目录
- Spark介绍
- Spark生态组件介绍
- Spark特点
- Spark适合场景
- Spark与hadoop
一、Spark介绍
Apache Spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架，最初在2009年由加州大学伯克利分校的AMPLab开发，并于2010年成为Apache的开源项目之一，与Hadoop和Storm等其他大数据和MapReduce技术相比，Spark有如下优势：
- Spark提供了一个全面、统一的框架用于管理各种有着不同性质（文本数据、图表数据等）的数据集和数据源（批量数据或实时的流数据）的大数据处理的需求
- 官方资料介绍Spark可以将Hadoop集群中的应用在内存中的运行速度提升100倍，甚至能够将应用在磁盘上的运行速度提升10倍
二、Spark生态组件介绍
参考：https://www.cnblogs.com/broadview/p/6247979.html
- Spark Core：提供了多种资源调度管理，通过内存计算、有向无环图(DAG)等机制保证分布式计算的快速，并引入了RDD的抽象保证数据的高容错性。尤其是定义RDD的API、操作以及这两者上的动作。其他Spark的库都是构建在RDD和Spark Core之上的
- Spark SQL：提供通过Apache Hive的SQL变体Hive查询语言（HiveQL）与Spark进行交互的API。每个数据库表被当做一个RDD，Spark SQL查询被转换为Spark操作。引入了新的SchemaRDD，同时内嵌了Catalyst查询优化框架
- BlinkDB: 是一个用于在海量数据上运行交互式SQL查询的大规模并行查询引擎，用户使用时要在查询精度和查询时间上做权衡；
- Spark Streaming：通过将流数据离散化处理对数据流进行实时处理和控制。Spark Streaming允许程序能够像普通RDD一样处理实时数据
- MLBase是Spark生态系统中专注于机器学习的组件，分为4个部署：MLRuntime, MLlib, MLI和ML Optimizer。MLlib：一个常用机器学习算法库，算法被实现为对RDD的Spark操作。这个库包含可扩展的学习算法，比如分类、回归等需要对大量数据集进行迭代的操作。
- GraphX：控制图、并行图操作和计算的一组算法和工具的集合。GraphX扩展了RDD API，包含控制图、创建子图、访问路径上所有顶点的操作
三、Spark特点
运行速度快：基于内存计算，引入DAG引擎，同时进行了数据本地性、调度优化和传输优化等原因
通用性强：批处理、流处理与交互式分析的一体化，适用场景广泛(大数据分析统计，实时数据处理，图计算及机器学习)
易用性好：编写简单，支持80种以上的高级算子，支持多种语言，数据源丰富，可部署在多种集群中
容错性高，快速故障恢复机制：Spark引进了弹性分布式数据集RDD (Resilient Distributed Dataset) 的抽象，它是分布在一组节点中的只读对象集合，这些集合是弹性的，如果数据集一部分丢失，则可以根据“血统”（即充许基于数据衍生过程）对它们进行重建。另外在RDD计算时可以通过CheckPoint来实现容错，而CheckPoint有两种方式：CheckPoint Data，和Logging The Updates，用户可以控制采用哪种方式来实现容错。
随处运行：运行各种持久层原生数据读写，能以local及多种cluster模式运行
四、Spark适合场景
复杂的批量处理（Batch Data Processing），偏重点在于处理海量数据的能力，至于处理速度可忍受，通常的时间可能是在数十分钟到数小时；
基于历史数据的交互式查询（Interactive Query），通常的时间在数十秒到数十分钟之间
基于实时数据流的数据处理（Streaming Data Processing），通常在数百毫秒到数秒之间
五、Spark与Hadoop
