大数据生态和Spark简介

一、大数据时代

1.根据IBM前首席执行官郭士纳的观点，IT领域每隔十五年就会迎来一次重大变革

2.信息科技为大数据时代提供技术支撑：
- 存储设备容量不断增加
- CPU处理能力大幅提升
- 网络带宽不断增加

二、大数据概念

1.大数据概念
大数据不仅仅是数据的“大量化”，而是包含“快速化”、“多样化”和“价值化”等多重属性。
1.数据量大

• 根据IDC作出的估测，数据一直都在以每年50%的速度增长，也就是说每两年就增长一倍（大数据摩尔定律）
  人类在最近两年产生的数据量相当于之前产生的全部数据量
  预计到2020年，全球将总共拥有35ZB的数据量，相较于2010年，数据量将增长近30倍

2.数据类型繁多
大数据是由结构化和非结构化数据组成的
10%的结构化数据，存储在数据库中
90%的非结构化数据，它们与人类信息密切相关

3.处理速度快
从数据的生成到消耗，时间窗口非常小，可用于生成决策的时间非常少
1秒定律：这一点也是和传统的数据挖掘技术有着本质的不同

4.价值密度低
价值密度低，商业价值高
以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒，但是具有很高的商业价值

2.大数据影响
在思维方式方面，大数据完全颠覆了传统的思维方式：
全样而非抽样
效率而非精确
相关而非因果

3.大数据关键技术

4.大数据计算模式

三、Spark简介

Spark最初由美国加州大学伯克利分校（UC Berkeley）的AMP实验室于2009年开发，是基于内存计算的大数据并行计算框架，可用于构建大型的、低延迟的数据分析应用程序
2013年Spark加入Apache孵化器项目后发展迅猛，如今已成为Apache软件基金会最重要的三大分布式计算系统开源项目之一（Hadoop、Spark、Storm）

Spark在2014年打破了Hadoop保持的基准排序纪录
	Spark/206个节点/23分钟/100TB数据
	Hadoop/2000个节点/72分钟/100TB数据
	Spark用十分之一的计算资源，获得了比Hadoop快3倍的速度

1.Spark主要特点：

• 运行速度快：使用DAG执行引擎以支持循环数据流与内存计算

• 容易使用：支持使用Scala、Java、Python和R语言进行编程，可以通过Spark Shell进行交互式编程

• 通用性：Spark提供了完整而强大的技术栈，包括SQL查询、流式计算、机器学习和图算法组件

• 运行模式多样：可运行于独立的集群模式中，可运行于Hadoop中，也可运行于Amazon EC2等云环境中，并且可以访问HDFS、Cassandra、HBase、Hive等多种数据源

2.Spark如今已吸引了国内外各大公司的注意，如腾讯、淘宝、百度、亚马逊等公司均不同程度地使用了Spark来构建大数据分析应用，并应用到实际的生产环境中

2.Spark架构图

3.Spark生态

Hadoop与Spark的对比

Hadoop存在如下一些缺点：

• 表达能力有限

• 磁盘IO开销大

• 延迟高

• 任务之间的衔接涉及IO开销

• 在前一个任务执行完成之前，其他任务就无法开始，难以胜任复杂、多阶段的计算任务

Spark在借鉴Hadoop MapReduce优点的同时，很好地解决了MapReduce所面临的问题

相比于Hadoop MapReduce，Spark主要具有如下优点：

• Spark的计算模式也属于MapReduce，但不局限于Map和Reduce操作，还提供了多种数据集操作类型，编程模型比Hadoop MapReduce更灵活
  Spark提供了内存计算，可将中间结果放到内存中，对于迭代运算效率更高

• Spark基于DAG的任务调度执行机制，要优于Hadoop MapReduce的迭代执行机制