Spark概述

目录

一、Spark的产生背景

二、什么是Spark

三、Spark的特点

四、Spark重要版本的发布(待完善)

---

一、Spark的产生背景

1）MapReduce的局限性

• 计算性能不是很好，MR的Task都是进程级别的，运行在JVM中，JVM的启动和销毁会消耗比较多资源
• 不适合交互式/多迭代计算，因为中间数据落地次数较多，会产生较多的磁盘IO、序列化、网络IO频繁
• 不适合流式处理
• 编程繁琐，要实现Map、Reduce、Job。

2）各种计算框架各自为战

如果业务场景既有离线处理、又有实时处理，需要搭建使用多套框架，导致学习、维护都比较麻。

因此诞生了像Spark、Flink这样的批流一体框架，一个框架可以处理N多不同的业务场景。

二、什么是Spark

通过Spark的产生背景，应该初步知道了Spark是做大数据的离线和实时处理。再对比与MR的局限性，我们应该猜到Spark编程应该更简洁，计算性能更好，适合交互式/多迭代计算。

看一下官网(http://spark.apache.org/)的介绍：

Apache Spark™ is a unified analytics engine for large-scale data processing.

Spark用于海量数据处理的通用引擎

三、Spark的特点

1) 运算速度快

• In-Memory：数据缓存在内存，相比于MR的落地磁盘，读写速度更快，而且Spark中间数据落地少
• DAG： 使用DAG调度，Spark的两个动作transformation和action操作，只有当遇到action才会真正执行作业
• Thread Model：task是线程级别的，相比于MR进程级别更加轻量级
• 优化：延迟调度，让计算跟着数据走，而不是让数据跟着计算走==>移动计算

2) 使用简单

• 提供了80多个高级API，方便快读编程
• 提供交互式命令行，方便快读测试
• 支持多种语言，例如Java、Scala、Python、R、SQL
• 可以直接访问不同的数据源，例如JSON、CSV、ORC、Parquet、JDBC、Hive

3) 通用性

• one stack to rule them all：一栈式解决方案
• Spark可以用于离线处理、实时处理、机器学习、图计算

4) 部署灵活

• 本身提供了Standlone模式，需要事先启动Spark相关服务
• 也可以运行在Hadoop YARN、Mesos、Kubernets

四、Spark重要版本的发布(待完善)

• 14年2月

1. 成为顶级项目

• Spark1.0

1. 引入Spark SQL

• Spark1.3

1. 新增DataFrame API
2. 新增Data Source V1

• Spark1.5

1. 引入"钨丝"计划：通过对几个底层框架的优化进一步提高Spark的性能

• Spark1.6

1. 新增Dataset API

• Spark2.0 16年

1. DataFrame和Dataset的统一
2. 引入SparkSession，提供了一个统一的入口(SQLContext和HiveContext)

• Spark2.3.0

1. Data Source V2

• 3.0做了哪些更新

1. 动态分区修剪（Dynamic Partition Pruning），运行时过滤掉无用数据，提高性能
2. 自适应查询执行（Adaptive Query Execution）
3. 加速器感知调度（Accelerator-aware Scheduling），将内置支持 GPU 调度