Spark简介

1、Spark是什么

Spark是一个用来实现快速而通用的集群计算的平台。它的一个主要的特点就是能够在内存中进行计算，因而相对于MapReduce而言速度更快，即使是必须在磁盘上进行计算，也比MapReduce效率更高。

2、Spark的核心组件

(1)Spark Core

Spark Core实现了Spark的基本功能，包括任务调度、内存管理、错误恢复、与存储系统交互等，还包含了对弹性分布式数据集(resilient distributed dataset) RDD的API定义。RDD表示分布在多个计算节点上可以并行操作的元素集合，是Spark主要的编程抽象。

(2)Spark SQL

Spark SQL是Spark用来操作结构化数据的程序包，支持多种数据源，如Hive表、Parquet、JSON文件等。

(3)Spark Streaming

Spark Streaming是Spark提供的对实时数据进行流式计算的组件。

(4)MLlib

MLlib提供了多种机器学习算法，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。

(5)GraphX

GraphX是用来操作图的程序库，可以进行并行的图计算。

(6)集群管理器

Spark可以高效地在一个计算节点到数千个节点之间伸缩计算，为实现这样的要求，Spark支持在各种集群管理上运行，包括Hadoop YARN、Apache Mesos以及Spark自带的独立调度器。

3、Spark核心概念

(1)驱动器程序

每个Spark应用都由一个驱动器程序(driver program)来发起集群上的各种并行操作，驱动器程序包含应用的main函数，并且定义了集群上的分布式数据集，还对这些分布式数据集应用了相关操作。驱动器程序通过一个SparkContext对象来访问Spark，这个对象代表对计算集群的一个连接，有了它就可以来创建RDD。

(2)执行器

要对RDD执行操作，驱动器程序一般要管理多个执行器(executor)节点，比如在集群上运行count()操作，则不同节点会统计文件的不同部分的行数。也就是说Spark会自动将操作函数发到各个执行器节点上，这样就可以在单一的驱动器程序中编程，并且让代码自动运行在多个节点上。