什么是spark？通俗易懂，一文读懂

Spark是什么

官方定义: 定义：*Apache Spark是用于**大规模数据（large-scala data）**处理的**统一（unified）**分析引擎。*

分析引擎(计算引擎): 我们目前接触的引擎有:

• MapReduce 分布式计算引擎

• Spark 分布式内存计算引擎

计算引擎: 通用的 可以执行开发人员提供的业务代码的一种框架.

Spark框架中有一个核心的数据结构: RDD

Pandas中的数据结构是DataFrame, 多数API都是针对DF对象来进行的.

同样, Spark的数据结构是RDD对象, 多数API都是针对RDD对象来进行的

RDD对象是一个真正的分布式对象, Pandas的DataFrame则是一个单机的对象.

拓展阅读 Hadoop 和 Spark 对比

	Hadoop	Spark
类型	基础平台, 包含计算, 存储, 调度	分布式计算工具
场景	大规模数据集上的批处理	迭代计算, 交互式计算, 流计算
价格	对机器要求低, 便宜	对内存有要求, 相对较贵
编程范式	Map+Reduce, API 较为底层, 算法适应性差	RDD组成DAG有向无环图, API 较为顶层, 方便使用
数据存储结构	MapReduce中间计算结果在HDFS磁盘上, 延迟大	RDD中间运算结果在内存中 , 延迟小
运行方式	Task以进程方式维护, 任务启动慢	Task以线程方式维护, 任务启动快

Spark四大特点

• 速度贼快: 比MapReduce 快100倍以上( 基于内存计算 )

• 易于使用: API 写起来很简单, 和pandas差不多(比pandas还简单)

• 通用性强: 可用于离线批处理\ SQL处理\ 流计算 \ 机器学习计算\ 图计算

  •  离线批处理(Core)     SQL处理(SparkSQL)

• 运行方式很多: 可以运行在 YARN \ 可以独立运行(StandAlone) \ 可以运行在云平台上 \ 可以运行在容器集群上 \ 等等等.

Spark框架模块 - 了解

• 

• SparkCore : Spark的核心模块, 一切Spark的功能最底层由它提供

• SparkSQL: Spark的结构化数据处理模块, 基于Core

• SparkStreaming: Spark的流计算模块 基于Core

• Spark MLib: 机器学习模块. 基于Core

• Spark GraphX: 图计算模块 基于Core

• StructuredStreaming: 结构化流, 基于SparkSQL模块