Spark（1）——spark基本原理与启动

spark在离线计算方面可以类比于mapreduce，它完美的运用内存来进行计算，效率比mapreduce要高得多。
在spark这个大框架下，spark-core和sparksql都是处理离线数据的，但是明显要比mapreduce要快得多。而sparkstreaming是一个准实时（不是立刻处理，而是有一个batch，间隔一段时间后再获取数据）的对数据流处理框架，仅仅比storm和flink这样来一条就立刻处理一条的框架慢一些。
RDD（弹性分布式数据集）
spark中操作的数据最终都会转成对RDD的操作，RDD会在多个节点上进行保存，RDD也像HDFS那样，会切分成几个partition，就像hdfs里的数据被切分成block那样。
ps：RDD是不可变的，如果要对RDD进行修改，RDD会保存出一个新的RDD，而不会在原来的RDD上直接进行修改，这样在新的RDD丢失时，可以回退到上一个RDD重新进行数据处理。
在启动之前，一定要开启hdfs服务和yarn服务，启动Spark，先加入到环境变量中，随后输入pyspark即可启动：