了解Spark

Apache Spark是一个开源的集群计算框架，主要用来处理实时生成的数据。

Spark是建立在Hadoop的MapReduce顶部。它被优化到了内存中运行，而MapReduce等替代方法是将数据写入硬盘或从硬盘中写入数据，因此，Spark比其它替代方法运行速度更快。

Apache Spark的特点：

• 快速——Spark使用的是DAG（有向无环图）调度程序，为批处理和流数据提供高性能；
• 易于使用——它有助于使用Java、Scala、Python以及R和SQL编写应用程序，还提供了80多个运算符。
• 通用性——它提供了一系列的库，包含SQL、DataFrame以及用于机器学习的MLlib、GraphX和Spark Streaming。
• 轻量级——它是一个轻型统一分析执行引擎，用于大规模的数据处理；
• 无处不在——它可以轻松运行在Hadoop、Apach Mesos、Kubernetes或独立云端。

Spark的应用：

• 数据集成——系统生成的数据不够整合，无法进行结合分析，Spark可以减少提取、转换、加载（数据仓库ETL技术）等过程的成本和时间；
• 流处理——处理实时生成的数据总是很困难（如日志文件），Spark可以运行流数据并拒绝潜在的欺诈性操作；
• 机器学习——Spark可以将数据存贮在内存中并且可以快速运行重复的查询，因此可以轻松处理机器学习算法；
• 交互式分析——Spark可以快速生成相应，因此可以交互式处理数据，而非运行预定义的查询。

Spark架构：

• 　Spark遵循主从架构，它的集群有一个主服务器和多个从服务器组成；
• 　Spark架构依赖于两个抽象：弹性分布式数据集（RDD）；有向无环图（DAG）；

弹性分布式数据集（RDD）:可以存储在工作节点上内存的数据组项。

• 　弹性——失败时可以恢复数据；
• 分布式——数据分布在不同的节点之间；
• 数据集——数据组。
• DAG中每个节点Node都是RDD分区。

Spark架构图：

Driver Progarm：

• 驱动程序是一个运行应用程序，由main()函数启动并创建SparkContext对象的进程。SparkContext的目的是协调spark应用程序，作为集群上的独立进程运行。要在群集上运行，SparkContext将连接到不同类型的群集管理器，然后执行以下任务：
  • 在集群的节点上获取执行程序；
  • 将应用程序的代码发送给执行程序；
  • 将任务发送给执行程序并运行。

 Cluster Manager：

• 主要作用是跨应用程序分配资源；
• Spark能够在大量的集群上运行，它是由各种类型的集群管理器组成（例如：Hadoop Yarn、Apach Mesos、Standalone等）；

Work Node：

• 工作节点是Spark的从节点；
• 它的作用是在集群中运行应用程序代码。

Executor：

• 执行程序是为工作节点上应用程序启动的进程；
• 它运行任务并将数据保存在内存或磁盘中；
• 将数据读写到外部源；
• 每个应用程序都包含其执行者。

Task：

• 任务是被发送给一个执行程序的工作单位。

Spark 组件：

Spark 是一个计算引擎，可以组织、分发和监控多个应用程序，由不同的组件紧密集成。 

Spark Core：

• Spark的核心，用来执行核心功能；
• 包含任务调度，故障恢复，与存储系统和内存管理交互的组件。

Spark SQL：

• 它构建于Spark core之上，为结构化数据提供支持；
• 它允许通过SQL（结构化查询语言）以及Hive查询数据；
• 它支持JDBC和ODBC连接，用于连接建立Java对象与现有数据库、数据仓库、商业智能工具之间的连接；
• 支持各种数据源，如Hive表、Parquet和Json

Spark Streaming：

• 用来支持流数据的可伸缩和容错处理；
• 它可以使用Spark Core的快速调度功能来执行流分析；
• 接受小批量数据并对数据执行RDD转换；
• 它的设计确保流数据编写的应用程序可以重复使用，只需要很少的修改即可分析批量的历史数据；
• Web服务器生成的日志文件可以视为流数据的实时示例，

MLib：

• 它是一个机器学习库，包含各种机器学习算法；
• 包含相关性和假设检验，分类、回归、聚类和主成分分析；
• 它比Apach Mahout使用的基于磁盘的实现快9倍。

GraphX：

• 它是一个用于操作图形和执行图形并行计算的库；
• 有助于创建一个有向图，可以任意属性附加到每个顶点和边；
• 要操纵图形，它支持各种基本运算符，如子图、连接顶点和聚合消息。