一、簡介

Spark 于 2009 年誕生于加州大學(xué)伯克利分校 AMPLab，2013 年被捐贈給 Apache 軟件基金會，2014 年 2 月成為 Apache 的頂級項(xiàng)目。相對于 MapReduce 的批處理計(jì)算，Spark 可以帶來上百倍的性能提升，因此它成為繼 MapReduce 之后，最為廣泛使用的分布式計(jì)算框架。

創(chuàng)新互聯(lián)建站-專業(yè)網(wǎng)站定制、快速模板網(wǎng)站建設(shè)、高性價(jià)比永城網(wǎng)站開發(fā)、企業(yè)建站全套包干低至880元,成熟完善的模板庫,直接使用。一站式永城網(wǎng)站制作公司更省心,省錢,快速模板網(wǎng)站建設(shè)找我們，業(yè)務(wù)覆蓋永城地區(qū)。費(fèi)用合理售后完善，十余年實(shí)體公司更值得信賴。

二、特點(diǎn)

Apache Spark 具有以下特點(diǎn)：

• 使用先進(jìn)的 DAG 調(diào)度程序，查詢優(yōu)化器和物理執(zhí)行引擎，以實(shí)現(xiàn)性能上的保證；
• 多語言支持，目前支持的有 Java，Scala，Python 和 R；
• 提供了 80 多個(gè)高級 API，可以輕松地構(gòu)建應(yīng)用程序；
• 支持批處理，流處理和復(fù)雜的業(yè)務(wù)分析；
• 豐富的類庫支持：包括 SQL，MLlib，GraphX 和 Spark Streaming 等庫，并且可以將它們無縫地進(jìn)行組合；
• 豐富的部署模式：支持本地模式和自帶的集群模式，也支持在 Hadoop，Mesos，Kubernetes 上運(yùn)行；
• 多數(shù)據(jù)源支持：支持訪問 HDFS，Alluxio，Cassandra，HBase，Hive 以及數(shù)百個(gè)其他數(shù)據(jù)源中的數(shù)據(jù)。

三、集群架構(gòu)

執(zhí)行過程：

1. 用戶程序創(chuàng)建 SparkContext 后，它會連接到集群資源管理器，集群資源管理器會為用戶程序分配計(jì)算資源，并啟動 Executor；
2. Dirver 將計(jì)算程序劃分為不同的執(zhí)行階段和多個(gè) Task，之后將 Task 發(fā)送給 Executor；
3. Executor 負(fù)責(zé)執(zhí)行 Task，并將執(zhí)行狀態(tài)匯報(bào)給 Driver，同時(shí)也會將當(dāng)前節(jié)點(diǎn)資源的使用情況匯報(bào)給集群資源管理器。

四、核心組件

Spark 基于 Spark Core 擴(kuò)展了四個(gè)核心組件，分別用于滿足不同領(lǐng)域的計(jì)算需求。

3.1 Spark SQL

Spark SQL 主要用于結(jié)構(gòu)化數(shù)據(jù)的處理。其具有以下特點(diǎn)：

• 能夠?qū)?SQL 查詢與 Spark 程序無縫混合，允許您使用 SQL 或 DataFrame API 對結(jié)構(gòu)化數(shù)據(jù)進(jìn)行查詢；
• 支持多種數(shù)據(jù)源，包括 Hive，Avro，Parquet，ORC，JSON 和 JDBC；
• 支持 HiveQL 語法以及用戶自定義函數(shù) (UDF)，允許你訪問現(xiàn)有的 Hive 倉庫；
• 支持標(biāo)準(zhǔn)的 JDBC 和 ODBC 連接；
• 支持優(yōu)化器，列式存儲和代碼生成等特性，以提高查詢效率。

3.2 Spark Streaming

Spark Streaming 主要用于快速構(gòu)建可擴(kuò)展，高吞吐量，高容錯(cuò)的流處理程序。支持從 HDFS，F(xiàn)lume，Kafka，Twitter 和 ZeroMQ 讀取數(shù)據(jù)，并進(jìn)行處理。

Spark Streaming 的本質(zhì)是微批處理，它將數(shù)據(jù)流進(jìn)行極小粒度的拆分，拆分為多個(gè)批處理，從而達(dá)到接近于流處理的效果。

3.3 MLlib

MLlib 是 Spark 的機(jī)器學(xué)習(xí)庫。其設(shè)計(jì)目標(biāo)是使得機(jī)器學(xué)習(xí)變得簡單且可擴(kuò)展。它提供了以下工具：

• 常見的機(jī)器學(xué)習(xí)算法：如分類，回歸，聚類和協(xié)同過濾；
• 特征化：特征提取，轉(zhuǎn)換，降維和選擇；
• 管道：用于構(gòu)建，評估和調(diào)整 ML 管道的工具；
• 持久性：保存和加載算法，模型，管道數(shù)據(jù)；
• 實(shí)用工具：線性代數(shù)，統(tǒng)計(jì)，數(shù)據(jù)處理等。

3.4 Graphx

GraphX 是 Spark 中用于圖形計(jì)算和圖形并行計(jì)算的新組件。在高層次上，GraphX 通過引入一個(gè)新的圖形抽象來擴(kuò)展 RDD(一種具有附加到每個(gè)頂點(diǎn)和邊緣的屬性的定向多重圖形)。為了支持圖計(jì)算，GraphX 提供了一組基本運(yùn)算符（如： subgraph，joinVertices 和 aggregateMessages）以及優(yōu)化后的 Pregel API。此外，GraphX 還包括越來越多的圖形算法和構(gòu)建器，以簡化圖形分析任務(wù)。

更多大數(shù)據(jù)系列文章可以參見 GitHub 開源項(xiàng)目： 大數(shù)據(jù)入門指南