Spark学习之路（一）—

一、简介

Spark于2009年诞生于加州大学伯克利分校AMPLab，2013年被捐赠给Apache软件基金会，2014年2月成为Apache的顶级项目。相对于MapReduce的批处理计算，Spark可以带来上百倍的性能提升，因此它成为继MapReduce之后，最为广泛使用的分布式计算框架。

二、特点

Apache Spark具有以下特点：

使用先进的DAG调度程序，查询优化器和物理执行引擎，以实现性能上的保证；
多语言支持，目前支持的有Java，Scala，Python和R；
提供了80多个高级API，可以轻松地构建应用程序；
支持批处理，流处理和复杂的业务分析；
丰富的类库支持：包括SQL，MLlib，GraphX和Spark Streaming等库，并且可以将它们无缝地进行组合；
丰富的部署模式：支持本地模式和自带的集群模式，也支持在Hadoop，Mesos，Kubernetes上运行；
多数据源支持：支持访问HDFS，Alluxio，Cassandra，HBase，Hive以及数百个其他数据源中的数据。

三、集群架构

Term（术语）	Meaning（含义）
Application	Spark应用程序，由集群上的一个Driver节点和多个Executor节点组成。
Driver program	主运用程序，该进程运行应用的 main() 方法并且创建 SparkContext
Cluster manager	集群资源管理器（例如，Standlone Manager，Mesos，YARN）
Worker node	执行计算任务的工作节点
Executor	位于工作节点上的应用进程，负责执行计算任务并且将输出数据保存到内存或者磁盘中
Task	被发送到Executor中的工作单元

执行过程：

用户程序创建SparkContext后，它会连接到集群资源管理器，集群资源管理器会为用户程序分配计算资源，并启动Executor；
Dirver将计算程序划分为不同的执行阶段和多个Task，之后将Task发送给Executor；
Executor负责执行Task，并将执行状态汇报给Driver，同时也会将当前节点资源的使用情况汇报给集群资源管理器。

四、核心组件

Spark基于Spark Core扩展了四个核心组件，分别用于满足不同领域的计算需求。

3.1 Spark SQL

Spark SQL主要用于结构化数据的处理。其具有以下特点：

能够将SQL查询与Spark程序无缝混合，允许您使用SQL或DataFrame API对结构化数据进行查询；
支持多种数据源，包括Hive，Avro，Parquet，ORC，JSON和JDBC；
支持HiveQL语法以及用户自定义函数(UDF)，允许你访问现有的Hive仓库；
支持标准的JDBC和ODBC连接；
支持优化器，列式存储和代码生成等特性，以提高查询效率。

3.2 Spark Streaming

Spark Streaming主要用于快速构建可扩展，高吞吐量，高容错的流处理程序。支持从HDFS，Flume，Kafka，Twitter和ZeroMQ读取数据，并进行处理。

Spark Streaming的本质是微批处理，它将数据流进行极小粒度的拆分，拆分为多个批处理，从而达到接近于流处理的效果。

3.3 MLlib

MLlib是Spark的机器学习库。其设计目标是使得机器学习变得简单且可扩展。它提供了以下工具：

常见的机器学习算法：如分类，回归，聚类和协同过滤；
特征化：特征提取，转换，降维和选择；
管道：用于构建，评估和调整ML管道的工具；
持久性：保存和加载算法，模型，管道数据；
实用工具：线性代数，统计，数据处理等。

3.4 Graphx

GraphX是Spark中用于图形计算和图形并行计算的新组件。在高层次上，GraphX通过引入一个新的图形抽象来扩展 RDD(一种具有附加到每个顶点和边缘的属性的定向多重图形)。为了支持图计算，GraphX提供了一组基本运算符（如： subgraph，joinVertices 和 aggregateMessages）以及优化后的Pregel API。此外，GraphX还包括越来越多的图形算法和构建器，以简化图形分析任务。

更多大数据系列文章可以参见个人 GitHub 开源项目：程序员大数据入门指南