【转】科普Spark，Spark是什么，如何使用Spark

　　　

　　本博文是转自如下链接，为了方便自己查阅学习和他人交流。感谢原博主的提供！

http://www.aboutyun.com/thread-6849-1-1.html

http://www.aboutyun.com/thread-6850-1-1.html

科普Spark，Spark核心是什么，如何使用Spark（1）

　阅读本文章可以带着下面问题：
1.Spark基于什么算法的分布式计算（很简单）
2.Spark与MapReduce不同在什么地方
3.Spark为什么比Hadoop灵活
4.Spark局限是什么
5.什么情况下适合使用Spark

什么是Spark

Spark是UC Berkeley AMP lab所开源的类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。其架构如下图所示：

Spark与Hadoop的对比

  • Spark的中间数据放到内存中，对于迭代运算效率更高。

Spark更适合于迭代运算比较多的ML和DM运算。因为在Spark里面，有RDD的抽象概念。

  • Spark比Hadoop更通用

Spark提供的数据集操作类型有很多种，不像Hadoop只提供了Map和Reduce两种操作。比如map, filter, flatMap,
sample, groupByKey, reduceByKey, union, join, cogroup, mapValues,
sort,partionBy等多种操作类型，Spark把这些操作称为Transformations。同时还提供Count, collect,
reduce, lookup, save等多种actions操作。这些多种多样的数据集操作类型，给给开发上层应用的用户提供了方便。各个处理节点之间的通信模型不再像Hadoop那样就是唯一的Data Shuffle一种模式。用户可以命名，物化，控制中间结果的存储、分区等。可以说编程模型比Hadoop更灵活。
不过由于RDD的特性，Spark不适用那种异步细粒度更新状态的应用，例如web服务的存储或者是增量的web爬虫和索引。就是对于那种增量修改的应用模型不适合。

  • 容错性。

在分布式数据集计算时通过checkpoint来实现容错，而checkpoint有两种方式，一个是checkpoint data，一个是logging the updates。用户可以控制采用哪种方式来实现容错。

  • 可用性。

Spark通过提供丰富的Scala, Java，Python API及交互式Shell来提高可用性。

Spark与Hadoop的结合

Spark可以直接对HDFS进行数据的读写，同样支持Spark on YARN。Spark可以与MapReduce运行于同集群中，共享存储资源与计算，数据仓库Shark实现上借用Hive，几乎与Hive完全兼容。

Spark的适用场景

Spark是基于内存的迭代计算框架，适用于需要多次操作特定数据集的应用场合。需要反复操作的次数越多，所需读取的数据量越大，受益越大，数据量小但是计算密集度较大的场合，受益就相对较小（大数据库架构中这是是否考虑使用Spark的重要因素）
    
由于RDD的特性，Spark不适用那种异步细粒度更新状态的应用，例如web服务的存储或者是增量的web爬虫和索引。就是对于那种增量修改的应用模型不适合。
总的来说Spark的适用面比较广泛且比较通用。

运行模式

　　本地模式
　　Standalone模式
　　Mesoes模式
　　yarn模式

Spark生态系统

Shark ( Hive on Spark): Shark基本上就是在Spark的框架基础上提供和Hive一样的HiveQL命令接口，为了最大程度的保持和Hive的兼容性，Shark使用了Hive的API来实现query Parsing和 Logic
Plan generation，最后的PhysicalPlan execution阶段用Spark代替Hadoop
MapReduce。通过配置Shark参数，Shark可以自动在内存中缓存特定的RDD，实现数据重用，进而加快特定数据集的检索。同时，Shark
通过UDF用户自定义函数实现特定的数据分析学习算法，使得SQL数据查询和运算分析能结合在一起，最大化RDD的重复使用。
   
Spark streaming:
构建在Spark上处理Stream数据的框架，基本的原理是将Stream数据分成小的时间片断（几秒），以类似batch批量处理的方式来处理这小部分数据。Spark
Streaming构建在Spark上，一方面是因为Spark的低延迟执行引擎（100ms+）可以用于实时计算，另一方面相比基于Record的其它
处理框架（如Storm），RDD数据集更容易做高效的容错处理。此外小批量处理的方式使得它可以同时兼容批量和实时数据处理的逻辑和算法。方便了一些需
要历史数据和实时数据联合分析的特定应用场合。
   
Bagel: Pregel on Spark，可以用Spark进行图计算，这是个非常有用的小项目。Bagel自带了一个例子，实现了Google的PageRank算法。

科普Spark，Spark核心是什么，如何使用Spark（2）

本篇文章很重要，也是spark为什么是Spark原因：
1.Spark的核心是什么？
2.RDD在内存不足时，是怎么处理的？
3.如何创建RDD，有几种方式
4.Spark编程支持几种语言
5.是否能够写出一个Driver程序

Spark核心概念Resilient Distributed Dataset (RDD)弹性分布数据集

    • RDD是Spark的最基本抽象,是对分布式内存的抽象使用，实现了以操作本地集合的方式来操作分布式数据集的抽象实现。RDD是
      Spark最核心的东西，它表示已被分区，不可变的并能够被并行操作的数据集合，不同的数据集格式对应不同的RDD实现。RDD必须是可序列化的。RDD
      可以cache到内存中，每次对RDD数据集的操作之后的结果，都可以存放到内存中，下一个操作可以直接从内存中输入，省去了MapReduce大量的磁盘IO操作。这对于迭代运算比较常见的机器学习算法, 交互式数据挖掘来说，效率提升比较大。
    • RDD的特点：
      • 它是在集群节点上的不可变的、已分区的集合对象。
      • 通过并行转换的方式来创建如（map, filter, join, etc）。
      • 失败自动重建。
      • 可以控制存储级别（内存、磁盘等）来进行重用。
      • 必须是可序列化的。
      • 是静态类型的。
    • RDD的好处
      • RDD只能从持久存储或通过Transformations操作产生，相比于分布式共享内存（DSM）可以更高效实现容错，对于丢失部分数据分区只需根据它的lineage就可重新计算出来，而不需要做特定的Checkpoint。
      • RDD的不变性，可以实现类Hadoop MapReduce的推测式执行。
      • RDD的数据分区特性，可以通过数据的本地性来提高性能，这与Hadoop MapReduce是一样的。
      • RDD都是可序列化的，在内存不足时可自动降级为磁盘存储，把RDD存储于磁盘上，这时性能会有大的下降但不会差于现在的MapReduce。
    • RDD的存储与分区
      • 用户可以选择不同的存储级别存储RDD以便重用。
      • 当前RDD默认是存储于内存，但当内存不足时，RDD会spill到disk。
      • RDD在需要进行分区把数据分布于集群中时会根据每条记录Key进行分区（如Hash 分区），以此保证两个数据集在Join时能高效。
    • RDD的内部表示
      在RDD的内部实现中每个RDD都可以使用5个方面的特性来表示：

      • 分区列表（数据块列表）
      • 计算每个分片的函数（根据父RDD计算出此RDD）
      • 对父RDD的依赖列表
      • 对key-value RDD的Partitioner【可选】
      • 每个数据分片的预定义地址列表(如HDFS上的数据块的地址)【可选】
    • RDD的存储级别
      RDD根据useDisk、useMemory、deserialized、replication四个参数的组合提供了11种存储级别：
    1. val NONE = new StorageLevel(false, false, false)
    2. val DISK_ONLY = new StorageLevel(true, false, false)
    3. val DISK_ONLY_2 = new StorageLevel(true, false, false, 2)
    4. val MEMORY_ONLY = new StorageLevel(false, true, true)
    5. val MEMORY_ONLY_2 = new StorageLevel(false, true, true, 2)
    6. val MEMORY_ONLY_SER = new StorageLevel(false, true, false)
    7. val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, 2)
    8. val MEMORY_AND_DISK = new StorageLevel(true, true, true)
    9. val MEMORY_AND_DISK_2 = new StorageLevel(true, true, true, 2)
    10. val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false)
    11. val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, 2)
  • RDD的好处

    • RDD只能从持久存储或通过Transformations操作产生，相比于分布式共享内存（DSM）可以更高效实现容错，对于丢失部分数据分区只需根据它的lineage就可重新计算出来，而不需要做特定的Checkpoint。
    • RDD的不变性，可以实现类Hadoop MapReduce的推测式执行。
    • RDD的数据分区特性，可以通过数据的本地性来提高性能，这与Hadoop MapReduce是一样的。
    • RDD都是可序列化的，在内存不足时可自动降级为磁盘存储，把RDD存储于磁盘上，这时性能会有大的下降但不会差于现在的MapReduce。
    • RDD的存储与分区

      • 用户可以选择不同的存储级别存储RDD以便重用。
      • 当前RDD默认是存储于内存，但当内存不足时，RDD会spill到disk。
      • RDD在需要进行分区把数据分布于集群中时会根据每条记录Key进行分区（如Hash 分区），以此保证两个数据集在Join时能高效。
    • RDD的内部表示
      在RDD的内部实现中每个RDD都可以使用5个方面的特性来表示：

      • 分区列表（数据块列表）
      • 计算每个分片的函数（根据父RDD计算出此RDD）
      • 对父RDD的依赖列表
      • 对key-value RDD的Partitioner【可选】
      • 每个数据分片的预定义地址列表(如HDFS上的数据块的地址)【可选】
    • RDD的存储级别
      RDD根据useDisk、useMemory、deserialized、replication四个参数的组合提供了11种存储级别：
  1. val NONE = new StorageLevel(false, false, false)
  2. val DISK_ONLY = new StorageLevel(true, false, false)
  3. val DISK_ONLY_2 = new StorageLevel(true, false, false, 2)
  4. val MEMORY_ONLY = new StorageLevel(false, true, true)
  5. val MEMORY_ONLY_2 = new StorageLevel(false, true, true, 2)
  6. val MEMORY_ONLY_SER = new StorageLevel(false, true, false)
  7. val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, 2)
  8. val MEMORY_AND_DISK = new StorageLevel(true, true, true)
  9. val MEMORY_AND_DISK_2 = new StorageLevel(true, true, true, 2)
  10. val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false)
  11. val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, 2)
  • RDD定义了各种操作，不同类型的数据由不同的RDD类抽象表示，不同的操作也由RDD进行抽实现。

RDD的生成

    • RDD有两种创建方式：
      1、从Hadoop文件系统（或与Hadoop兼容的其它存储系统）输入（例如HDFS）创建。
      2、从父RDD转换得到新RDD。
    • 下面来看一从Hadoop文件系统生成RDD的方式，如：val file = spark.textFile("hdfs://...")，file变量就是RDD（实际是HadoopRDD实例），生成的它的核心代码如下：
  1. // SparkContext根据文件/目录及可选的分片数创建RDD, 这里我们可以看到Spark与Hadoop MapReduce很像
  2. // 需要InputFormat, Key、Value的类型，其实Spark使用的Hadoop的InputFormat, Writable类型。
  3. def textFile(path: String, minSplits: Int = defaultMinSplits): RDD[String] = {
  4. hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable],
  5. classOf[Text], minSplits) .map(pair => pair._2.toString) }
  6. // 根据Hadoop配置，及InputFormat等创建HadoopRDD
  7. new HadoopRDD(this, conf, inputFormatClass, keyClass, valueClass, minSplits)
    对RDD进行计算时，RDD从HDFS读取数据时与Hadoop MapReduce几乎一样的：
    1. // 根据hadoop配置和分片从InputFormat中获取RecordReader进行数据的读取。
    2. reader = fmt.getRecordReader(split.inputSplit.value, conf, Reporter.NULL)
    3. val key: K = reader.createKey()
    4. val value: V = reader.createValue()
    5. //使用Hadoop MapReduce的RecordReader读取数据，每个Key、Value对以元组返回。
    6. override def getNext() = {
    7. try {
    8. finished = !reader.next(key, value)
    9. } catch {
    10. case eof: EOFException =>
    11. finished = true
    12. }
    13. (key, value)
    14. }

RDD的转换与操作

  • 对于RDD可以有两种计算方式：转换（返回值还是一个RDD）与操作（返回值不是一个RDD）。
  • 转 换(Transformations) (如：map, filter, groupBy, join等)，Transformations操作是Lazy的，也就是说从一个RDD转换生成另一个RDD的操作不是马上执行，Spark在遇到 Transformations操作时只会记录需要这样的操作，并不会去执行，需要等到有Actions操作的时候才会真正启动计算过程进行计算。
  • 操作(Actions) (如：count, collect, save等)，Actions操作会返回结果或把RDD数据写到存储系统中。Actions是触发Spark启动计算的动因。
  • 下面使用一个例子来示例说明Transformations与Actions在Spark的使用。
    1. val sc = new SparkContext(master, "Example", System.getenv("SPARK_HOME"),
    2. Seq(System.getenv("SPARK_TEST_JAR")))
    3. val rdd_A = sc.textFile(hdfs://.....)
    4. val rdd_B = rdd_A.flatMap((line => line.split("\\s+"))).map(word => (word, 1))
    5. val rdd_C = sc.textFile(hdfs://.....)
    6. val rdd_D = rdd_C.map(line => (line.substring(10), 1))
    7. val rdd_E = rdd_D.reduceByKey((a, b) => a + b)
    8. val rdd_F = rdd_B.jion(rdd_E)
    9. rdd_F.saveAsSequenceFile(hdfs://....)

Lineage（血统）

  • 利用内存加快数据加载,在众多的其它的In-Memory类数据库或 Cache类系统中也有实现，Spark的主要区别在于它处理分布式运算环境下的数据容错性（节点实效/数据丢失）问题时采用的方案。为了保证RDD中数 据的鲁棒性，RDD数据集通过所谓的血统关系(Lineage)记住了它是如何从其它RDD中演变过来的。相比其它系统的细颗粒度的内存数据更新级别的备 份或者LOG机制，RDD的Lineage记录的是粗颗粒度的特定数据转换（Transformation）操作（filter, map, join etc.)行为。当这个RDD的部分分区数据丢失时，它可以通过Lineage获取足够的信息来重新运算和恢复丢失的数据分区。这种粗颗粒的数据模型，限 制了Spark的运用场合，但同时相比细颗粒度的数据模型，也带来了性能的提升。
  • RDD在Lineage依赖方面分为两种Narrow Dependencies与Wide Dependencies用来解决数据容错的高效性。Narrow Dependencies是指父RDD的每一个分区最多被一个子RDD的分区所用，表现为一个父RDD的分区对应于一个子RDD的分区或多个父RDD的分 区对应于一个子RDD的分区，也就是说一个父RDD的一个分区不可能对应一个子RDD的多个分区。Wide Dependencies是指子RDD的分区依赖于父RDD的多个分区或所有分区，也就是说存在一个父RDD的一个分区对应一个子RDD的多个分区。对与 Wide Dependencies，这种计算的输入和输出在不同的节点上，lineage方法对与输入节点完好，而输出节点宕机时，通过重新计算，这种情况下，这 种方法容错是有效的，否则无效，因为无法重试，需要向上其祖先追溯看是否可以重试（这就是lineage，血统的意思），Narrow Dependencies对于数据的重算开销要远小于Wide Dependencies的数据重算开销。

容错

  • 在RDD计算，通过checkpint进行容错，做checkpoint有
    两种方式，一个是checkpoint data，一个是logging the
    updates。用户可以控制采用哪种方式来实现容错，默认是logging the
    updates方式，通过记录跟踪所有生成RDD的转换（transformations）也就是记录每个RDD的lineage（血统）来重新计算生成
    丢失的分区数据。

资源管理与作业调度

Spark对于资源管
理与作业调度可以使用Standalone(独立模式)，Apache Mesos及Hadoop YARN来实现。 Spark on
Yarn在Spark0.6时引用，但真正可用是在现在的branch-0.8版本。Spark on
Yarn遵循YARN的官方规范实现，得益于Spark天生支持多种Scheduler和Executor的良好设计，对YARN的支持也就非常容
易，Spark on Yarn的大致框架图。

  • 让Spark运行于YARN上与Hadoop共用集群资源可以提高资源利用率。
编程接口

  • Spark通过与编程语言集成的方式暴露
    RDD的操作，类似于DryadLINQ和FlumeJava，每个数据集都表示为RDD对象，对数据集的操作就表示成对RDD对象的操作。Spark主
    要的编程语言是Scala，选择Scala是因为它的简洁性（Scala可以很方便在交互式下使用）和性能（JVM上的静态强类型语言）。
  • Spark
    和Hadoop
    MapReduce类似，由Master(类似于MapReduce的Jobtracker)和Workers(Spark的Slave工作节点)组成。
    用户编写的Spark程序被称为Driver程序，Dirver程序会连接master并定义了对各RDD的转换与操作，而对RDD的转换与操作通过
    Scala闭包(字面量函数)来表示，Scala使用Java对象来表示闭包且都是可序列化的，以此把对RDD的闭包操作发送到各Workers节点。
    Workers存储着数据分块和享有集群内存，是运行在工作节点上的守护进程，当它收到对RDD的操作时，根据数据分片信息进行本地化数据操作，生成新的
    数据分片、返回结果或把RDD写入存储系统。

Scala

Spark使用Scala开发，默认使用Scala 作为编程语言。编写Spark程序比编写Hadoop MapReduce程序要简单的多，SparK提供了Spark-Shell，可以在Spark-Shell测试程序。写SparK程序的一般步骤就是创 建或使用(SparkContext)实例，使用SparkContext创建RDD，然后就是对RDD进行操作。如：

  1. val sc = new SparkContext(master, appName, [sparkHome], [jars])
  2. val textFile = sc.textFile("hdfs://.....")
  3. textFile.map(....).filter(.....)....

Java

Spark支持Java编程，但对于使用Java就没有了Spark-Shell这样方便的工具，其它与Scala编程是一样的，因为都是JVM上的语言，Scala与Java可以互操作，Java编程接口其实就是对Scala的封装。如：

  1. JavaSparkContext sc = new JavaSparkContext(...);
  2. JavaRDD lines = ctx.textFile("hdfs://...");
  3. JavaRDD words = lines.flatMap(
  4. new FlatMapFunction<String, String>() {
  5. public Iterable call(String s) {
  6. return Arrays.asList(s.split(" "));
  7. }
  8. }
  9. );

Python

现在Spark也提供了Python编程接 口，Spark使用py4j来实现python与java的互操作，从而实现使用python编写Spark程序。Spark也同样提供了 pyspark，一个Spark的python shell，可以以交互式的方式使用Python编写Spark程序。 如：

　　

  1. from pyspark import SparkContext
  2. sc = SparkContext("local", "Job Name", pyFiles=[‘MyFile.py‘, ‘lib.zip‘, ‘app.egg‘])
  3. words = sc.textFile("/usr/share/dict/words")
  4. words.filter(lambda w: w.startswith("spar")).take(5)

使用示例Standalone模式

  • 为方便Spark的推广使 用，Spark提供了Standalone模式，Spark一开始就设计运行于Apache Mesos资源管理框架上，这是非常好的设计，但是却带了部署测试的复杂性。为了让Spark能更方便的部署和尝试，Spark因此提供了 Standalone运行模式，它由一个Spark Master和多个Spark worker组成，与Hadoop MapReduce1很相似，就连集群启动方式都几乎是一样。
  • 以Standalone模式运行Spark集群
    • 下载Scala2.9.3，并配置SCALA_HOME
    • 下载Spark代码（可以使用源码编译也可以下载编译好的版本）这里下载 编译好的版本（http://spark-project.org/download/spark-0.7.3-prebuilt-cdh4.tgz）
    • 解压spark-0.7.3-prebuilt-cdh4.tgz安装包
    • 修改配置（conf/*） slaves: 配置工作节点的主机名 spark-env.sh：配置环境变量。
      1. SCALA_HOME=/home/spark/scala-2.9.3
      2. JAVA_HOME=/home/spark/jdk1.6.0_45
      3. SPARK_MASTER_IP=spark1
      4. SPARK_MASTER_PORT=30111
      5. SPARK_MASTER_WEBUI_PORT=30118
      6. SPARK_WORKER_CORES=2 SPARK_WORKER_MEMORY=4g
      7. SPARK_WORKER_PORT=30333
      8. SPARK_WORKER_WEBUI_PORT=30119
      9. SPARK_WORKER_INSTANCES=1
  • 把Hadoop配置copy到conf目录下
  • 在master主机上对其它机器做ssh无密码登录
  • 把配置好的Spark程序使用scp copy到其它机器
  • 在master启动集群

$SPARK_HOME/start-all.sh

yarn模式

    • Spark-shell现在还不支持Yarn模式，使用Yarn模式运行，需要把Spark程序全部打包成一个jar包提交到Yarn上运行。目录只有branch-0.8版本才真正支持Yarn。
    • 以Yarn模式运行Spark

      下载Spark代码.
      　　           git clone git://github.com/mesos/spark

    • 切换到branch-0.8
        1. cd spark
        2. git checkout -b yarn --track origin/yarn
    • 使用sbt编译Spark并

        1. $SPARK_HOME/sbt/sbt
        2. > package
        3. > assembly
    • 把Hadoop yarn配置copy到conf目录下
    • 运行测试
    1. SPARK_JAR=./core/target/scala-2.9.3/spark-core-assembly-0.8.0-SNAPSHOT.jar \
    2. ./run spark.deploy.yarn.Client --jar examples/target/scala-2.9.3/ \
    3. --class spark.examples.SparkPi --args yarn-standalone

使用Spark-shell

  • Spark-shell使用很简单，当Spark以Standalon模式运行后，使用$SPARK_HOME/spark-shell进 入shell即可，在Spark-shell中SparkContext已经创建好了，实例名为sc可以直接使用，还有一个需要注意的是，在 Standalone模式下，Spark默认使用的调度器的FIFO调度器而不是公平调度，而Spark-shell作为一个Spark程序一直运行在 Spark上，其它的Spark程序就只能排队等待，也就是说同一时间只能有一个Spark-shell在运行。
  • 在Spark-shell上写程序非常简单，就像在Scala Shell上写程序一样。
    1. scala> val textFile = sc.textFile("hdfs://hadoop1:2323/user/data")
    2. textFile: spark.RDD[String] = [email protected]
    3. scala> textFile.count() // Number of items in this RDD
    4. res0: Long = 21374
    5. scala> textFile.first() // First item in this RDD
    6. res1: String = # Spark

编写Driver程序

在Spark中Spark程序称为Driver程序，编写Driver程序很简单几乎与在Spark-shell上写程序是一样的，不同的地方就是SparkContext需要自己创建。如WorkCount程序如下：

　　

  1. import spark.SparkContext
  2. import SparkContext._
  3. object WordCount {
  4. def main(args: Array[String]) {
  5. if (args.length ==0 ){
  6. println("usage is org.test.WordCount <master>")
  7. }
  8. println("the args: ")
  9. args.foreach(println)
  10. val hdfsPath = "hdfs://hadoop1:8020"
  11. // create the SparkContext， args(0)由yarn传入appMaster地址
  12. val sc = new SparkContext(args(0), "WrodCount",
  13. System.getenv("SPARK_HOME"), Seq(System.getenv("SPARK_TEST_JAR")))
  14. val textFile = sc.textFile(hdfsPath + args(1))
  15. val result = textFile.flatMap(line => line.split("\\s+"))
  16. .map(word => (word, 1)).reduceByKey(_ + _)
  17. result.saveAsTextFile(hdfsPath + args(2))
  18. }
  19. }
时间： 2024-10-13 20:19:39

【转】科普Spark，Spark是什么，如何使用Spark的相关文章

【科普】一篇文章让你知晓Spark

说起大数据的工具,最广为人知的就是Hadoop和Spark了,Hadoop在上一篇文章中已经有所介绍,这期小编就为大家介绍后起之秀Spark. Spark是一个运算速度快如闪电的Apache项目,研发人员声称它是"一种用于数据大规模处理的快速通用引擎",[A1]  Spark是UC BerkeleyAMP lab所开源的类Hadoop MapReduce的通用的并行计算框架,基于map reduce算法实现的分布式计算,拥有Hadoop MapReduce所具有的优点.[A2] 它提供

科普Spark，Spark是什么，如何使用Spark

1.Spark基于什么算法的分布式计算(很简单) 2.Spark与MapReduce不同在什么地方 3.Spark为什么比Hadoop灵活 4.Spark局限是什么 5.什么情况下适合使用Spark 什么是Spark Spark是UC Berkeley AMP lab所开源的类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Job中间输出和结果可以保存在内

Spark视频第5期：Spark SQL架构和案例深入实战

Spark SQL架构和案例深入实战 视频地址:http://pan.baidu.com/share/link?shareid=3629554384&uk=4013289088&fid=977951266414309 王家林老师(邮箱:[email protected] QQ: 1740415547) Spark亚太研究院院长和首席专家,中国目前唯一的移动互联网和云计算大数据集大成者. 在Spark.Hadoop.Android等方面有丰富的源码.实务和性能优化经验.彻底研究了Spark从

【Spark 深入学习-08】说说Spark分区原理及优化方法

本节内容 ------------------ · Spark为什么要分区 · Spark分区原则及方法 · Spark分区案例 · 参考资料 ------------------ 一.Spark为什么要分区    分区概念:分区是RDD内部并行计算的一个计算单元,RDD的数据集在逻辑上被划分为多个分片,每一个分片称为分区,分区的格式决定了并行计算的粒度,而每个分区的数值计算都是在一个任务中进行的,因此任务的个数,也是由RDD(准确来说是作业最后一个RDD)的分区数决定. 为什么要分区,这个借用

Apache Spark源码走读之9 -- Spark源码编译

欢迎转载,转载请注明出处,徽沪一郎. 概要 本来源码编译没有什么可说的,对于java项目来说,只要会点maven或ant的简单命令,依葫芦画瓢,一下子就ok了.但到了Spark上面,事情似乎不这么简单,按照spark officical document上的来做,总会出现这样或那样的编译错误,让人懊恼不已. 今天闲来无事,又重试了一把,居然o了,做个记录,以备后用. 准备 我的编译机器上安装的Linux是archlinux,并安装后如下软件 scala 2.11 maven git 下载源码 第

【Spark深入学习 -10】基于spark构建企业级流处理系统

----本节内容------- 1.流式处理系统背景 1.1 技术背景 1.2 Spark技术很火 2.流式处理技术介绍 2.1流式处理技术概念 2.2流式处理应用场景 2.3流式处理系统分类 3.流式处理技术关键技术 3.1流式处理系统管道构建 3.2流式处理系统关键技术 3.3用户行为分析系统介绍 4.问题答疑 5.参考资料 --------------------- 1.流式处理技术 1.1 技术背景 业务驱动技术发展,脱了了业务的技术,最多就是一个研究性的东西,流式处理技术的火爆源于业内

Spark整理（一）：Spark是啥以及能干啥

一.Spark是什么 1.与Hadoop的关系 如今Hadoop已经不能狭义地称它为软件了,Hadoop广泛的说可以是一套完整的生态系统,可以包括HDFS.Map-Reduce.HBASE.HIVE等等.. 而Spark是一个计算框架,注意,是计算框架 其可以运行在Hadoop之上,绝大部分情况下是基于HDFS 说代替Hadoop其实是代替Hadoop中的Map-Reduce,用来解决Map-Reduce带来的一些问题 更具体地讲,Spark是基于内存的 大数据并行计算框架,可以完美的融入到Ha

第1课：通过案例对Spark Streaming透彻理解三板斧之一Spark Streaming另类实验及本质解析

一. 源码定制为什么从Spark Streaming切入? Spark 一开始并没我们今天看到的Spark SQL, Spark Streaming, MLlib(machine learning), GraphX(graph), Spark R等相关内容,只有原始的Spark Core. Spark Streaming本身是Spark Core上的一个框架,透过一个框架的彻底研究肯定可以精通Spark力量的源泉和所有Spark问题的解决之道. Spark现在使用较多的除了Spark Core之

Apache Spark源码走读之16 -- spark repl实现详解

欢迎转载,转载请注明出处,徽沪一郎. 概要 之所以对spark shell的内部实现产生兴趣全部缘于好奇代码的编译加载过程,scala是需要编译才能执行的语言,但提供的scala repl可以实现代码的实时交互式执行,这是为什么呢? 既然scala已经提供了repl,为什么spark还要自己单独搞一套spark repl,这其中的缘由到底何在? 显然,这些都是问题,要解开这些谜团,只有再次开启一段源码分析之旅了. 全局视图 上图显示了java源文件从编译到加载执行的全局视图,整个过程中最主要的步