当前位置:   article > 正文

Spark大数据开发技术简介_基于spark的汽车销量预测算法

基于spark的汽车销量预测算法

Spark大数据开发技术简介

  • 轻量级的内存集群计算平台

历史沿革

  • Apache Spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架
  • 最初在2009年由加州大学伯克利分校的AMPLab开发,并于2010年成为Apache的开源项目之一,与Hadoop和Storm等其他大数据和MapReduce技术相比,Spark有如下优势:
    • Spark提供了一个全面、统一的框架用于管理各种有着不同性质(文本数据、图表数据等)的数据集和数据源(批量数据或实时的流数据)的大数据处理的需求
    • 官方资料介绍Spark可以将Hadoop集群中的应用在内存中的运行速度提升100倍,甚至能够将应用在磁盘上的运行速度提升10倍

Spark的优点

传统MapReduce的不足

  • 在整个过程中,中间结果会借助磁盘传递,因此大量的Map-Reduced作业都受限于IO。
    在这里插入图片描述

对比

SparkHadoopStorm
处理模型Batch + StreamBatchStream
实时性较快
容错性一般较好
实现语言ScalaJavaJava + Clojure
存储介质内存 + 磁盘磁盘内存
生态环境较好较差
适用场景机器学习离线数据分析实时消息流

Apache Spark堆栈中的不同组件

基本原理

  • Spark Core
    包含Spark的基本功能;尤其是定义RDD的API、操作以及这两者上的动作。其他Spark的库都是构建在RDD和Spark Core之上的

  • Spark SQL
    提供通过Apache Hive的SQL变体Hive查询语言(HiveQL)与Spark进行交互的API。每个数据库表被当做一个RDD,Spark SQL查询被转换为Spark操作。

  • Spark Streaming
    对实时数据流进行处理和控制。Spark Streaming允许程序能够像普通RDD一样处理实时数据

  • Mllib
    一个常用机器学习算法库,算法被实现为对RDD的Spark操作。这个库包含可扩展的学习算法,比如分类、回归等需要对大量数据集进行迭代的操作。

  • GraphX
    控制图、并行图操作和计算的一组算法和工具的集合。GraphX扩展了RDD API,包含控制图、创建子图、访问路径上所有顶点的操作

架构组成

  • Cluster Manager
    在standalone模式中即为Master主节点,控制整个集群,监控worker。在YARN模式中为资源管理器

  • Worker节点
    从节点,负责控制计算节点,启动Executor或者Driver。

部署和体系结构

Spark运行模式

  • 本地模式(Local Mode)
    该模式被称为Local[N]模式,是用单机的多个线程来模拟Spark分布式计算,直接运行在本地,便于调试,通常用来验证开发出来的应用程序逻辑上有没有问题。
    例子:(在spark安装目录的examples\jars下运行)
spark-submit --class org.apache.spark.examples.SparkPi --master local spark-examples*.jar 10
  • 1
  • 独立集群运行模式(Standalone)
    Standalone模式使用Spark自带的资源调度框架
    采用Master/Slaves的典型架构,选用ZooKeeper来实现Master的HA

当使用spark-submit工具提交Job或者在Eclipse、IDEA等开发平台上使用: new SparkConf
.setManager (“spark://master:7077”) 方式运行Spark任务时,Driver是运行在本地Client端上的

框架结构如下:

  • Spark on Yarn
    在这里插入图片描述

页面

在这里插入图片描述

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/黑客灵魂/article/detail/864519
推荐阅读
相关标签
  

闽ICP备14008679号