Spark官方简述

Spark是一种分布式的计算框架，可以处理海量数据，目前流行的计算框架

1. MapReduce：适用于离线批处理，也可以用于实时计算
2. Storm: 用于实时计算
3. Spark：即可以用于离线批处理，也可以用于实时计算
4. Flink：主要用于实时计算
   
   综上，我们发现MapReduce计算框架是一种高度依赖于磁盘I/O框架，而且在有些业务场景下，比如某算法（梯度下降法，逻辑回归）会多次用到前写job的结果，导致重新计算及shuffle过程
   
   Spark计算框架是高度依赖于内存框架，而且支持将中间结果缓存，避免大量的重新计算，所以Spark框架也被称为内存计算框架

---

Spark生态架构

Spark框架设计目的：可以一栈式处理大数据所有的应用场景包括：

1. 离线批处理
2. 实时处理
3. 交互式查询
4. 算法建模

---

Spark使用模式

1. Local：本地单机模式，一般用于测试或练习
2. Standalone：Spark集群模式
3. On Yarn：Spark的资源交给Yarn来管理

---

Spark最核心的数据结构

RDD（Resilient Distributed Datasets）

RDD：弹性分布式数据集，初学时，可以把RDD看做是一种集合类型（Array，List类比）

RDD的特点

1. 有容错机制，即使数据丢失是可以恢复的
2. 有分区机制，可以并行处理RDD数据

RDD的分区机制目的：
可以分布式的计算RDD的数据集，底层可以确保分区数据的负载均衡状态

创建RDD的方式

1. 将一个普通的集合类型（Array或List）转为RDD
2. 通过Spark读取外部存储文件，将文件数据转变为RDD，可以从本地磁盘读取，也可以从HDFS读取

补充知识：

1. sc是SparkContext的别名对象，用于操作Spark的入口对象，通过sc可以创建RDD，广播变量，此外sc用于负责job任务的分配和监控

2. 创建RDD方法
   (1) sc.parallelize(普通类型集合，分区数量)
   (2) sc.makeRDD(普通类型集合，分区数量)

3. 关于RDD分区相关的方法
   (1) rdd.partitions.size：查看分区数
   (2) rdd.glom.collect：查看分区数据

4. 创建RDD的两种途径
   

---

RDD的函数操作

---

常用的RDD操作方法

---

Spark的DAG概念

---

RDD之间的依赖关系

两种：

---

Spark DAG 的Stage划分