Spark基本原理

仅作《Spark快速大数据分析》学习笔记

定义：Spark是一个用来实现 快速 而 通用 的集群计算平台；（通用的大数据处理引擎；）

改进了原Hadoop MapReduce处理模型，体现在三方面：

　　a. 速度；（内存计算）

　　b. 不仅支持批处理，还支持交互式查询(速度快的成果)、流式计算、机器学习、图计算等；（迭代算法）

　　c. 丰富的API和易用性；

Spark组件主要组成：

　　

Spark Core：实现了Spark的核心功能，包含任务调度、内存管理、与存储系统交互、错误恢复等；定义了RDD API；

　　RDD：（resilient distributed dataset）弹性分布式数据集，表示分布在多个计算节点上可以平行操作的元素集合；

　　　　　  通过创建RDD来操作完成 统计计算，这些计算会自动地 在集群上并行进行。

　　　　　  Spark主要的编程抽象；

　　　　　　　

　　　　

Spark SQL：Spark操作结构化数据的程序包；

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

MLlib： 提供常见的机器学习(ML)功能的程序库 ；

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 shell：和其他 shell 工具不一样的是，在其他 shell 工具中你只能使用单机的硬盘和内存来操作数据；

　　　　　　 可用来与分布式存储在许多机器的内存或者硬盘上的数据进行交互，并且处理过程的分发由 Spark 自动控制完成；

动作原理：

　　driver program

　　executor

　　每个 Spark 应用都由一个 驱动器程序(driver program) 来管理。

　　　　a. 驱动器程序包含应用的 main函数；

　　　　b. 并且定义了集群上的 分布式数据集；

　　　　c. 还对这些 分布式数据集应用了相关操作。

　　　　Shell环境下 驱动器程序就是 Spark shell 本身，可利用它输入想要运行的操作。

　　驱动器程序通过一个 SparkContext对象 来访问Spark，这个对象代表对计算集群的一个连接；slell启动时会自动创建一个SparkContext对象，变量名为sc；　　　

//查看变量 sc
     >>> sc
     <pyspark.context.SparkContext object at 0x1025b8f90>    

　　

　　一旦有了SparkContext对象，就可以利用它创建RDD，如sc.textFile("/filename")，然后即可进行各种操作；

　　通常操作RDD的相关操作，驱动器程序一般要管理多个执行器(executor)节点；如count()操作，多个节点会统计文件不同的部分；