大数据学习笔记之Spark：Spark基础解析

第1章Spark概述

spark的产生背景

 

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

 

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：

 

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

快

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。

 

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。

 

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。

 

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