Python大数据之PySpark(一)SparkBase_spark学pyspark可以吗

Spark学习方法：不断重复，28原则(使用80%时间完成20%重要内容)

Spark框架概述

Spark风雨十年s

• 2012年Hadoop1.x出现，里程碑意义
• 2013年Hadoop2.x出现，改进HDFS，Yarn，基于Hadoop1.x框架提出基于内存迭代式计算框架Spark

• 1-Spark全家桶，实现离线，实时，机器学习，图计算
• 2-spark版本从2.x到3.x很多优化
• 3-目前企业中最多使用Spark仍然是在离线处理部分，SparkSQL On Hive

Spark 是什么

• Spark是一个处理大规模数据的计算引擎

扩展阅读：Spark VS Hadoop

• Spark和Hadoop对比

• 面试题：Hadoop的基于进程的计算和Spark基于线程方式优缺点？

答案：Hadoop中的MR中每个map/reduce task都是一个java进程方式运行，好处在于进程之间是互相独立的，每个task独享进程资源，没有互相干扰，监控方便，但是问题在于task之间不方便共享数据，执行效率比较低。比如多个map task读取不同数据源文件需要将数据源加载到每个map task中，造成重复加载和浪费内存。而基于线程的方式计算是为了数据共享和提高执行效率，Spark采用了线程的最小的执行单位，但缺点是线程之间会有资源竞争。

Spark 四大特点

1-速度快

2-非常好用

3-通用性

4-运行在很多地方

Spark 框架模块了解

• Spark框架通信使用Netty框架，通信框架
• Spark数据结构：核心数据RDD(弹性 分布式Distrubyte 数据集dataset)，DataFrame
• Spark部署模式(环境搭建)
• 
• local
  • local 单个线程
  • local[*] 本地所有线程
  • local【k】 k个线程
  • Spark的RDD有很多分区，基于线程执行分区数据计算，并行计算
• 
• standalone
• StandaloneHA
• Yarn

Spark环境搭建-Local

基本原理

1-Spark的Local模式使用的是单机多线程的方式模拟线程执行Spark的计算任务

2-Spark的local[1] 1个线程执行计算 local[*]本地的所有线程模拟

安装包下载

1-搞清楚版本,本机一定得搭建Hadoop集群(Hadoop3.3.0)

2-上传到Linux中，spark3.1.2-hadoop3.2-bin.tar.gz

3-解压Spark的压缩包

tar -zxvf xxx.tar.gz -C /export/server

ln -s spark-3.1.2-bin-hadoop3.2/ /export/server/spark

4-更改配置文件

这里对于local模式，开箱即用

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。