大数据处理与分析-spark_spark官网

1. 1.spark是什么

spark官网地址：https://spark.apache.org/

Spark 是当今大数据领域最活跃、最热门、最高效的大数据通用计算平台之一。

1. 2.Spark的特点

运行速度快：

与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。计算的中间结果是存在于内存中

易用性好：

Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的Shell，可以非常方便地在这些Shell中使用Spark集群来验证解决问题的方法

通用性强：

Spark提供了统一的解决方案。Spark可以用于，交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。减少了开发和维护的人力成本和部署平台的物力成本

高兼容性：

Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力

1. 3.Spark和mapreduce对比

1>spark处理数据是基于内存的，而MapReduce是基于磁盘处理数据的

2>Spark在处理数据时构建了DAG有向无环图，减少了shuffle和数据落地磁盘的次数

3>Spark是粗粒度资源申请，而MapReduce是细粒度资源申请

4>lspark只能计算，mapreduce既能计算也能存储

1. 4.Spark的运行及架构

1.基本概念

① RDD：是弹性分布式数据集的英文缩写，是分布式内存的一个抽象概念，提供了一种高度受限的共享内存模型。

② DAG：是有向无环图的英文缩写，反映RDD之间的依赖关系。

③ Executor：是运行在工作节点上的一个进程，负责运行任务，并为应用程序存储数据。

④ 应用：用户编写的Spark应用程序。

⑤ 任务：运行在Executor上的工作单元。

⑥ 作业：一个作业包含多个RDD及作用于相应RDD上的各种操作。

⑦ 阶段：是作业的基本调度单位，一个作业会分为多组任务，每组任务被称为“阶段”，或者也被称为“任务集”

2.spark运行架构

1. 5.什么是宽依赖、窄依赖

窄依赖指的是子RDD的一个分区只依赖于某个父RDD中的一个分区

宽依赖指的是子RDD的每一个分区都依赖于某个父RDD中一个以上的分区

                                      窄依赖                                                ·                · 宽依赖

1. 6.什么是RDD

<1>RDD的概念

a.一个RDD就是一个分布式对象集合，本质上是一个只读的分区记录集合，不同节点上进行并行计算

b.RDD提供了一种高度受限的共享内存模型，RDD是只读的记录分区集合，不能直接修改，只能通过在转换的过程中改

<2>RDD特性

a.高效的容错性

现有容错机制：数据复制或者记录日志RDD具有天生的容错性：血缘关系，重新计算丢失分区，无需回滚系统，重算过程在不同节点之间并行，只记录粗粒度的操作

b.中间结果持久化到内存，数据在内存中的多个RDD操作直接按进行传递，避免了不必要的读写磁盘开销

c.存放的数据可以是JAVA对象，避免了不必要的对象序列化和反序列化

1. 7.RDD运行过程

创建RDD对象；

SparkContext负责计算RDD之间的依赖关系，构建DAG；

DAGScheduler负责把DAG图分解成多个Stage，每个Stage中包含了多个Task，每个Task会被TaskScheduler分发给各个WorkerNode上的Executor去执行。

1. 8.什么是Scala

Scala是一门现代的多范式编程语言 ，运行于IAVA平台（JVM,JAVA虚拟机）并兼容现有的JAVA程序

Scala的特点

a. Scala具备强大的并发性，支持函数式编程，可以更好地支持分布式系统。
b. Scala语法简洁，能提供优雅的API。
c. Scala兼容Java，运行速度快，且能融合到Hadoop生态圈中。