一、Spark是什么
一、定义
Apache Spark是用于大规模数据处理的统一分析引擎
二、Spark更快的原因
-
数据结构（编程模型）：Spark框架核心
-
RDD：弹性分布式数据集，认为是列表List
-
Spark 框架将要处理的数据封装到集合RDD中，调用RDD中函数处理数据
-
RDD 数据可以放到内存中，内存不足可以放到磁盘中
-
-
Task任务运行方式：以线程Thread方式运行
-
MapReduce中Task是以进程Process方式运行，当时Spark Task以线程Thread方式运行。
-
线程Thread运行在进程Process中，启动和销毁是很快的（相对于进程来说）。
-
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tF6JyHBy-1644111477332)(C:\Users\EuropeanSheik\AppData\Roaming\Typora\typora-user-images\image-20220125142329172.png)]
二、Spark和Hadoop的对比
一、二者各方面比较
| Hadoop | Spark | |
|---|---|---|
| 类型 | 基础平台，包含计算、存储、调度 | 分布式计算工具 |
| 场景 | 大规模数据集上的批处理 | 迭代计算，交互式计算，流计算 |
| 价格 | 对机器要求低，便宜 | 对内存有要求，相对较贵 |
| 编程范式 | Map+Reduce，API较为底层，算法适应性差 | RDD组成DAG有向无环图，API较为顶层，方便使用 |
| 数据存储结构 | MapReduce中间计算结果在HDFS磁盘上，延迟大 | RDD中间运算结果在内存中，延迟小 |
| 运行方式 | Task以进程方式维护，任务启动慢 | Task以线程方式维护，任务启动快 |
二、Spark不能完全替代Hadoop的原因
- Spark主要用于替代Hadoop中的MapReduce计算模型。存储依然可以使用HDFS，但是中间结果可以存放在内存中；
- Spark已经很好地融入了Hadoop生态圈，并成为其中的重要一员，它可以借助于YARN实现资源调度管理，借助于HDFS实现分布式存储。
三、Hadoop基于进程计算和Spark基于线程计算的优缺点
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。
四、Spark处理数据与MapReduce处理数据的不同点
- Spark处理数据时，可以将中间处理结果数据存储到内存中
- Spark Job调度以DAG方式，并且每个任务Task执行以线程(Thread)方式，并不是像MapReduce以进程(Process)方式执行
三、Spark的特点
一、速度快
由于Apache Spark支持内存计算，并且通过DAG（有向无环图）执行引擎支持无环数据流，所以官方宣称其在内存中的运算速度要比Hadoop的MapReduce快100倍，在硬盘中要快10倍。
二、易于使用
Spark 的版本已经更新到 Spark 3.1.2（截止日期2021.06.01），支持了包括 Java、Scala、Python 、R和SQL语言在内的多种语言。为了兼容Spark2.x企业级应用场景，Spark仍然持续更新Spark2版本。
三、通用性强
在 Spark 的基础上，Spark 还提供了包括Spark SQL、Spark Streaming、MLib 及GraphX在内的多个工具库，我们可以在一个应用中无缝地使用这些工具库。
四、运行方式
Spark 支持多种运行方式，包括在 Hadoop 和 Mesos 上，也支持 Standalone的独立运行模式，同时也可以运行在云Kubernetes（Spark 2.3开始支持）上。
四、Spark框架的模块
一、Spark Core
- 实现了 Spark 的基本功能，包含RDD、任务调度、内存管理、错误恢复、与存储系统交互等模块。
- 数据结构：RDD
二、Spark SQL
- Spark 用来操作结构化数据的程序包。通过 Spark SQL，我们可以使用 SQL操作数据。
- 数据结构：Dataset/DataFrame = RDD + Schema
三、Spark Streaming
- Spark 提供的对实时数据进行流式计算的组件。提供了用来操作数据流的 API。
- 数据结构：DStream = Seq[RDD]，DStream离散化流
四、Spark GraphX
- Spark中用于图计算的API，性能良好，拥有丰富的功能和运算符，能在海量数据上自如地运行复杂的图算法。
- 数据结构：RDD或者DataFrame
五、Spark MLlib
- 提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据导入等额外的支持功能。
- 数据结构：RDD或者DataFrame。