Spark基础篇

Spark概述

Spark是一种快速、通用、可扩展的大数据分析引擎，Spark生态系统是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,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合高可伸缩性,允许用将Spark布置在大量廉价硬件之上,形成集群。

Spark发展史

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。

Spark的特点

1.快: 与hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上。Spark实现高效的DAG执行引擎，可以通过基于内存来高效处理数据流。

2.易用：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。

3.通用：Spark提供了统一的解决方案。可以用于批处理，交互式查询，实时流处理，机器学习和图计算。

4.兼容性：Spark可以非常方便地与其他的开源产品进行融合。Spark可以运行在Hadoop，Mesos，Kubernets，standalone或者云上。

RDD概述

RDD是一个弹性的分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变，可分区，里面的元素可并行计算的集合。

RDD特性

1.A list of partitions一个分区列表，RDD中的数据都存在一个分区列表里面。

2.A function for computing each split作用在每一个分区中的函数。

3.A list of dependencies on other RDDs一个RDD依赖于其他多个RDD，这个点很重要，RDD的容错机制就是依据这个特性而来的。

4. Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)可选的，针对于kv类型的RDD才具有这个特性，作用是决定了数据的来源以及数据处理后的去向。

5.Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)可选项，数据本地性，数据位置最优。