**GraphX:**提供一个分布式图计算框架,能高效进行图计算
**BlinkDB:**用于在海量数据上进行交互式SQL的近似查询引擎
**Tachyon:**以内存为中心高容错的分布式文件系统
四、应用场景
淘宝使用Spark来解决多次迭代的机器学习算法、高计算复杂度的算法等。应用于内容推荐,社区发现等
五、Spark之RDD
5.1什么是RDD
RDD叫做弹性分布式数据集,是Spark中最基本的数据抽象,它代表一个不可变,可分区,里面的元素可并行计算的集合。RDD具有数据流模型的特点:自动容错,位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中,后续地查询能够重用工作集,这极大地提升了查询速度。
5.2RDD的属性
(1) 一组分片,即数据集的基本组成单位。对于RDD来说,每个分片都会被一个计算任务处理,并决定并行计算的粒度。
(2)一个计算每个分区的函数。Spark中的RDD的计算以分片为单位的,每个RDD都会实现compute函数以达到这个目的。
(3)RDD之间的依赖关系。RDD的每次转换都会生成一个新的RDD,所以RDD之间就会形成类似于流水线一样的前后依赖关系。部分分区数据丢失时,Spark可以通过这个依赖关系重新计算对视的分区数据,而不是对RDD的所有分区进行重新计算。
(4)一个Partitioner,即RDD的分片函数。当前Spark中实现了两种类型的分片函数,一个是基于哈