1）API层简单地说就是Spark会通过一些API接受SQL语句
2）收到SQL语句后，将其交给Catalyst，Catalyst负责解析SQL，生成执行计划等
3）Catalyst的输出应该是RDD的执行计划
4）最终再交给集群去运行
15.SparkSQL的执行流程
1）提交SparkSQL代码
2）catalyst优化
a.生成原始的AST语法树
b.标记AST元数据
c.进行断言下推和列值裁剪，以及其他方面的优化作用在AST上
d.将最终的AST得到，生成执行计划
e.将执行计划翻译为RDD代码
3）Driver执行环境入口构建（SqlSession）
4）DAG调度规划逻辑任务
5）TASK调度区分配逻辑任务到具体Executor上工作并监控管理任务
6）Worker干活
DataFrame代码再怎么被优化，最终还是被转换为RDD去执行。
15.Spark on Hive
回顾Hive组件：
对于Hive来说，就两样东西：
1）SQL优化翻译器（执行引擎），翻译SQL到MapReduce并提交到YARN执行
2）MetaStore元数据管理中心
那么Spark on Hive是什么呢？请看下面的图：
由上图可知，Spark on Hive不外乎就是SparkSQL借用了Hive的元数据管理中心，也就是说Hive的MetaStore+SparkSQL就构成了Spark on Hive，然后执行的时候走的是SparkRDD代码这条支线，就不再走Hive老旧的MapReduce这条路线。以上就是Spark on Hive的基本原理。
16.ThriftServer服务（就是方便程序员使用，不需要程序员专门会写Spark或者DataFrame的API依然可以操作Spark）
该服务监听10000端口，该服务对外提供功能，使得我们可以用数据库工具或者代码连接上来，直接写SQL便可操作Spark。（底层是翻译成RDD运行的）
17.分布式SQL归纳
分布式SQL执行引擎就是使用Spark提供的ThriftServer服务，以“后台进程”的模式持续运行，对外提供端口。
可以通过客户端工具或者代码，以JDBC协议连接使用。
SQL提交后，底层运行的就是Spark任务。
**分布式SQL大白话总结：相当于构建了一个以MetaStore服务为元数据，Spark为执行引擎的数据库服务，**像操作数据库那样方便的操作SparkSQL进行分布式的SQL计算。
18.Spark层次关系概念图
19.Spark核心概念思维导图
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Kafka在大数据的应用场景
20.MQ消息队列
消息队列-----用于存放消息的组件
程序员可以将消息放入到队列中，也可以从消息队列中获取消息
很多时候消息队列并不是一个永久性存储，而是作为一个临时存在的（设定一个期限：例如消息在MQ中保存10天）
21.消息队列（主要记录Kafka）的应用场景
1）异步处理：
电商网站新用户注册时，需要将用户的信息保存到数据库中，同时还要额外的发送注册的邮件通知，以及短信注册码给用户。但因为发送邮件，发送短信注册码需要连接外部的服务器，需要额外等待一段时间，此时，就可以使用消息队列来进行异步处理，从而实现快速响应。（其实就是不用及时处理的请求，就堆起来等会处理罢了）
{可以将一些比较耗时的操作放在其他系统中，通过消息队列将需要进行处理的消息进行存储，其它系统可以消息队列中的数据，例如发送短信验证码，发送邮件}。
2）系统解耦：
比如如果订单系统和库存系统耦合着。如果库存系统出现问题，会导致订单系统下单失败，而且如果库存系统接口修改了，会导致订单系统也无法工作。
使用消息队列可以实现系统和系统之间的解耦，订单系统不再调用库存系统接口，而是把订单消息写入到消息队列，库存系统从消息队列中拉取消息，然后再减库存，从而实现系统的解耦。
{原来一个微服务是通过接口（HTTP）调用另一个微服务，这时候耦合严重，只要接口发生变化j就会导致系统不可用。使用消息队列可以将系统进行解耦，现在一个微服务可以将消息放入到消息队列中，另一个微服务可以从消息队列中取出来进行处理。进行系统解耦}。
3）流量削峰：
有大规模用户请求过来，在某个瞬间流量达到顶峰，如果在顶峰没有打下巨大的请求流量，可能会瞬间压垮数据库（而且响应越慢用户越疯狂，用户会疯狂的刷新，不断地发送请求过来）。这个时候可以利用消息队列的大吞吐量先存储大量的用户请求，并可以快速地响应用户：你先等着，然后业务处理程序再去从消息队列中拉去请求来处理。
{因为消息队列是低延迟，高可靠，高吞吐的，可以应对大量并发}。
4）日志处理（大数据领域常见）：
大型的电商网站（淘宝京东抖音拼多多），APP（滴滴，抖音，饿了么等）需要分析用户的行为，这要根据用户的访问行为来发现用户的喜好以及活跃情况，需要在页面上收集大量的用户访问信息。
然而他们不会将用户的这些访问信息专门存储到数据库中，而是当用户点击网页的时候，直接将用户的这个访问信息发送到一台服务器中，然后再存储到服务器上的文件当中。（可以在扔给服务器的过程当中，先扔给消息队列暂存，因为消息队列的吞吐量大嘛）
{可以使用消息队列作为临时存储，或者一种管道通信}。
22.消息队列的两种模型
生产者，消费者模型
23.消息队列的两种模式
1）点对点模式
每个消息只有一个消费者（消费了消息就不在了）
生产者和消费者没有依赖性，生产者发送消息之后，不管有没有消费者在运行，都不会影响生产者下次发送消息。
消费者成功消费消息之后需要向队列应答成功，以便消息队列删除已经被消费的消息。
2）发布订阅模式
每个消息可以有多个订阅者。
发布者和订阅者之间有时间上的依赖性。针对某个主题（Topic）的订阅者，它必须创建一个订阅者之后，才能消费发布者的消息。
为了消费消息，订阅者需要提前订阅该角色主题，并保持在线运行。
24.Kafka概念
Apache Kafka是一个分布式流平台。一个分布式流平台应该包含三个部分的能力：
1）发布订阅流数据流，类似于消息队列或者是企业消息传递系统。
2）以容错的持久化方式存储数据流。
3）处理数据流。
25.Kafka的应用场景
1）建立实时的数据管道，以可靠的在系统或者应用程序之间获取数据。
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。
深知大多数大数据工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！
因此收集整理了一份《2024年大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）
712509360647)]
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）
[外链图片转存中…(img-7uir3V74-1712509360648)]
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
