Python大数据之PySpark(一)SparkBase
Python大数据之PySpark(一)SparkBase
SparkBase环境基础
Spark学习方法：不断重复，28原则(使用80%时间完成20%重要内容)
Spark框架概述
Spark风雨十年s
- 2012年Hadoop1.x出现，里程碑意义
- 2013年Hadoop2.x出现，改进HDFS，Yarn，基于Hadoop1.x框架提出基于内存迭代式计算框架Spark
- 1-Spark全家桶，实现离线，实时，机器学习，图计算
- 2-spark版本从2.x到3.x很多优化
- 3-目前企业中最多使用Spark仍然是在离线处理部分，SparkSQL On Hive
Spark 是什么
- Spark是一个处理大规模数据的计算引擎
扩展阅读：Spark VS Hadoop
- Spark和Hadoop对比
- 面试题：Hadoop的基于进程的计算和Spark基于线程方式优缺点？
答案：Hadoop中的MR中每个map/reduce task都是一个java进程方式运行，好处在于进程之间是互相独立的，每个task独享进程资源，没有互相干扰，监控方便，但是问题在于task之间不方便共享数据，执行效率比较低。比如多个map task读取不同数据源文件需要将数据源加载到每个map task中，造成重复加载和浪费内存。而基于线程的方式计算是为了数据共享和提高执行效率，Spark采用了线程的最小的执行单位，但缺点是线程之间会有资源竞争。
Spark 四大特点
1-速度快
2-非常好用
3-通用性
4-运行在很多地方
Spark 框架模块了解
- Spark框架通信使用Netty框架，通信框架
- Spark数据结构：核心数据RDD(弹性 分布式Distrubyte 数据集dataset)，DataFrame
- Spark部署模式(环境搭建)
- local
- local 单个线程
- local[*] 本地所有线程
- local【k】 k个线程
- Spark的RDD有很多分区，基于线程执行分区数据计算，并行计算
- standalone
- StandaloneHA
- Yarn
Spark环境搭建-Local
基本原理
1-Spark的Local模式使用的是单机多线程的方式模拟线程执行Spark的计算任务 2-Spark的local[1] 1个线程执行计算 local[*]本地的所有线程模拟
安装包下载
1-搞清楚版本,本机一定得搭建Hadoop集群(Hadoop3.3.0)
2-上传到Linux中，spark3.1.2-hadoop3.2-bin.tar.gz
3-解压Spark的压缩包 tar -zxvf xxx.tar.gz -C /export/server ln -s spark-3.1.2-bin-hadoop3.2/ /export/server/spark 4-更改配置文件 这里对于local模式，开箱即用
5-测试 spark-shell方式 使用scala语言
pyspark方式 使用python语言
上午回顾：
为什么要学习Spark？
- 答案：首先Spark是基于Hadoop1.x改进的大规模数据的计算引擎，Spark提供了多种模块，比如机器学习，图计算
- 数据第三代计算引擎
什么是Spark？
- Spark是处理大规模数据的计算引擎
- 1-速度快，比Hadoop块100倍(机器学习算法) 2-易用性(spark.read.json) 3-通用性 4-run anywhere
Spark有哪些组件？
- 1-SparkCore—以RDD(弹性，分布式，数据集)为数据结构
- 2-SparkSQL----以DataFrame为数据结构
- 3-SparkStreaming----以Seq[RDD]，DStream离散化流构建流式应用
- 4-结构化流structuredStreaming—DataFrame
- 5-SparkMllib，机器学习，以RDD或DataFrame为例
- 6-SparkGraphX，图计算，以RDPG弹性分布式属性图
Spark有哪些部署方式？
- local模式
- standalone模式(独立部署模式)
- standaloneHA模式（高可用模式）
- Yarn模式(Hadoop中分布式资源调度框架)
注意：
