大数据学习笔记之Spark:Spark基础解析

本文详细介绍了Spark的产生背景、特点以及在大数据处理中的重要地位。Spark相较于Hadoop,提供了更快的内存计算速度和更强的迭代计算与交互式数据挖掘支持。Spark的统一软件栈降低了开发和维护成本,兼容Hadoop等多类数据源,并广泛应用于数据科学与处理。文章还简述了Spark集群的安装配置,包括standalone模式、Job History Server以及HA设置,为读者提供了Spark入门的基础知识。
摘要由CSDN通过智能技术生成

第1章Spark概述

spark的产生背景

大数据学习笔记之Spark:Spark基础解析

 

spark是如何产生的,这要先送大数据说起,大数据是如何产生的?Google就是处理大数据的,网页和网页之间有很多的关联关系,为了处理排序啊这些算法,所以Google就发明了,Google就发布了三个论文,基于这三个论文的开源,实现了Hadoop、Hdfs、MapReduce、Hbase等,但是感觉好像每次MapReduce只能处理一次数据,而且开始跑mapreduce的时候,时间有点长,做完一个提交一个,中间的这些处理其实没有迭代性,虽然有些工具能够帮你去处理迭代,比如说有的是做一个业务流程的开发,可以连续的调用几个MapReduce写的jar包,但是流程还是很长,所有的文件都是存在磁盘上面的,这样就会导致两个问题:

第一个就是迭代式计算

就好比轻功,这个脚踩着这个脚,迭代的往前走,就是不断有新的计算产生,然后新的计算使用前边计算的结果,然后新的产生的结果后边还需要用到这个结果,然后一直迭代下去。

比如机器学习推化问题的时候,这个迭代就显得非常重要了。

显然MapReduce在迭代计算上是比较弱的 ,很多原因是没有把一系列的步骤都写到一个MapReduce里面,MapReduce只有两个,一个是map映射,一个是reduce预约

第二个交互式的数据挖掘

hadoop无法做交互式的数据挖掘,我输入进去,立马展示出来,而不能说输入东西了,等了一个小时,然后交互一次,然后再输入,再交互,这就不叫交互了,等的时间太长,

hadoop在这两方面是不擅长的,更擅长于长时间的大数据量的计算,所以跟据reduce的分布式模型,就产生了spark。

上图中hadoop是先写入磁盘,然后计算,然后再写入磁盘然后再计算,先不说磁盘,就中间提交任务,任务与任务之间没有任何关联,单纯的是调度层面的关联,那么这个东西其实不是一个整体的东西

上图中的spark,只需要读取一次数据,而且在这一系列的数据中是在一个编程模型里面完成的,也就是说在这一个编程模型里面完成这些东西,只需要提交一次,然后里面直接可以进行计算,而且任务与任务之间时是可以进行内存数据交换的

从这两个模型看,spark对迭代计算和交互式数据挖掘提供了很强的支持。

1.1什么是Spark

官网:http://spark.apache.org

大数据学习笔记之Spark:Spark基础解析

 

Spark是一种快速、通用、可扩展的大数据分析引擎,2009年诞生于加州大学伯克利分校AMPLab,2010年开源,2013年6月成为Apache孵化项目,2014年2月成为Apache顶级项目。项目是用Scala进行编写。

目前,Spark生态系统已经发展成为一个包含多个子项目的集合,其中包含SparkSQL、Spark Streaming、GraphX、MLib、SparkR等子项目,Spark是基于内存计算的大数据并行计算框架。除了扩展了广泛使用的 MapReduce 计算模型,而且高效地支持更多计算模式,包括交互式查询和流处理。Spark 适用于各种各样原先需要多种不同的分布式平台的场景,包括批处理、迭代算法、交互式查询、流处理。通过在一个统一的框架下支持这些不同的计算,Spark 使我们可以简单而低耗地把各种处理流程整合在一起。而这样的组合,在实际的数据分析 过程中是很有意义的。不仅如此,Spark 的这种特性还大大减轻了原先需要对各种平台分 别管理的负担。

大一统的软件栈,各个组件关系密切并且可以相互调用,这种设计有几个好处:1、软件栈中所有的程序库和高级组件 都可以从下层的改进中获益。2、运行整个软件栈的代价变小了。不需要运 行 5 到 10 套独立的软件系统了,一个机构只需要运行一套软件系统即可。系统的部署、维护、测试、支持等大大缩减。3、能够构建出无缝整合不同处理模型的应用。

Spark的内置项目如下:

大数据学习笔记之Spark:Spark基础解析

 

1、软件栈中所有的程序库和高级组件都可以从下层的改进中获益。

spark这种all in one的方式,底层加快了速度,上层的速度也会跟着加快,因为是基于底层运行的

2、运行整个软件栈的代价变小了。不需要运行5到10套独立的软件系统了,一-个机构只需要运行一套软件系统即可。系统的部署、维护、测试、支持等大大缩减。

如上把sql、streaming、MLib、Graghx集成在一块

3、能够构建出无缝整合不同处理模型的应用。

如上sql、streaming、MLib、Graghx都是在spark core的基础上的,那么他们的抽象其实都是想通的,他们之间可以有数据交互,也就是提供了”1+1>=2“(这句话我也不知道啥意思,后面可能就理解了把)

Spark Core:实现了 Spark 的基本功能,包含任务调度、内存管理、错误恢复、与存储系统 交互等模块。Spark Core 中还包含了对弹性分布式数据集(resilient distributed dataset,简称RDD)的 API 定义。

Spark SQL:是 Spark 用来操作结构化数据的程序包。通过 Spark SQL,我们可以使用 SQL 或者 Apache Hive 版本的 SQL 方言(HQL)来查询数据。Spark SQL 支持多种数据源,比 如 Hive 表、Parquet 以及 JSON 等。

Spark Streaming:是 Spark 提供的对实时数据进行流式计算的组件。提供了用来操作数据流的 API,并且与 Spark Core 中的 RDD API 高度对应。

Spark MLlib:提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等,还提供了模型评估、数据 导入等额外的支持功能。

集群管理器:Spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求,同时获得最大灵活性,Spark 支持在各种集群管理器(cluster manager)上运行,包括 Hadoop YARN、Apache Mesos,以及 Spark 自带的一个简易调度 器,叫作独立调度器。

Spark得到了众多大数据公司的支持,这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于凤巢、大搜索、直达号、百度大数据等业务;阿里利用GraphX构建了大规模的图计算和图挖掘系统,实现了很多生产系统的推荐算法;腾讯Spark集群达到8000台的规模,是当前已知的世界上最大的Spark集群。

1.2Spark特点

与Hadoop的MapReduce相比,Spark基于内存的运算要快100倍以上,基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎,可以通过基于内存来高效处理数据流。计算的中间结果是存在于内存中的。

大数据学习笔记之Spark:Spark基础解析

 

易用

Spark支持Java、Python和Scala的API,还支持超过80种高级算法,使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell,可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。

大数据学习笔记之Spark:Spark基础解析

 

通用

Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询(Spark SQL)、实时流处理(Spark Streaming)、机器学习(Spark MLlib)和图计算(GraphX)。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力,毕竟任何公司都想用统一的平台去处理遇到的问题,减少开发和维护的人力成本和部署平台的物力成本。

兼容性

Spark可以非常方便地与其他的开源产品进行融合。比如,Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器,器,并且可以处理所有Hadoop支持的数据,包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要,因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器,它实现了Standalone作为其内置的资源管理和调度框架,这样进一步降低了Spark的使用门槛,使得所有人都可以非常容易地部署和使用Spark。此外,Spark还提供了在EC2上部署Standalone的Spark集群的工具。

大数据学习笔记之Spark:Spark基础解析

 

1.3Spark的用户和用途

我们大致把Spark的用例分为两类:数据科学应用和数据处理应用。也就对应的有两种人群:数据科学家和工程师。

数据科学任务

主要是数据分析领域,数据科学家要负责分析数据并建模,具备 SQL、统计、预测建模(机器学习)等方面的经验,以及一定的使用 Python、 Matlab 或 R 语言进行编程的能力。

数据处理应用

工程师定义为使用 Spark 开发 生产环境中的数据处理应用的软件开发者,通过对接Spark的API实现对处理的处理和转换等任务。

第2章Spark集群安装

一共支持的有 local、local-cluster、standalone、Yarn、Mesos

spark目前集群安装支持三种类型,一种叫做独立调度器,standalone模式,也就是他自己不需要外部的任何支撑组件,就

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值