Spark概述

• Spark是什么

  1. Apache Spark是一个快速的，多用途的集群计算系统，相对于Hadoop MapReduce将中间结果保存在磁盘中，Spark使用了内存保存中间结果，能在数据尚未写入硬盘时在内存中进行运算
  2. Spark只是一个计算框架，不像Hadoop一样包含了分布式文件系统和完备的调度系统，如果要使用Spark,需要搭载其它的文件系统和更成熟的调度系统

• Spark特点

  1. 速度快

     1. Spark的在内存时的运行速度是Hadoop MapReduce的100倍
     2. 基于硬盘的运算速度大概是Hadoop MapReduce的10倍
     3. Spark实现了一种叫做RDDs的DAG执行引擎，其数据缓存在内存中可以进行迭代处理

  2. 易用

     1. Spark支持Java,Scala,Python,R,SQL等多种语言的API

     2. Spark支持超过80个高级运算符使得用户非常轻易的构建并行计算程序

     3. Spark可以使用基于Scala,Python,R,SQL的Shell交互式查询.

        df = spark.read.json("logs.json")
        df.where("age > 21") \.select("name.first") \.show()
        

  3. 通用

     1. Spark提供一个完整的技术栈，包括SQL执行，Dataset命令式API,机器学习库MLlib,图计算框架GraphX,流计算SparkStreaming
     2. 用户可以在同一个应用中同时使用这些工具，这一点是划时代的

  4. 兼容

     1. Spark可以运行在Hadoop Yarn,Apache Mesos,.Kubernets,Spark Standalone等集群中
     2. Spark可以访问HBase,HDFS,Hive,Cassandra在内的多种数据库

  5. 总结

     1. 支持Java,Scala,Python和R的API
     2. 可扩展至超过8K个节点
     3. 能够在内存中缓存数据集，以实现交互式数据分析
     4. 提供命令行窗口，减少探索式的数据分析的反应时间

• Spark组成

  1. Spark-Core和弹性分布式数据集(RDDs)
     1. Spark-Core是整个Spark的基础，提供了分布式任务调度和基本的 I/O 功能
     2. Spark的基础的程序抽象是弹性分布式数据集(RDDs),是一个可以并行操作，有容错的数据集合
        1. RDDs 可以通过引用外部存储系统的数据集创建（如HDFS, HBase),或者通过现有的 RDDs 转换得到
        2. RDDs 抽象提供了Java, Scala, Python等语言的API
        3. RDDs 简化了编程复杂性，操作 RDDs 类似通过 Scala 或者 Java8 的 Streaming 操作本地数据集合
  2. Spark SQL
     1. Spark SQL 在 spark-core 基础之上带出了一个名为 DataSet 和 DataFrame 的数据抽象化的概念
     2. Spark SQL 提供了在 Dataset 和 DataFrame 之上执行 SQL 的能力
     3. Spark SQL 提供了 DSL, 可以通过 Scala,Java,Python 等语言操作 DataSet 和 DataFrame
     4. 它还支持使用 JDBC/ODBC 服务器操作 SQL 语言
  3. Spark Streaming
     1. Spark Streaming 充分利用 spark-core 的快速调度能力来运行流分析
     2. 它截取小批量的数据并可以对之运行 RDD Transformation
     3. 它提供了在同一个程序中同时使用流分析和批量分析的能力
  4. MLlib
     1. MLlib 是 Spark 上分布式机器学习的框架. Spark 分布式内存的架构 比 Hadoop 磁盘式的 Apache Mahout 快上10倍，扩展性也非常优良
     2. MLlib 可以使用许多常见的机器学习和统计算法，简化大规模机器学习
     3. 汇总统计，相关性，分层抽样，假设检定，随即数据生成
     4. 支持向量机，回归，线性回归，逻辑回归，决策树，朴素贝叶斯
     5. 协同过滤，ALS
     6. K-means
     7. SVD 奇异值分解，PCA 主成分分析
     8. TF-IDF , Word2Vec , StandardScaler
     9. SGD随机梯度下降，L-BFGS
  5. Graphx
     1. GraphX 是分布式图计算框架，提供了一组可以表达图计算的APL,GraphX还对这种抽象化提供了优化运行
  6. 总结

     1. Spark 提供了批处理 (RDDs), 结构化查询 (DataFrame),流计算 (SparkStreaming),机器学习 (MLlib), 图计算(GraphX)等组件

     2. 这些组件均是依托于通用的计算引擎 RDDs 而构建出的，所以 spark-core 的 RDDs 是整个 Spark 的基础

        

• Spark和Hadoop之间的关系

  	Hadoop	Spark
  类型	基础平台，包含计算，存储，调度	分布式计算工具
  场景	大规模数据集上的批处理	迭代计算，交互式计算，流计算
  延迟	大	小
  易用性	API较为底层，算法适应性差	API较为顶层，方便使用
  价格	对机器要求低，便宜	对内存有要求，相对较贵