Spark快速大数据分析
一、Spark数据分析导论
1.Spark是一个用来实现快速而通用的集群计算的平台，扩展了MapReduce计算模型，支持更多计算模式，包括交互式查询和流处理
2.包括Spark Core、Spark SQL、Spark Streaming（内存流式计算）、MLlib（机器学习）、GraphX（图计算）
3.适用于数据科学应用和数据处理应用
二、Spark下载与入门
1.Spark应用都由一个驱动器程序（driver program）来发起集群上的各种并行操作，驱动程序通过一个SparkContext对象来访问Spark，这个对象代表对计算集群的一个连接
三、RDD编程
1.RDD（Resilient Distributed Dataset，弹性分布式数据集），就是分布式的元素集合，在Spark中，对数据的所有操作就是创建RDD、转化RDD以及调用RDD操作进行求值
2.工作方式：
- 从外部数据创建出输入RDD
- 使用诸如filter()这样的转化操作对RDD进行转化，以定义新的RDD
- 告诉Spark对需要被征用的中间结果RDD执行persist()操作
- 使用行动操作（例如count()和first()等）来触发一次并行计算，Spark会对计算进行优化后再执行
3.RDD的转化操作都是惰性求值 的，在调用行动操作之前Spark不会开始计算
4.常用转化操作：map()和filter()
四、键值对操作
1.pair RDD（键值对RDD），Spark提供了一些专有操作
2.Spark程序可以通过控制RDD分区方式来减少通信开销，只有当数据集多次在诸如连接这种基于键的操作中使用时，分区才会有帮助
3.在Java中使用partitioner()方法获取RDD的分区方式
4.Spark的许多操作都引入了将数据根据键跨节点进行混洗的过程，这些操作都在分区中获益
五、数据读取与保存
1.将一个文本文件读取为RDD时，输入的每一行都会成为RDD的一个元素，也可以将多个完整文件一次性读取为一个pair RDD
2.JSON数据是将数据作为 文本文件读取，然后使用JSON解析器对RDD中的值进行映射操作，在Java和Scala中也可以使用一个自定义Hadoop格式来操作JSON数据
3.SequenceFile是由没有相对关系结构的键值对文件组成的常用Hadoop格式，有同步标记，Spark可以用它来定位到文件中的某个点，然后再与记录的边界对齐
六、Spark编程进阶
1.累加器：提供了将工作节点中的值聚合到驱动器程序中的简单语法，常用于调试时对作业执行过程中的事件进行计数
2.广播变量：让程序高效地向所有工作节点发送一个较大的只读值，以供一个或多个Spark操作使用
3.Spark的pipe()方法可以让我们使用任意一种语言实现Spark作业中的部分逻辑，只要能读写Unix标准流就行
4.Spark的数值操作是通过流式算法实现的，允许以每次一个元素的方式构建出模型
七、在集群上运行Spark
1.在分布式环境下，Spark集群采用的是主/从结构，中央协调节点称为驱动器（Driver）节点，工作节点称为执行器（executor）节点，能过集群管理器（Cluster Manager)的外部服务在集群中的机器上启动Spark应用
2.驱动器程序：把用户程序转为任务；为执行器节点调度任务
3.使用bin/spark-submit部署
4.可以使用其他集群管理器：Hadoop YARN和Apache Mesos等
八、Spark调优与调试
1.修改Spark应用的运行时配置选项，使用SparkConf类
2.关键性性能考量：并行度、序列化格式、内存管理、硬件供给
九、Spark SQL
1.三大功能：
- 可能从各种结构化数据源中读取数据
- 不仅支持在Spark程序内使用SQL语句进行数据查询，也支持外部工具中通过标准数据库连接器（JDBC/ODBC）连接Spark SQL进行查询
- 支持与常规的Python/Java/Scala代码高度整合，包括RDD与SQL表、公开的自定义SQL函数接口等
2.提供了SchemaRDD，是存放Row对象的RDD，每个Row对象代表一行记录，可以利用结构信息更加高效地存储数据
十、Spark Streaming
1.Spark Streaming：允许用户使用一套和批处理非常接近的API来编写流式计算应用，这样就可以大量重用批处理应用的技术甚至代码
2.Spark Streaming使用离散化流（discretized stream）作为抽象表示，叫做DStream，是随时间推移而收到的数据的序列
十一、基于MLlib的机器学习
1.MLlib：Spark中提供机器学习函数的库，专为在集群上并行运行的情况而设计，包含许多机器学习算法，把数据以RDD的形式表示，然后在分布式数据集上调用各种算法
2.机器学习算法根据训练数据（training data）使得表示算法行为的数学目标最大化，并以此来进行预测或作出决定，解决问题包括分类、回归、聚类等
https://github.com/databricks/learning-spark