閉包實例，只是都在Spark的源碼中，讓一碼給大家整理到明面上來哈。

val wordCount = words

.mapPartitions(convertWordsInPartitionToWordCountMap)

.reduce(mergeMaps)

前面我們提到了RDD的分區，mapPartitions會方法中的邏輯放到RDD的每個分區上執行，注意是遠程在Slave上執行的哈。而reduce是在把每個分區的結果拿到Driver后，對結果進行兩兩合并，最終得到結果。

WordCount分布式運行原理

先仔細看圖，相信不用下面的解釋，各位看官也能看懂了。(上面的圖是張巨高清的圖，手機上看不清，建議轉發文章到郵箱，然后到電腦上看，看懂這張圖，就真的把WordCount分布式運行的機制搞懂了。)

對于WordCount而言，分布式在每個Slave的每個分區上，統計本分區內的單詞計數，生成一個Map，然后將它傳回給Driver，再由Driver兩兩合并來自各個分區的所有Map，形成最終的單詞計數。

今天我們不僅說清楚了WordCount背后的分布式運行機制，而且解釋了Spark的水平擴展能力，以及負載均衡。

下一篇將透過WordCount來看重中之重的容錯處理，這涉及到Spark的應用場景與RDD的設計來源，可以毫不夸張地說，這才是Spark的精髓。

提示匯總

分布式處理系統會把計算邏輯分發到數據側，極大提高系統的水平擴展性。