-
什么是Spark？
- Spark官網：http://spark.apache.org
Spark是一種快速、通用、可擴展的大資料分析引擎，2009年誕生于加州大學伯克利分校AMPLab，2010年開源，2013年6月成為Apache范訓專案，2014年2月成為Apache頂級專案，目前，Spark生態系統已經發展成為一個包含多個子專案的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLlib等子專案，Spark是基于記憶體計算的大資料并行計算框架，Spark基于記憶體計算，提高了在大資料環境下資料處理的實時性，同時保證了高容錯性和高可伸縮性，允許用戶將Spark部署在大量廉價硬體之上，形成集群，
Spark得到了眾多大資料公司的支持，這些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、騰訊、京東、攜程、優酷土豆，當前百度的Spark已應用于鳳巢、大搜索、直達號、百度大資料等業務；阿里利用GraphX構建了大規模的圖計算和圖挖掘系統，實作了很多生產系統的推薦演算法；騰訊Spark集群達到8000臺的規模，是當前已知的世界上最大的Spark集群，
- 概念：Spark是統一的分布式大資料分析引擎
- 關鍵詞：
-
-
統一：Spark能夠適應多種計算場景 （離線計算、實時計算、機器學習、圖計算、AI應用），一般公司在進行技術選型程序，spark首選
-
大資料分析引擎：Spark能夠分析資料，但是沒有存盤，一般線上的spark資料來源 （HDFS, Hive、Kafka、Flume、日志檔案、關系型資料庫、NoSQL資料庫），Spark資料出口(HDFS、Hive、Kafka、Redise、關系型資料庫、NoSQL資料庫）
-
分布式：Spark一般情況是以集群模式存在，架構 ：Master/Slaver(主從結構)
-
應用場景
-
-
精準廣告推薦系統（Spark機器學習，一般在廣告或者電商公司應用）
-
金融風險管控系統 （對實時性要求比較，起碼毫秒級）
-
精細化運行系統 （CMS系統 、BI系統，重點：多維分析）
-
用戶畫像 （用戶資料畫像）
-
-
spark的好處
Spark是一個開源的類似于Hadoop MapReduce的通用的并行計算框架，Spark基于map reduce演算法實作的分布式計算，擁有Hadoop MapReduce所具有的優點；但不同于MapReduce的 是Spark中的Job中間輸出和結果可以保存在記憶體中，從而不再需要讀寫HDFS，因此Spark能更好地適用于資料挖掘與機器學習等需要迭代的map reduce的演算法，
Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生態系統，以彌補MapReduce的不足，
-
Spark特點
- 速度快
- 典型資料處理流程：Spark在使用程序中，會讀取HDFS上資料，并且會將HDFS中資料駐留在記憶體當中，將資料進行快取、在后續資料迭代操作程序能夠重用記憶體中的數，在邏輯回歸處理（演算法）中，Spark的速度要比Hadoop 理論上快100倍
- 與Hadoop的MapReduce相比，Spark基于記憶體的運算要快100倍以上，基于硬碟的運算也要快10倍以上，Spark實作了高效的DAG執行引擎，可以通過基于記憶體來高效處理資料流，
- Spark對程式員非常友好
- spark支持多種語言（Java、Scala、Python、R、SQL）
- Spark支持Java、Python和Scala的API，還支持超過80種高級演算法，使用戶可以快速構建不同的應用，而且Spark支持互動式的Python和Scala的shell，可以非常方便地在這些shell中使用Spark集群來驗證解決問題的方法，
- spark支持多種語言（Java、Scala、Python、R、SQL）
- Spark一站式解決方案
- 五大模塊
- SparkCore （處理離線資料）
- SparkSQL (主要用來做多維資料分析、以及互動式查詢)
- SparkStreaming （實時資料處理程式）
- Spark MLlib （機器學習 包含非常多演算法，相當于Spark提供的一個演算法）
- Spark Graphx （圖計算處理模塊）
- SparkCore （處理離線資料）
- 五大模塊
- 速度快
在開發Spark應用程式程序中，能夠同時使用以上所有模塊，以上模塊能夠無縫兼容
Spark提供了統一的解決方案，Spark可以用于批處理、互動式查詢（Spark SQL）、實時流處理（Spark Streaming）、機器學習（Spark MLlib）和圖計算（GraphX），這些不同類 型的處理都可以在同一個應用中無縫使用，Spark統一的 解決方案非常具有吸引力，畢竟任何公司都想用統一的平臺去處理遇到的問題，減少開發和維護的人力成本和部署平臺的物力成本，
- 兼容性
- Spark能夠兼容 （hadoop、hive、hbase、yarn、kafka、flume、redise、關系型資料等）
- Spark可以非常方便地與其他的開源產品進行融合，比如，Spark可以使用Hadoop的YARN和Apache Mesos作為它的資源管理和調度器，器，并且可以處理所有Hadoop支持的資料，包括HDFS、HBase和Cassandra等，這對于已經部署Hadoop集群的用戶特別重要，因為不需要做任何資料遷移就可以使用Spark的強大處理能力，Spark也可以不依賴于第三方的資源管理和調度器，它實作了Standalone作為其內置的資源管理和調度框架，這樣進一步降低了Spark的使用門檻，使得所有人都可以非常容易地部署和使用Spark，此外，Spark還提供了在EC2上部署Standalone的Spark集群的工具，
轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/26123.html
標籤：大數據
上一篇：一條Sql的Spark之旅