==> 什么是 Spark
—> Spark 是一个针对大规模数据处理的快速通用引擎
—> Spark 是 MapReduce 的替代方案,而且兼容 HDFS, Hive, 可容入Hadoop 的生态系统,弥补 MapReduce 的不足
==> Spark 核心 RDD (Resilient Distributed Datasets 弹性分布式数据集)
—> RDD 可简单理解为: 一个提供了很多操作接口的数据集合,分布式存储于集群环境中的存储设备中(内存或硬盘),其中包括容错,并行处理等功能
==> Spark 特点
—> 快
—- 优点:与Mapreduce 相比,Spark 基于内存运算,运算速度要快100倍,基于硬盘计算,运算速度要快 10 倍
—- 缺点:没有对内存进行管理,把所有的内存管理都交给应用程序,以弥补MapReduce的不足,
容易出现 OOM(out of memory), 可使用 Java Heap Dump 工具分析 Java 程序的内存溢出
—> 易用
—- Spark 支持 Java ,Python, Scala 的 API
—- 支持80多种算法
—- 支持交互式,可以在shell 中使用Spark 验证解决问题的方法
—> 通用(生态圈)
—- 批处理
—- 交互式查询 (Spark SQL)
—- 实时流处理 (Spark Streaming)
—- 机器学习 ( Spark MLlib )
—- 图计算 ( GraphX )
—- 与 Hadoop 很好的融合, 可以直接操作 HDFS, 并提供 Hive on Spark, Pig on Spark的框架集成 Hadoop(配置Hive on Spark 还不成熟)
—> 兼容性 可以非常方便的与其它开源产品进行融合
—- 可以使用 Hadoop 的 YARN 和 Apache Mesos 作为它的资源管理调度器
—- 可以处理所有 Hadoop 支持的数据:HDFS, HBase, Cassandra 等
—- 不需要做任何的数据迁移就可以使用 Spark 的强大处理能力
—- 可以不依赖第三方的资源管理和调度器,实现 Standalone 作为它的内置的资源管理和调试框架,降低部署的复杂性
—- 提供了在 EC2 上部署 Standalone 的Spark 集群工具
==> Spark 生太圈
—> Spark Core
—> Spark SQL
—> Spark Streaming
—> Spark MLLib: 机器学习
—> Spark GraphX: 图计算
原创文章,作者:kepupublish,如若转载,请注明出处:https://blog.ytso.com/194855.html