spark基础，2024年最新大数据开发组件化架构实践

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但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年最新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，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注大数据）

正文

• 本机开发环境搭建（windows）
• • windows环境配置
    • 应用入口
    • 总结
    • • python开发spark
        • 如何提交spark应用
• 分布式代码执行
• • spark集群角色
    • 分布式代码执行分析
    • python on spark原理
    • 总结
    • • 分布式代码执行的重要特征
        • pyspark架构体系

spark框架概述

什么是spark

用于大规模数据处理的统一分析引擎
特点：对任意类型（结构化、半结构化、非结构化）的数据进行自定义计算

起源

2009年起源加州伯克利
2010年开源
2013年原创团队成立databricks；同年被捐给apache基金会
2014年成为apache顶级项目
2016年spark2.0
2019年spark3.0

spark VS hadoop(mapreduce)

spark相对hadoop有优势，但不能完全取代：

1. 计算层面：spark相比mapreduce有巨大优势，但至今有很多基于MR架构的计算工具，如hive
2. spark仅做计算：hadoop不仅有计算（mapreduce），也有存储（hdfs），资源管理调度（yarn）；hdfs和yarn仍然是很多大数据体系的核心架构

spark特点

1. 速度快：100x mapreduce（支持内存计算，并通过DAG（有向无环图）来完成数据的迭代计算）
   1. spark处理数据时，将中间数据结果存储到内存中（hadoop存储在硬盘中，读取硬盘）
   2. spark提供丰富的算子（API），做到复杂任务在一个spark程序中完成（mapreduce只有两个算子：map和reduce）
2. 易使用：python、Java、Scala、R

df = spark.read.json("log.json")
df.where("age">21).select("name.first").show(()