Spark基本介绍

目录

Spark是什么

一、Spark与MapReduce对比区别

二、Spark的发展

三、Spark的特点

四、Spark框架模块

---

---

Spark是什么

        Apache Spark是用于大规模数据（large-scala data）处理的统一（unified）分析引擎，是一个分布式计算框架。

---

一、Spark与MapReduce对比区别

• Spark中新的数据结构RDD（弹性分布式数据集），使得大数据分析能够基于内存计算，会将中间结过存放在内存，方便后续计算的使用。MapReduce会将中间结果存储在磁盘上。

  • 内存数据的读写速度要比磁盘快的多，所以Spark的计算速度要比MapReduce快

  • Spark对海量数据在内存上的计算做了优化，内存不足时会将结果存在磁盘上，适合海量数据处理，并且可以进行库表创建

• Spark的计算任务是由线程完成的。MapReduce的计算任务是由进程完成的。线程切换计算任务的速度比进程切换计算任务速度快

• 

二、Spark的发展

三、Spark的特点

• 高效性

  • 计算速度快

    • 提供了一个全新的数据结构RDD（弹性分布式数据集）。整个计算操作，基于内存计算。当内存不足的时候，可以放置到磁盘上。整个流程是基于DAG(有向无环图)执行方案。

    • 线程完成计算任务执行

• 易用性

  • 支持多种语言开发 （Python，SQL，Java，Scala，R），降低了学习难度

• 通用性

  • 在 Spark 的基础上，Spark 还提供了包括Spark SQL、Spark Streaming、MLlib 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。

• 兼容性（任何地方运行）

  • 支持三方工具接入

    • 存储工具

      • hdfs

      • kafka

      • hbase

    • 资源调度

      • yarn

      • Kubernetes（K8s）

      • standalone（spark自带的）

    • 高可用

      • zookeeper

  • 支持多种操作系统

    • Linux

    • windows

    • Mac

四、Spark框架模块

        1,Spark Core API：实现了 Spark 的基本功能。包含RDD、任务调度、内存管理、错误恢复、与存储系统交互等模块。数据结构RDD。

        2,Spark SQL：我们可以使用 SQL处理结构化数据。数据结构：Dataset/DataFrame = RDD + Schema

        3,Structured Streaming：基于Spark SQL进行流式/实时的处理组件，主要处理结构化数据。

        4,Streaming（Spark Streaming）：提供的对实时数据进行流式计算的组件，底层依然是离线计算，只不过时间粒度很小，攒批。

        5,MLlib：提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等。

        6,GraphX：Spark中用于图计算的API，性能良好，拥有丰富的功能和运算符，能在海量数据上自如地运行复杂的图算法。

五、Spark集群模式架构

• Spark的集群主要角色有：【Master主节点和Worker从节点】

• 主节点Master作用：

  • 【管理从节点，管理集群资源】

  • 【接收Spark的请求】

  • 【分配Driver到某一个Worker从节点上启动】

• 从节点Worker作用：

  • 【接收Driver分配的任务，执行具体任务】

  • 【向Master汇报心跳，任务的运行状态信息等】

  • 【启动Driver程序】