目录
什么是spark:
简单一点Spark 是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。属于mapreduce的加强版本,结合了其优点而且spark是可以将数据保存在内存中从而不再需要读写HDFS,因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。
功能历史上和hadoop的区别:
首先从时间节点上来看 :➢ Hadoop⚫ 2006 年 1 月, Doug Cutting 加入 Yahoo ,领导 Hadoop 的开发⚫ 2008 年 1 月, Hadoop 成为 Apache 顶级项目⚫ 2011 年 1.0 正式发布⚫ 2012 年 3 月稳定版发布⚫ 2013 年 10 月发布 2.X (Yarn) 版本➢ Spark⚫ 2009 年, Spark 诞生于伯克利大学的 AMPLab 实验室⚫ 2010 年,伯克利大学正式开源了 Spark 项目⚫ 2013 年 6 月, Spark 成为了 Apache 基金会下的项目⚫ 2014 年 2 月, Spark 以飞快的速度成为了 Apache 的顶级项目⚫ 2015 年至今, Spark 变得愈发火爆,大量的国内公司开始重点部署或者使用 Spark然后我们再从功能上来看 :⚫ Hadoop 是由 java 语言编写的,在分布式服务器集群上存储海量数据并运行分布式分析应用的开源框架⚫ 作为 Hadoop 分布式文件系统, HDFS 处于 Hadoop 生态圈的最下层,存储着所有的 数 据 , 支 持 着 Hadoop 的 所 有 服 务 。 它 的 理 论 基 础 源 于 Google 的TheGoogleFileSystem 这篇论文,它是 GFS 的开源实现。⚫ MapReduce 是一种编程模型, Hadoop 根据 Google 的 MapReduce 论文将其实现,作为 Hadoop 的分布式计算模型,是 Hadoop 的核心。基于这个框架,分布式并行程序的编写变得异常简单。综合了 HDFS 的分布式存储和 MapReduce 的分布式计算, Hadoop 在处理海量数据时,性能横向扩展变得非常容易。⚫ HBase 是对 Google 的 Bigtable 的开源实现,但又和 Bigtable 存在许多不同之处。HBase 是一个基于 HDFS 的分布式数据库,擅长实时地随机读 / 写超大规模数据集。它也是 Hadoop 非常重要的组件。➢ Spark⚫ Spark 是一种由 Scala 语言开发的快速、通用、可扩展的 大数据分析引擎⚫ Spark Core 中提供了 Spark 最基础与最核心的功能⚫ Spark SQL 是 Spark 用来操作结构化数据的组件。通过 Spark SQL ,用户可以使用SQL 或者 Apache Hive 版本的 SQL 方言( HQL )来查询数据。⚫ Spark Streaming 是 Spark 平台上针对实时数据进行流式计算的组件,提供了丰富的处理数据流的 API 。由上面的信息可以获知, Spark 出现的时间相对较晚,并且主要功能主要是用于数据计算,所以其实 Spark 一直被认为是 Hadoop 框架的升级版。
spark的五大核心模块:
➢
Spark Core
Spark Core
中提供了
Spark
最基础与最核心的功能,
Spark
其他的功能如:
Spark SQL
,
Spark Streaming
,
GraphX, MLlib
都是在
Spark Core
的基础上进行扩展的
➢
Spark SQL
Spark SQL
是
Spark
用来操作结构化数据的组件。通过
Spark SQL
,用户可以使用
SQL
或者
Apache Hive
版本的
SQL
方言(
HQL
)来查询数据。
➢
Spark Streaming
Spark Streaming
是
Spark
平台上针对实时数据进行流式计算的组件,提供了丰富的处理
数据流的
API
。
➢
Spark MLlib
MLlib
是
Spark
提供的一个机器学习算法库。
MLlib
不仅提供了模型评估、数据导入等
额外的功能,还提供了一些更底层的机器学习原语。
➢
Spark GraphX
GraphX
是
Spark
面向图计算提供的框架与算法库。
然后我们主要学习这五大板块内容(更新中)