Spark简介

Apark Spark是一个可跨不同工作负载和平台的统一的分布式计算引擎。可通过自有的各种组件(Spark Streaming、Spark ML、Spark SQL、Spark GraphX)连接到不同平台，并处理各种不同的数据工作负载。其是一个数据处理框架，可由其它技术提供分布数据存储上执行操作。
Apark Spark是一个基于内存的快速数据处理引擎，它具有优雅且极具表现力的API。它由Spark core和一组库文件组成。Spark core是一个分布执行引擎，其包含的java、Scala及Python API为分布式应用开发提供一个良好的平台。
大数据的4V：种类多样、处理速度快、体量大、数据准确性。
其具有以下特性：

• 通过简单的API可以在多个节点透明的处理数据；
• 弹性处理故障；
• 尽量使用内存进行数据处理，在数据溢出时将其存入磁盘；
• 支持Java、Scala、Python、R和SQL API；
• Spark core可以在独立服务器模式下运行，也可以在Hadpoop YARN、Mesos以及云端运行。

1 组件

1.1 Spark core

Spark core是Spark平台的基础通用执行引擎，包含了运行作业所需的基本Spark功能以及用于支持网络、安全、调度以及数据重新洗牌等功能。其最重要的概念就是弹性分布式数据集(RDD)

1.2 Spark SQL

Spark SQL是Spark core上的一个组件， 它引入了新的数据抽象（SchemaRDD）,可以为结构化和半结构化数据提供支持。其使用SQL函数来处理大量分布式结构化数据，通过数据帧和数据集的方式，在更高的性能水平上简化了对结构化数据的处理。其提供了一个thrift服务器，外部系统可通过JDBC和ODBC协议查询数据。

1.3 Spark Streaming

Spark Streaming利用Spark core提供的快速调用能力，通过从各种源（HDFS、Kafka、Flume）获取实时流数据来进行流式分析。其使用微批方式处理数据块并使用一种称作DStream的概念。其操作可以自动使用各种技术从故障中恢复。

1.4 Spark GraphX

GraphX是Spark栈顶层的分布式图处理框架。提供用于创建图的功能，它将图表示为Graph RDD。提供表达图计算的API，从而可以使用Pregel抽象API对用户定义的图进行建模。其包含一些重要的图论算法的事项如PageRank、连接组件、最短路径和SVD++等。

1.5 Spark ML

MLlib位于Spark core之上，是一个分布式机器学习框架，用于处理以RDD方式转换的数据集的机器学习模型。Spark MLlib是一个机器学习的算法库，提供了各种算法，例如逻辑回归、朴素贝叶斯分类、支持向量机(SVM)、决策树、随机森林、线性回归、交替最小二乘(ALS)、K-均值聚类算法。其与Spark core、Spark Streaming、Spark SQL、Spark GraphX完美集成，从而提供了真正的集成平台，能够以实时或批量的方式处理数据。
另外现在可使用PySpark和SparkR来使用Python和R对Spark进行交互。

2.执行组件

Spark种引入作业的概念，作业通过stage和task在多个worker节点上执行。Spark包含一个driver用于在worker节点集群内协调任务执行以及跟踪所有的worker节点。其关键组件有以下：

2.1 driver

driver包含应用程序和main程序。如果你使用Spark shell，它就成为driver程序，并会在集群内调用executor，同时控制task执行。其负责管理整个执行过程的容错机制，一旦driver执行完一个作业，其输出就可以写到文件、数据库，或者干脆打印到控制台。

2.2 executor

负责任务的执行。运行在集群中的worker节点上，每个节点可以有一个或多个executor，一个executor可以运行一个或多个任务。当driver与集群管理器进行通信时，集群管理器会将资源分配给excutor。

2.3 集群管理器

负责在组成集群的计算节点之间调度和分配资源。一般来说，这由一个管理员进程来完成，用于管理集群中的资源。其可以是一个独立服务器的集群管理器，也可以是YARN或Mesos.

2.4 SparkContext

SparkContext为Spark程序的主入口，位于driver之内，表示与集群的连接，同时包含执行调度和任务分发与编排的代码。当启动driver程序时，命令会被SparkContext提交到集群，然后executor就开始执行这些指令。当任务结束后，drvier程序就会完成作业。SparkContext可以用来创建RDD、累加数据或在集群中广播变量。每个JVM进程上只能有一个SparkContext处于活动状态，在创建新的之前必须使用stop()来停止掉原有的处于运行中的SparkContext。

2.5 DAG(有向无环图)

driver会为你用分布式处理框架运行的代码创建包含任务的DAG，然后DAG会按照阶段(stage)和任务(task)的方式执行。DAG代表作业，而作业又被拆分为子集，称为阶段。每个阶段以任务方式执行，而每个任务执行时，使用一个Spark core。阶段的个数以及每个阶段包含的内容由操作类型决定。一般来说，转换操作往往在同一个阶段中，但reduce或shuffle操作往往会生成新的执行阶段。任务是阶段的一部分并通常直接使用一个Sparkcore，用来在executor上执行操作。