什么是spark？

Posted 2021-03-07 warmsky

 

• 什么是Spark？ 

• Spark官网：http://spark.apache.org

Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，2010年开源，2013年6月成为Apache孵化项目，2014年2月成为Apache顶级项目。目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLlib等子项目，Spark是基于内存计算的大数据并行计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。

Spark得到了众多大数据公司的支持，这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于凤巢、大搜索、直达号、百度大数据等业务；阿里利用GraphX构建了大规模的图计算和图挖掘系统，实现了很多生产系统的推荐算法；腾讯Spark集群达到8000台的规模，是当前已知的世界上最大的Spark集群。

• 概念：Spark是统一的分布式大数据分析引擎
• 关键词：　

• • 统一：Spark能够适应多种计算场景 （离线计算、实时计算、机器学习、图计算、AI应用）。一般公司在进行技术选型过程，spark首选

  • 大数据分析引擎：Spark能够分析数据，但是没有存储。一般线上的spark数据来源 （HDFS, Hive、Kafka、Flume、日志文件、关系型数据库、NoSQL数据库）。Spark数据出口(HDFS、Hive、Kafka、Redise、关系型数据库、NoSQL数据库）

  • 分布式：Spark一般情况是以集群模式存在。架构 ：Master/Slaver(主从结构)

 　　　　应用场景

• • 精准广告推荐系统（Spark机器学习，一般在广告或者电商公司应用）

  • 金融风险管控系统 （对实时性要求比较，起码毫秒级）

  • 精细化运行系统 （CMS系统 、BI系统，重点：多维分析）

  • 用户画像 （用户数据画像）

• spark的好处

Spark是一个开源的类似于Hadoop MapReduce的通用的并行计算框架，Spark基于map reduce算法实现的分布式计算，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的 是Spark中的Job中间输出和结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。

Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生态系统，以弥补MapReduce的不足。

• Spark特点

  • 速度快
    • 典型数据处理流程：Spark在使用过程中，会读取HDFS上数据，并且会将HDFS中数据驻留在内存当中，将数据进行缓存、在后续数据迭代操作过程能够重用内存中的数。在逻辑回归处理（算法）中，Spark的速度要比Hadoop 理论上快100倍
    • 与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。
    • 
  • Spark对程序员非常友好
    • spark支持多种语言（Java、Scala、Python、R、SQL）
      
    • Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。
  • Spark一站式解决方案
    • 五大模块
      • SparkCore （处理离线数据）
        
      • SparkSQL (主要用来做多维数据分析、以及交互式查询)
      • SparkStreaming （实时数据处理程序）
      • Spark MLlib （机器学习 包含非常多算法，相当于Spark提供的一个算法）
      • Spark Graphx （图计算处理模块）

　　　　　　  在开发Spark应用程序过程中，能够同时使用以上所有模块。以上模块能够无缝兼容

Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类 型的处理都可以在同一个应用中无缝使用。Spark统一的 解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。

• 　兼容性
  • Spark能够兼容 （hadoop、hive、hbase、yarn、kafka、flume、redise、关系型数据等）
  • Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。