1.spark运行原理简述
pyspark是spark的一个python接口，所以在讲pyspark之前，先简单阐述一下spark的运行原理以及相关基础知识。
spark应用程序是以进程集合为单位在分布式集群上运行的，驱动进程(driver程序)通过SparkContext对象与集群进行交互。基本过程如图所示 。
- Spark根据任务的需要,通过SparkContext对象向Cluster manager(资源管理器)申请所需执行的资源,例如cpu、内存等；
- Cluster manager分配应用程序执行需要的资源，在Worker节点上创建Executor；
- SparkContext 将程序代码（jar包或者python文件）和Task任务发送给Executor执行，并收集结果给驱动进程。
任何spark应用程序都会主动分离主节点上单个驱动进程(可以包含多个作业)，然后将将执行进程(包含多个任务)分配给多个节点。
2.MapReduce简介
首先Spark是借鉴了mapreduce并在其基础上发展起来的，所以这里有必要先介绍一下mapreduce。这个阶段的输出通过某种组合(shuffle)。shuffle后的结果再被分成小份分发到各个节点进行下一步的处理工作。第二步的处理阶段被称为reduce阶段，reduce的输出就是程序的最终执行结果。
MapReduce的优势在于，它使得程序能够以并行的方式进行。如果集群由10个节点组成，而原先的作业需要10个小时完成，那么应用Mapreduce，该作业在一个小时之后能得到同样的结果。举个例子，给过去100年内中国的每个省每天的天气数据，统计出这段时间内的最高温度,数据格式可以为：(province,date,temp),可以先将这些数据根据节点数分成很多份，每个节点各自寻找本机数据集上的最高温度。这样每个mapper都会产生一个温度，形如(max,temp)的键值对，即所有的mapper都会产生相同的key("max"字符串)，那么，最后只需要一个reducer来比较所有的mapper的输出，就能得到全局最高温度值。
不同的作业类型，可能需要不同数目的reducer。还是刚才温度的例子，假如需要统计出每年的最高温度，这样的话，mapper应先找到每年的最大温度并输出，所以中间的数据格式为：(year,temp),还需要保证所有同一年的数据传递给同一个reducer，这又map和reducer阶段中间的sort阶段来完成。最终每个reduer会接受到相同的key值。
从上述例子可以看出，reducer的数量并不是固定的。MapReduce的整个编配工作由主节点(master node)控制，主节点控制整个MapReduce的作业分配，包括每份数据的的存放节点的位置，以及map、sort和reduce的操作。
总结一下，MapReduce:有以下几点：
- 主节点控制MapReduce的作业流程；
- map任务之间不做数据交流，reduce任务也是一样；
- 在map和reduce阶段中间，有一个sort和conbine阶段，也被称为shuffle；
- 数据被重复存放在不同机器上，以防某个机器失效；
- map和reduce传输的数据形式都为key/value对；
Apache的Hadoop项目就是MapReduce框架的一个实现。
3.MapReduce中的shuffle简述
上文讲述了map和reduce两个阶段，而shuffle就处在map和reduce的中间过程。可以这样理解shuffle：怎样把map task的输出结果有效地传送到reduce输入端。 Shuffle描述着数据从map task输出到reduce task输入的这段过程。拿上文中统计每年的最高温度来说，mapper首先找到每年的最大温度并输出，然后经过shuffle过程，以较小的代价保证所有同一年的数据传递给同一个reducer，即每一个reduce接受相同的key值。
在Hadoop集群中，大部分map task与reduce task的执行是在不同的节点上，很多情况下Reduce执行时需要跨节点去读取其它节点上的map task结果，并存储到本地，此时，如果集群正在运行的job有很多，那么task的正常执行对集群内部的网络资源消耗会很严重。另外在节点内，相比于内存，磁盘IO对job完成时间的影响也是比较大的，spark 就是基于这点对hadoop做出了改进，将map和reduce的所有任务都在内存中进行，并且中间接过都保存在内存中，从而比hadoop的速度要快100倍以上。
所以shuffle的的作用在于：
- 完整地从map task端读取数据到reduce 端；
- 在跨节点读取数据时，尽可能地减少对带宽的不必要消耗；
- 减少磁盘IO对task执行的影响。
4.spark与hadoop的性能对比
Hadoop是MapReduce的一种实现，而spark是在Mapreduce的基础上发展起来的，继承了其分布式计算的优点并改进了MapReduce明显的缺陷，二者差别主要如下：
- 从宏观上看，spark和hadoop都属于分布式并行机制，MapReduce应用程序是由多个独立的Task进程组成的，Spark应用程序的运行环境是由多个独立的Executor进程构建的临时资源池构成的。 但从单个节点上多个任务的运行模式来看，Hadoop MapReduce采用了多进程模型，而Spark采用了多线程模型。多进程模型便于细粒度的控制每个任务占用的资源，但会消耗较多的启动时间，不适合运行低延迟类型的作业，而多线程模型则相反，该模型使得Spark很适合运行低延迟类型的作业。
- 同节点上所有任务运行在一个进程中，有利于共享内存。这非常适合内存密集型任务，尤其对于那些需要加载大量词典的应用程序，可大大节省内存。
- 同节点上所有任务可运行在一个Executor中，且Executor所占资源可连续被多批任务使用，不会在运行部分任务后释放掉，这避免了每个任务重复申请资源带来的时间开销，对于任务数目非常多的应用，可大大降低运行时间。与之对比的是MapReduce中的Task：每个Task单独 申请资源，用完后马上释放，不能被其他任务重用。
- spark把运算的中间数据存放在内存，迭代计算效率更高，Spark中除了基于内存计算外，还有DAG有向无环图来切分任务的执行先后顺序；mapreduce的中间结果需要落地，需要保存到磁盘，这样必然会有磁盘io操做，影响性能。
- spark容错性高，它通过弹性分布式数据集RDD来实现高效容错，RDD是一组分布式的存储在节点内存中的只读性质的数据集，这些集合是弹性的，某一部分丢失或者出错，可以通过整个数据集的计算流程的血缘关系来实现重建；mapreduce的话容错可能只能重新计算了，成本较高。
5.pyspark原理以及与spark的关系
spark底层是用scala语言写的，而scala的运行环境是jvm，也就是说，spark是运行在jvm之上的。而pyspark是spark的一个python接口，可以通过python来调用spark的相关API,实现利用分布式处理海量数据的目的。
pyspark的整个运行流程大概是这样：py4j是连接python和jvm的桥梁，在Driver端，python创建一个sparkcontext对象，该对象通过py4j最终会在JVM中实例化Scala的SparkContext对象，本质上就是python通过py4j调用Java的方法。py4j只会用在Driver端，在Executor端，则不需要借助Py4j，Executor中运行的可能是python的函数或者句法，java里面是无法运行python语句的，即使是py4j也做不到。所以，为了能在Executor端运行用户所写的python语句，就需要为每个Task单独启一个Python进程，然后通过socket通信方式将Python语句发给Python进程执行。
