Hadoop历史
2003,2004 Google2篇论文
2011年发布1.0版本
2012年发布稳定版
2013年发布2.x版本(Yarn)
MR的缺点:
mr基于数据集的计算,所以面向数据
1.基本运算规则从存储介质中获取(采集)数据,然后进行计算,最后将结果存储到介质中,所以主要应用于一次性计算,不适合于数据挖掘和机器学习这样的迭代计算和图形挖掘计算。
2.MR基于文件存储介质的操作,所以性能非常的慢
3.MR和Hadoop紧密耦合在一起,无法动态替换。
2013年发2.x版本(Yarn)
Spark历史
Spark基于Hadoop1.x架构思想,采用自己的方式改善Hadoop1.x中的问题,
Spark计算基于内存,并且基于Scala语法开发,所以天生适合迭代计算。
wordcount执行流程图
Yarn-client模式提交任务
相关概念
移动数据不如移动计算:优先位置
算子:从认知心理学角度,解决问题其实是将问题的初始状态,通过一系列的操作(Operate)(算子)对问题的状态进行转换,然后达到完成(解决)状态。
Spark中的所有的RDD方法都称为算子,分为两大类:action,transformation
RDD的创建
从外部存储中创建
Spark三大数据结构
RDD:分布式数据集
广播变量:分布式只读共享变量
累积器:分布式只写共享变量