spark入门

一、Spark初始

1、什么是spark

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行计算框架，Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，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MapReduce的算法。Spark是Scala编写，方便快速编程。

2、spark与mr的区别

都是分布式计算框架，Spark基于内存，MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上，Spark中除了基于内存计算外，还有DAG有向无环图来切分任务的执行先后顺序。

3、spark的运行模式

• Local

       多用于本地测试，如在eclipse，idea中写程序测试等。

• Standalone

       Standalone是Spark自带的一个资源调度框架，它支持完全分布式。

• Yarn

       Hadoop生态圈里面的一个资源调度框架，Spark也是可以基于Yarn来计算的。

• Mesos

       资源调度框架。

• 要基于Yarn来进行资源调度，必须实现AppalicationMaster接口，Spark实现了这个接口，所以可以基于Yarn。

二、SparkCore

1.RDD

  1.概念

     RDD(Resilient Distributed Dateset)，弹性分布式数据集。

  2.RDD的五大特性：

1. RDD是由一系列的partition组成的。
2. 函数是作用在每一个partition（split）上的。
3. RDD之间有一系列的依赖关系。
4. 分区器是作用在K,V格式的RDD上。
5. RDD提供一系列最佳的计算位置。

  3.RDD理解图:

注意：

• textFile方法底层封装的是读取MR读取文件的方式，读取文件之前先split，默认split大小是一个block大小。
• RDD实际上不存储数据，这里方便理解，暂时理解为存储数据。
• 什么是K,V格式的RDD?

• 如果RDD里面存储的数据都是二元组对象，那么这个RDD我们就叫做K,V格式的RDD。

• 哪里体现RDD的弹性（容错）？

• partition数量，大小没有限制，体现了RDD的弹性。
• RDD之间依赖关系，可以基于上一个RDD重新计算出RDD。

• 哪里体现RDD的分布式？

• RDD是由Partition组成，partition是分布在不同节点上的。

• RDD提供计算最佳位置，体现了数据本地化。体现了大数据中“计算移动数据不移动”的理念。

2.Spark任务执行原理

以上图中有四个机器节点，Driver和Worker是启动在节点上的进程，运行在JVM中的进程。

• Driver与集群节点之间有频繁的通信。
• Driver负责任务(tasks)的分发和结果的回收。任务的调度。如果task的计算结果非常大就不要回收了。会造成oom。
• Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM进程。
• Master是Standalone资源调度框架里面资源管理的主节点。也是JVM进程。

3.Spark代码流程

1. 创建SparkConf对象

• 可以设置Application name。
• 可以设置运行模式及资源需求。

1. 创建SparkContext对象
2. 基于Spark的上下文创建一个RDD，对RDD进行处理。
3. 应用程序中要有Action类算子来触发Transformation类算子执行。
4. 关闭Spark上下文对象SparkContext。

4.术语解释