1.1 什么是Spark?

Spark最初由美国加州伯克利大学的AMP实验室于2009年开发,是基于内存计算的大数据并行计算框架,可用于构建大型的、低延迟的数据分析应用程序。
2013年Spark加入Apache软件基金会最重要的三大分布式计算系统开源项目之一(hadoop、Spark、Storm)
Spark、206个节点、23分钟、100TB数据 2014年打破了Hadoop保持的基准排序记录
Hadoop、2000个节点、72分钟、100TB数据
Spark用十分之一的计算资源获得了比Hadoop快3倍的速度
Spark的特点
运行速度快:使用DAG执行引擎以支持循环数据流与内存计算
容易使用:支持使用Scala、Java、Python和R语言进行编程,可以通过Spark、shell进行交互式编程
通用性:Spark提供了完整而强大的技术栈,包括SQL查询、流式计算、机器学习和图算法组件
运行模式多样:可运行于独立集群模式中,可运行于Hadoop中,也可运行于Amazon EC2等云环境中,并且可以访问HDFS、Cassandra、HBase、Hive等多种数据源
Spark简介:
Scala是一门现代的多范式编程语言
函数式语言 面向对象编程
可以运行与java平台上
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
Scala语法简洁,能提供优雅的API
Scala兼容Java,运行速度快且能融合到Hadoop生态圈中
Scala的优势是提供了REPL交互式解释器,提高程序开发效率

Spark生态系统:
在实际应用中,大数据处理主要包括以下三个类型
复杂的批量数据处理
通常时间跨度在数十分钟到数小时之间

基于历史数据的交互式查询:
通常时间跨度在数十秒到数分钟之间到数秒之间

基于实时数据流的数据处理
通常时间跨度在数百毫秒到

当同时存在以上三种场景时,就需要同时部署三种不同的软件

复杂的批量数据处理(MapReduce)基于历史数据的交互式查询(Cloudera Impala)基于实时数据流的数据处理(Storm)

问题
不同场景之间输入输出数据无法做到无缝共享,通常需要进行数据格式的转换
不同软件需要不同的开发和维护团队,带来了较高的使用成本
比较难以对同一个集群中的各个系统进行统一的资源协调和分配

Spark设计
遵循“一个软件栈满足不同应用场景”的理念,逐渐形成了一套完整的生态系统
图片说明
Spark可以不是在资源管理器YARN之上,提供一站式的大数据解决方案
Spark所提供的生态系统足以应对上述三种场景 即同时支持批处理、交互式查询和流数据处理
Spark生态系统已经成为伯克利数据分析软件栈BDAS的重要组成部分
Spark Core提供内存计算
Spark SQL提供交互式查询分析
Spark Streaming提供流计算功能
MLLIb提供机器学习算法库的组件
GraphX提供图计算
图片说明
图片说明

官网:http://spark.apache.org
图片说明
Spark是一种快速、通用、可扩展的大数据分析引擎,2009年诞生于加州大学伯克利分校AMPLab,2010年开源,2013年6月成为Apache孵化项目,2014年2月成为Apache顶级项目,项目是用Scala进行编写的。
目前,Spark生态系统已经发展成为一个包含多个子项目的集合,其中包含SparkSQL、Spark Streaming、GraphX、MLib、SparkR等子项目,Spark是基于内存计算的大数据并行计算框架。除了扩展广泛使用的MapReduce计算模型,而且高效的支持更多计算模式,包括交互式查询和流处理。Spark适用于各种各样原先需要多种不同的分布式平台的场景,包括批处理、迭代算法、交互式查询、流处理 。通过在一个统一的框架下支持这些不同的计算,Spark使我们可以简单而低耗地把各种处理流程整合在一起。而这样的组合,在实际的数据分析过程中是很有意义的。不仅如此,Spark的这种特性还大大减轻了原先需要对各种平台分别管理的负担。
大一统的软件栈,各个组件关系密切并且可以相互调用,这种设计有几个好处:1、软件栈中所有的程序库和高级组件都可以从下层的改进中获益。2、运行整个软件站的单价变小了。不需要运行5到10套独立的软件系统了,一个机构只需要运行一套软件系统即可。系统的部署、维护、测试、支持等大大缩减。3、能够构建出无缝整合不同处理模型的应用。
Spark的内置项目如下:
图片说明
Spark Core:实现了Spark的基本功能,包含任务调度、内存管理、错误恢复、与存储系统交互等模块。SparkCore中还包括了对弹性分布式数据集的API定义
Spark SQL:是Spark用来操作结构化数据的程序包。通过SparkSQL,我们可以使用SQL或者Apache Hive版本的SQL方言(HQL)来查询数据。SparkSQL支持多种数据源,比如Hive表、Parquet以及JSON等。
Spark Streaming:是Spark提供的对实时数据进行流式计算的组件。提供了用来操作数据流的API,并且与Spark Core中的RDD API高度对应。
Spark 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,还提供了模型评估、数据导入等额外的支持功能。
集群管理器: Spark设计为可以高效的在一个计算节点到数千个计算节点之间伸缩计算。为了实现这样的要求,同时获得最大灵活性,Spark支持在各种集群管理上运行,包括HadoopYarn、Apache Mesos,以及Spark 自带的一个简易调度器,叫做独立调度器。
Spark得到了众多大数据公司的支持,这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯京东、携程、优酷土豆。当前百度的Spark已用于凤巢、大搜索、直达号、百度大数据等业务;阿里利用GraphX构建了大规模的图计算和图挖掘系统,实现了很多生产系统的推荐算法;腾讯Spark集群达到8000台的规模,是当前已知的世界上最大的Spark集群。

1.2 Spark特点


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内存中的
易用
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,可以非常方便的在这些shell中使用Spark集群来验证解决问题的方法。
图片说明
通用
Spark提供了统一的解决方案。Spark可以用于批处理、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。Spark统一的解决方案非常具有吸引力,毕竟任何公司都想用统一的平台去处理遇到的问题,减少开发和维护的人力成本和部署平台的物力成本
兼容性
Spark可以非常方便的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,并且可以处理所有的Hadoop支持的数据,包括HDFS、HBase和Cassandra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。Spark也可以不依赖于第三方的资源管理和调度器,它实现了Standalone作为其内置的资源管理和调度框架,这样进一步降低了Spark的使用门槛,使得所有人都可以非常容易的部署和使用Spark。此外,Spark还提供了在EC2上部署Standalone的Spark集群的工具。
图片说明

1.3 Spark的用户和用途

我们大致把Spark的用例分为两类:数据科学应用和数据处理应用。也就对应的有两种人群:数据科学家和工程师。
数据科学任务
主要是数据分析领域,数据科学家要负责分析数据并建模,具备SQL、统计、预测建模(机器学习)等方面的经验,以及一定的shiyongPython、Matlab或R语言进行编程的能力。
数据处理应用工程师定义为使用Spark开发生产环境中的数据处理应用的软件开发者,通过对接Spark的API实现对处理的处理和转换等任务。