spark 初学（一） - 原理

 Apache Spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架。

优点：

• Spark提供了一个全面、统一的框架用于管理各种有着不同性质（文本数据、图表数据等）的数据集和数据源（批量数据或实时的流数据）的大数据处理的需求
• Spark可以将Hadoop集群中的应用在内存中的运行速度提升100倍，甚至能够将应用在磁盘上的运行速度提升10倍

使用情景：1  数据量大   2  计算复杂

spark的架构：

spark组件介绍：

• Spark Core：包含Spark的基本功能，尤其是定义RDD的API、操作以及这两者上的动作。其他Spark的库都是构建在RDD（弹性分布式数据集）和Spark Core之上的
• Spark SQL：提供通过Apache Hive的SQL变体Hive查询语言（HiveQL）与Spark进行交互的API。每个数据库表被当做一个RDD，Spark SQL查询被转换为Spark操作。
• Spark Streaming：对实时数据流进行处理和控制。Spark Streaming允许程序能够像普通RDD一样处理实时数据
• MLlib：一个常用机器学习算法库，算法被实现为对RDD的Spark操作。这个库包含可扩展的学习算法，比如分类、回归等需要对大量数据集进行迭代的操作。
• GraphX：控制图、并行图操作和计算的一组算法和工具的集合。GraphX扩展了RDD API，包含控制图、创建子图、访问路径上所有顶点的操作

spark与hadoop的关系：

Hadoop包含两个模块：分布式存储模块hdfs和分布式计算模块MapReduce

而spark依赖于hdfs，并提供了比MapReduce更加快速和丰富的功能

原地址：https://blog.csdn.net/swing2008/article/details/60869183