目录
1.什么是Spark
Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行计算框架，Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。Spark是Scala编写，方便快速编程。
2.Spark内置模块介绍
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。SparkCore 中还包含了对弹性分布式数据集(Resilient Distributed DataSet，简称RDD)的API定义。
是 Spark 用来操作结构化数据的程序包。通过SparkSql，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。
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。
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。
3.Spark演变历史
- • Spark是美国加州大学伯克利分校的AMP实验室(主要创始人lester和Matei)开发的通用的大数据处理框架
- • 2009伯克利大学开始编写最初的源代码
- • 2010年才开放的源码
- • 2012年2月发布了0.6.0版本
- • 2013年6月进入了Apache孵化器项目
- • 2013年年中Spark的主要成员成立的DataBricks公司
- • 2014年2月成为了Apache的顶级项目（8个月的时间）
- • 2014年5月底Spark1.0.0发布
- • 2014年9月Spark1.1.0发布
- • 2014年12月spark1.2.0发布
- • 2015年3月Spark1.3.0发布
- • 2015年6月Spark1.4.0发布
- • 2015年9月Spark1.5.0发布
- • 2016年1月Spark1.6.0发布
- • 2016年5月Spark2.0.0预览版发布
- • 2016年7月Spark2.0.0正式版发布
- • 2016年12月Spark2.1.0正式版发布
- • 2017年7月Spark2.2发布
4.Spark与MapReduce的区别
都是分布式计算框架，Spark基于内存，MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上，Spark中除了基于内存计算外，还有DAG有向无环图来切分任务的执行先后顺序。Spark简单易用，支持多种语言编写，支持java，scala，python，R等。
早期版本1.0
jobTracker既要管理资源，又要调度任务。
2.0（YARN：资源管理和任务调度分开）
RM管理资源，Driver调度任务，中间用AM通信，解耦合，计算框架可以插拔，可以换成其他计算框架。为了让TASK和NM也没有耦合，中间加了一层Container。
spark历史：
2013年6月份发布（yarn10月份才出来），真正的使用可以将yarn中的计算框架换成spark即可。
5.Spark运行模式
- Local
多用于本地测试，如在eclipse，idea中写程序测试等。
- Standalone
Standalone是Spark自带的一个资源调度框架，它支持完全分布式。
- Yarn
Hadoop生态圈里面的一个资源调度框架，Spark也是可以基于Yarn来计算的。
- Mesos
资源调度框架，国内用的比较少
***** 要基于Yarn来进行资源调度，必须实现AppalicationMaster接口，Spark实现了这个接口，所以可以基于Yarn。
6.spark特点
- 快速：与 Hadoop 的 MapReduce 相比, Spark 基于内存的运算是 MapReduce 的 100 倍.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
- 易用：Spark 支持 Scala, Java, Python, R 和 SQL 脚本, 并提供了超过 80 种高性能的算法, 非常容易创建并行 App而且 Spark 支持交互式的 Python 和 Scala 的 shell, 这意味着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, 而不是像以前一样 需要打包, 上传集群, 验证等. 这对于原型开发非常重要.
- 通用：Spark 结合了SQL, Streaming和复杂分析.Spark 提供了大量的类库, 包括 SQL 和 DataFrames, 机器学习(MLlib), 图计算(GraphicX)， 实时流处理(Spark Streaming) .可以把这些类库无缝的柔和在一个 App 中.减少了开发和维护的人力成本以及部署平台的物力成本.
-
可融合性：Spark 可以非常方便的与其他开源产品进行融合.比如, Spark 可以使用 Hadoop 的 YARN 和 Appache Mesos 作为它的资源管理和调度器, 并且可以处理所有 Hadoop 支持的数据, 包括 HDFS, HBase等
7.Spark中的重要角色
如果用的yarn，就没有master和worker，就会用的是YARN中的RM和NM。
7.1 Driver（驱动器）
Spark的驱动器是执行开发程序中的main方法的进程。它负责开发人员编写的用来创建SparkContext、创建RDD，以及进行RDD的转化操作和行动操作代码的执行。如果你是用spark shell，那么当你启动Spark shell的时候，系统后台自启了一个Spark驱动器程序，就是在Spark shell中预加载的一个叫作 sc的SparkContext对象。如果驱动器程序终止，那么Spark应用也就结束了。主要负责：
1）把用户程序转为作业（JOB）
2）跟踪Executor的运行状况
3）为执行器节点调度任务
4）UI展示应用运行状况
7.2 Executor（执行器）
Spark Executor是一个工作进程，负责在 Spark 作业中运行任务，任务间相互独立。Spark 应用启动时，Executor节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor节点上继续运行。主要负责：
1）负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程；
2）通过自身的块管理器（Block Manager）为用户程序中要求缓存的RDD提供内存式存储。RDD是直接缓存在Executor进程内的，因此任务可以在运行时充分利用缓存数据加速运算。
扫一扫
2507
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
