【PySpark】＜Big Data＞Spark概述

 目录

一、Spark概述：

二、​​​​Spark发展历史：

三、Spark VS Hadoop(MapReduce)：

四、Spark特点：

运行高速：

易于使用：

通用性强：

运行方式：

五、Spark框架模块：

六、Spark运行模式：

七、Spark架构角色：

Yarn角色：

Spark运行角色：

---

一、Spark概述：

Apache Spark™ - Unified Engine for large-scale data analyticshttps://spark.apache.org/

        Apache Spark是用于大规模数据（large-scala data）处理的统一（unified）分析引擎。

        简而言之，Spark 借鉴了 MapReduce 思想发展而来，保留了其分布式并行计算的优点并改进了其明显的缺陷。让中间数据存储在内存中提高了运行速度、并提供丰富的操作数据的API提高了开发速度。

• Spark是一款分布式内存计算的统一分析引擎
• Spark特点就是对任意类型的数据进行自定义计算
• Spark可以计算：结构化、半结构化、非结构化等各种类型的数据结构，同时也支持使用Python、Java、Scala、R以及SQL语言去开发应用程序计算数据。
• Spark的适用面非常广泛，所以，被称之为 统一的（适用面广）的分析引擎（数据处理）

---

二、​​​​Spark发展历史：

        Spark 是加州大学伯克利分校AMP实验室（Algorithms Machines and People Lab）开发的通用大数据处理框架。Spark的发展历史，经历过几大重要阶段，如下图所示：

---

三、Spark VS Hadoop(MapReduce)：

尽管Spark相对于Hadoop而言具有较大优势，但Spark并不能完全替代Hadoop

• 在计算层面，Spark相比较MR（MapReduce）有巨大的性能优势，但至今仍有许多计算工具基于MR构架，比如非常成熟的Hive
• Spark仅做计算，而Hadoop生态圈不仅有计算（MR）也有存储（HDFS）和资源管理调度（YARN），HDFS和YARN仍是许多大数据体系的核心架构。

面试题：Hadoop的基于进程的计算和Spark基于线程方式优缺点？

答案：

        Hadoop中的MR中每个map/reduce task都是一个java进程方式运行，好处在于进程之间是互相独立的，每个task独享进程资源，没有互相干扰，监控方便，但是问题在于task之间不方便共享数据，执行效率比较低。比如多个map task读取不同数据源文件需要将数据源加载到每个map task中，造成重复加载和浪费内存。而基于线程的方式计算是为了数据共享和提高执行效率，Spark采用了线程的最小的执行单位，但缺点是线程之间会有资源竞争。

• 线程是CPU的基本调度单位
• 一个进程一般包含多个线程, 一个进程下的多个线程共享进程的资源
• 不同进程之间的线程相互不可见
• 线程不能独立执行
• 一个线程可以创建和撤销另外一个线程

---

四、Spark特点：

运行高速：

        由于Apache Spark支持内存计算，并且通过DAG（有向无环图）执行引擎支持无环数据流，所以官方宣称其在内存中的运算速度要比Hadoop的MapReduce快100倍，在硬盘中要快10倍。

Spark处理数据与MapReduce处理数据相比，有如下两个不同点：

• Spark处理数据时，可以将中间处理结果数据存储到内存中；
• Spark 提供了非常丰富的算子(API), 可以做到复杂任务在一个Spark 程序中完成.

易于使用：

        Spark 的版本已经更新到 Spark 3.2.0（截止日期2021.10.13），支持了包括 Java、Scala、Python 、R和SQL语言在内的多种语言。为了兼容Spark2.x企业级应用场景，Spark仍然持续更新Spark2版本。

通用性强：

        在 Spark 的基础上，Spark 还提供了包括Spark SQL、Spark Streaming、MLib 及GraphX在内的多个工具库，我们可以在一个应用中无缝地使用这些工具库。

运行方式：

        Spark 支持多种运行方式，包括在 Hadoop 和 Mesos 上，也支持 Standalone的独立运行模式，同时也可以运行在云Kubernetes（Spark2.3开始支持）上。

对于数据源而言，Spark 支持从HDFS、HBase、Cassandra 及 Kafka 等多种途径获取数据。

---

五、Spark框架模块：

        整个Spark 框架模块包含：Spark Core、 Spark SQL、 Spark Streaming、 Spark GraphX、 Spark MLlib，而后四项的能力都是建立在核心引擎之上

        Spark Core：Spark的核心，Spark核心功能均由Spark Core模块提供，是Spark运行的基础。Spark Core以RDD为数据抽象，提供Python、Java、Scala、R语言的API，可以编程进行海量离线数据批处理计算。

        SparkSQL：基于SparkCore之上，提供结构化数据的处理模块。SparkSQL支持以SQL语言对数据进行处理，SparkSQL本身针对离线计算场景。同时基于SparkSQL，Spark提供了StructuredStreaming模块，可以以SparkSQL为基础，进行数据的流式计算。

        SparkStreaming：以SparkCore为基础，提供数据的流式计算功能。

        MLlib：以SparkCore为基础，进行机器学习计算，内置了大量的机器学习库和API算法等。方便用户以分布式计算的模式进行机器学习计算。

        GraphX：以SparkCore为基础，进行图计算，提供了大量的图计算API，方便用于以分布式计算模式进行图计算。

---

六、Spark运行模式：

---

七、Spark架构角色：

Yarn角色：

Spark运行角色：

---