Spark简介

• • • Spark简介
    • • spark发展
      • Spark生态
      • • Spark Core
        • Spark SQL
        • Spark Streaming
        • MLlib
        • GraphX
      • Spark优势
      • • 支持计算场景多
        • 容易上手，支持多种语言
        • 社区活跃度高
        • 支持多种文件系统的计算
        • 可融合性强
        • 相对于mapreduce的优势
        • • 速度快
          • 中间输出结果优势
          • 执行方式策略
          • 开发效率

Spark是基于内存计算的大数据并行计算框架。Spark于2009年诞生于加州大学伯克利分校AMPLab。目前，已经成为Apache软件基金
会旗下的顶级开源项目。Spark是相对于MapReduce上的批量计算、迭代型计算以及基于Hive的SQL查询的上百倍。

·2009年：在加州大学伯克利分校AMPLab诞生。
·2010年：开始开源。
·2013年6月：成为Apache孵化器项目。
·2014年2月：Apache顶级项目。
·2014年2月：大数据公司Cloudera宣称加大Spark框架的投入来取代MapReduce。
·2014年4月：大数据公司MapR投入Spark阵营，Apache Mahout放弃MapReduce，将使用Spark作为计算引擎。
·2014年5月：Pivotal Hadoop集成Spark全栈。
·2014年5月30日：Spark 1.0.0发布。
·2014年6月：Spark 2014峰会在旧金山召开。
·2014年7月：Hive on Spark项目启动。

包含任务调度、内存管理、错误恢复、与存储系统交互等模块，实现了Spark 的基本功能。还包含了对弹性分布式数据集（resilient distributed dataset，简称RDD）的API 定义。

Spark SQL 是Spark 用来操作结构化数据的程序包。Spark SQL 支持多种数据源：Hive 表、Parquet 以及JSON 等。Spark SQL 还支
持开发者将SQL 和传统的RDD 编程的数据操作方式相结合。

Spark Streaming 是Spark 提供的对实时数据进行流式计算的组件。Spark Streaming 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

MLlib是spark中一个提供常见的机器学习（ML）功能的程序库，MLlib 提供了很多种机器学习算法。

GraphX 是用来操作图（比如社交网络的朋友关系图）的程序库，可以进行并行的图计算。

Spark支持复杂的计算，除了‘map’和reduce简单算子之外还有其他多种复杂的算子，更是支持sql查询，机器学习，流计算，以及图计算。

可发人员可以通过java，scala，python语言环境下来开发，Spark支持这些语言的开发，同时可以在shall中进行交互计算，查看自己想要的结果。

因其优秀的性能，已经被各个大公司所广泛应用，Yahoo、Twitter、阿里巴巴、百度、网易、英特尔等公司的生产环境中均使用了Spark。

与hadoop框架高度结合，可以读取已有的任何Hadoop数据，可以运行在hadoop数据源上，比如Hive、Hbase、HDFS等等。还可以支持本地文本文件系统，以及内存中自定义的数据。Hadoop 并非Spark 的必要条件，Spark 支持任何实现了Hadoop 接口的存储系统。

spark可以非常方便的与其他大数据产品进行融合，可以使用hadoop的yarn或者apache mesos来进行任务调度。并且可以支持hadoop支持的所有的数据。

与Hadoop的MapReduce相比，spark基于内存上的速度要快100倍以上，基于磁盘上的速度也要快10倍以上。

MapReduce的计算引擎通常会将中间结果的数据存入到磁盘中，Hive sql翻译成的MapReduce任务时候会有多个stage，而这些相互依赖的关联的stage之间的数据会存在所依赖的底层存储系统HDFS上。Spark会将对应的任务模型抽象为通用的有向无环图（DAG），对应的中间输出结果会直接存在内存中，而不是HDFS上，以此来加快运算的速度。 Map中间结果写磁盘，Reduce写HDFS，多个MR之间通过HDFS交换数据; 任务调度和启动开销大;而Spark内存计算引擎，提供Cache机制来支持需要反复迭代计算或者多次数据共享，减少数据读取的IO开销

MapReduce在数据Shuffle之前花费了大量的时间来排序，这个排序在许多场景下是不必要的，Spark可以避免这个排序带来的额外的开销。MapReduce不适合迭代计算(如机器学习、图计算等)，交互式处理(数据挖掘) 和流式处理(点击日志分析)，而Spark使用多线程池模型来减少task启动开稍，shuffle过程中避免 不必要的sort操作以及减少磁盘IO操作。

MapReduce仅支持Map和Reduce两种操作而Spark有丰富的算子提供。而且MapReduce编程不够灵活，而Spark提供丰富的API，支持Java，Scala，Python和R四种语言且代码量比MapReduce少2~5倍。