Spark概述

一.什么是Spark

Spark是一种快速，通用，可扩展，并基于内存迭代运算的大数据分析引擎。
2009年诞生于加州大学伯克利分校AMPLab
2013年6月成为Apache孵化项目
2014年2月成为Apache顶级项目。
该项目采用Scala编写

目前，Spark生态系统已经发展成为有用众多子项目的生态圈，类似于Hadoop。
SparkSQL 、Spark Streaming ,、GraphX、SparkR等均是该生态圈的一员。
和Hadoop不同的是，Spark是基于内存计算的大数据并行计算框架，支持众多的计算模式，包括交互式查询以及流处理等。当然也是包括Mapreduce的计算模型框架

Spark适用于各种不同的分布式平台场景.在Spark这个统一的框架中，可以做各种不同计算。因为Spark可以简单低耗地将各种处理流程整合在一起，对于数据分析是非常有意义的，同时大大减轻了对各种平台分别管理的负担。

大一统的软件栈，各个组件关系密切并且可以相互调用：
好处：
1、软件栈中所有的程序库和高级组件 都可以从下层的改进中获益。2、运行整个软件栈的代价变小了。不需要运 行 5 到 10 套独立的软件系统了，一个机构只需要运行一套软件系统即可。系统的部署、维护、测试、支持等大大缩减。3、能够构建出无缝整合不同处理模型的应用

Spark Core：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。Spark Core
中还包含了对弹性分布式数据集(resilient distributed dataset，简称RDD)的 API 定义。

Spark SQL：是 Spark 用来操作结构化数据的程序包。通过 Spark SQL，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。

Spark Streaming：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。

Spark MLlib：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。

集群管理器：Spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求，同时获得最大灵活性，Spark
支持在各种集群管理器(cluster manager)上运行，包括 Hadoop YARN、Apache Mesos，以及 Spark
自带的一个简易调度 器，叫作独立调度器。

二.Spark特点

1.快速
下图显示，Spark的基于内存的速度是Hadoop1倍以上，基于硬盘的速度也在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。计算的中间结果是存在于内存中的

和Mapreduce比较：
1.Mapreduce目前只有Map和Reduce可以实现的接口

2.编程过于死板，有些时候写一个功能，比如查找共同好友，需要写2个map和2个reduce程序，过于复杂。而相对于scala而言就更容易多了

3.不适合交互式迭代运算，由于交互式迭代运算，需要更快的处理时间，很明显，Mapreduce的基于硬盘的运算是不可以的，对于机器学习，图运算，就更不可能了

4.在Mapreduce的shuffle过程中，需要排序，如，map端的数据从环形缓冲区出来进行的归并排序，以及reduce端的快速排序，但是我们有些操作并不需要排序操作
5.在任务调度过程中，处理效率相当低效，需要yarn进行踔厉，如yarn内部启动contain等

2.易使用
Spark提供了超过80个算法，能够快速地简历不同的应用。
支持Java，Python，Scala
Spark支持交互式的Python和Scala的shell，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。

3.通用
Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。

4.兼容性
Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。

三.执行一个简单的程序

1.standLone

[root@l4 jars]# spark-submit --class org.apache.spark.examples.SparkPi \
 --master spark://l4:7077 \
  --executor-memory 512m \
   --total-executor-cores 1 spark-examples_2.11-2.2.0.jar 100

1)–class: 你的应用的启动类 (如 org.apache.spark.examples.SparkPi)
2)–master: 集群的master URL (如 spark://l4:7077)
3)–deploy-mode: 是否发布你的驱动到worker节点(cluster) 或者作为一个本地客户端 (client) (default: client)*
4)–conf: 任意的Spark配置属性， 格式key=value. 如果值包含空格，可以加引号“key=value”. 缺省的Spark配置
5)application-jar: 打包好的应用jar,包含依赖. 这个URL在集群中全局可见。 比如hdfs:// 共享存储系统， 如果是 file:// path， 那么所有的节点的path都包含同样的jar.
6)application-arguments: 传给main()方法的参数

Master URL：

下图是官网上所有的URl