公开课丨Spark大数据分析从入门到精通

作者 CDA数据分析师

在开始这次公开课的内容介绍之前，我想带你了解一些大数据的概念和知识。

一、为什么大数据时代下Spark如此火热？

伴随Spark技术的普及推广，对专业人才的需求日益增加。Spark专业人才在未来也是炙手可热，轻而易举可以拿到百万的薪酬。最近，一份由O`Reilly做出的数据调查表明，数据技术人才学会使用Apache Spark和它与影随行的编程语言Scala，比博士学位更多地提高工资收入。

在2017年的数据技术界年收入调查中，O`Reilly发现，使用Apache Spark和Scala语言的人和工资更高的人之间有很强的关联性。一个调查结论发现，使用Spark的人的工资比工资中间值要多11000美元，而Scala语言又能为工资带来4000美元的增加值。

“Spark是最大的收入影响因素，这一点不足为奇。”O`Reilly在它的报道中说：“如果我们暂且不追究因果关系的严谨性，那么完全可以说，学会Spark显然比拿到博士学位对于工资的影响更大。Scala更是一个额外的奖励——那些两者都使用的人比其他条件相同的同行，工资要高出超过15000美元。

二、Spark是什么？

Spark是一个用来实现快速而通用的集群计算的平台。

在速度方面，Spark扩展了广泛使用的MapReduce计算模型，而且高效地支持更多计算模式，包括交互式查询和流处理。在处理大规模数据集时，速度是非常重要的。速度快就意味着我们可以进行交互式的数据操作，否则我们每次操作就需要等待数分钟甚至数小时。Spark的一个主要特点就是能够在内存中进行计算，因而更快。不过即使是必须在磁盘上进行的复杂计算，Spark依然比MapReduce更加高效。

三、Spark的核心组件有哪些？

Spark项目包含多个紧密集成的组件。Spark的核心是一个对由很多计算任务组成的、运行在多个工作机器或者是一个计算集群上的应用进行调度、分发以及监控的计算引擎。由于Spark的核心引擎有着速度快和通用的特点，因此Spark还支持为各种不同应用场景专门设计的高级组件，比如SQL和机器学习等。这些组件关系密切并且可以相互调用，这样你就可以像在平常软件项目中使用程序库那样，组合使用这些的组件。

Spark的各个组件如图所示，后面附各个组件功能的简单介绍。