MapReduce与spark
MapReduce： 操作单一，只有map，reduce spark：提供多种操作：过滤，分组，排序....
（一）spark生态环境：
- Mesos和YARN都是资源调度管理器
- HDFS：分布式系统存储组件
- S3：亚马逊提供的云端的简单的存储服务
- Tachyon：基于内存的分布式文件系统
- Spark Core：复杂批量数据处理，取代MapReduce Hive
- Spark Streaming：满足实时数据流毫秒级计算需求，基于RDD数据抽象
- Structured Streaming：满足特定场景下的实时数据流毫秒级流计算需求，基于DataFrame数据抽象（在spark 2.2之后成为正式版）
- Spark SQL：满足历史数据交互式查询分析需求
- GraPhx：满足图计算需求
- MLlib：满足机器学习需求；机器学习算法库，可以直接调用算法接口；历史数据的数据挖掘需求
（二）运行架构
- RDD（弹性分布式数据集）：最核心的数据抽象；提供高度受限的共享内存模型（只读）
- DAG（有向无环图）：反映RDD之间的依赖关系
- Executor（进程）：节点上派生多线程运行任务
- application（应用程序）：用户写的程序
- Job（作业）：切分为多个阶段
- 结构：
7，关键词之间关系：
（三）运行流程：
1，应用程序发到主节点，Driver（指挥所）派生出SparkContext对象（指挥官）；
2，SparkContext会申请资源管理器，把作业分成不同阶段并把每个阶段的任务调度到不同的工作节点（Worker Node）上执行。监控所有过程；
3，资源管理器收到请求后会分配内存资源，启动Executor 进程（驻留在工作节点上）派生多个线程；
4，SparkContext会将代码中的对RDD的操作转换为RDD的依赖关系，根据依赖关系构建DAG图，将DAG图发送到DAG Scheduler组件；
5，DAG Scheduler把DAG分解成多个Stage（阶段）；Stage发到Task Scheduler（根据工作节点上的Executor的申请分发任务到与数据对应的工作节点），计算程序发到数据相关的工作节点；
6，Executor把结果反馈到Task Scheduler------->DAG Scheduler--------->SparkContext做最后的处理（返回给用户或HDFS）；
（四）RDD概述：
1，RDD运行原理：提供抽象的数据结构，根据依赖关系生成DAG图，形成流水线，在内存中操作，避免操作磁盘数据
2，RDD：只读的分区集合（不同的分区到不同的机器并行处理）；操作时，将原来的RDD转换生成新的RDD
3，RDD操作：分为动作类型操作和转换类型操作；转换类型操作：只记录转换的轨迹，不发生计算。（一次只能对一整个RDD进行粗粒度操作，不支持细粒度操作），scala
的接口提供简单操作（转换，过滤，排序，Map，Reduce）
4，图示：
提供容错机制，恢复数据简单：
5，RDD的依赖关系：窄依赖（不划分阶段）；宽依赖（划分多个阶段，递归算法划分）；根据Shuffle操作判断，如果存在Shuffle操作（洗牌）就是宽依赖
例如：单词统计操作中，Map操作后会进行Shuffle操作，将相同的单词放入一个Reduce中。
窄依赖：父RDD对应子RDD的关系：一对一或多对一；不涉及数据转换；可以进行流水线优化（优化原理：fork/join机制；并行执行任务的框架）
宽依赖：父RDD对应子RDD的关系：一对多；涉及数据转换；不可以进行流水线优化（当发生shuffle操作时会进行对磁盘的读写操作）
（五）Spark安装
spark-2.1.0-hadoop-2.6版：下载地址：http://d3kbcqa49mib13.cloudfront.net/spark-2.1.0-bin-hadoop2.6.tgz
安装单机教程：http://dblab.xmu.edu.cn/blog/1307-2/
原文地址：https://www.cnblogs.com/lq13035130506/p/12238841.html