Spark计算引擎介绍_spark 技术引擎

1. Spark是什么

Apache Spark是专为大规模数据处理而设计的快速通用的计算引擎。

Spark是加州大学伯克利分校的AMP实验室（Algorithms, Machines and People Lab）开源的类Hadoop MapReduce的通用并行框架，拥有Hadoop MapReduce所具有的优点，但不同于MapReduce的是Job（工作）中间输出的结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

Spark是一种与Hadoop相似的开源集群计算环境，但是两者之间存在一些不同之处，这些不同之处使Spark在某些工作负载方面表现得更加优越，换句话说，Spark启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。

Spark是在Scala语言中实现的，它将Scala用作应用程序框架。与Hadoop不同，Spark和Scala能够紧密集成，其中的Scala可以像操作本地集合对象一样轻松地操作分布式数据集。

尽管创建Spark是为了支持分布式数据集上的迭代作业，但是实际上它是对Hadoop的补充，可以在Hadoop文件系统中并行运行。通过名为Mesos的第三方集群框架可以支持此行为。Spark可以用来构建大型的、低延迟的数据分析应用程序。

2. Spark生态体系

Spark属于BDAS（伯利克分析栈）生态体系。

• MapReduce属于Hadoop生态体系之一，Spark则属于BDAS生态体系之一。
• Hadoop包含了MapReduce、HDFS、HBase、Hive、ZooKeeper、Pig、Sqoop等。
• BDAS包含了Spark GraphX、Spark SQL（相当于Hive）、Spark MLlib、Spark Streaming（消息实时处理框架，类似Storm）、BlinkDB等。

Spark的生态体系示意图如下。

3.Spark运行模式

Spark有5种运行模式，其中Local是单机模式，其他4种都是集群模式：

• Local：Spark运行在本地模式上，用于测试、开发。本地模式就是以一个独立的进程，通过其内部的多个线程来模拟整个Spark运行时环境。
• Standlone：Spark运行在独立集群模式上。Spark中的各个角色以独立进程的形式存在，并组成Spark集群环境。
• Hadoop YARN：Spark运行在YARN上。Spark中的各个角色运行在YARN的容器内部，并组成Spark集群环境。
• Apache Mesos：Spark中的各个角色运行在Apache Mesos上，并组成Spark集群环境。
• Kubernetes：Spark中的各个角色运行在Kubernetes的容器内部，并组成Spark集群环境。