Spark最初的设计目标是基于内存计算的大数据批处理系统，用于构建大型的、低延迟的数据分析应用程序。
Spark从最初仅使用内存的批处理系统，转为内外存同时使用的批处理系统，增加 Spark Streaming 支持实时流计算，Structured Streaming 支持批流融合，也提供机器学习工具包 MLlib 和图处理工具包 GraphX。因而 Spark 已形成较完整的软件栈。
本章讲述的 Spark 实际上是指 Spark Core 内容。
1 设计思想
1.1 MapReduce的局限性
- MapReduce仅提供map和reduce两个编程算子，编程框架的表达能力有限，用户编程复杂。
- 单个作业中，需要Shuffle的数据以阻塞方式传输，磁盘I/O开销大，延迟高。
- 需要Shuffle的数据先由Map任务将计算结果写入本地磁盘，之后Reduce任务才能读取该计算结果。
- 多个作业之间衔接涉及I/O开销，应用程序的延迟高。
- 特别是延迟计算，迭代中间结果的反复读写，使得整个应用程序的延迟非常高
- 资源管理和作业管理紧耦合。
1.2 数据模型
Spark 将数据抽象为弹性分布式数据集 RDD，具有3个特性：
- Resilient：具有可恢复的容错特性
- Distributed：每个RDD分为多个分区，不同分区存在集群不同节点，每个分区是一个数据集片段
- Dataset：Spark 操作对象是抽象的数据集，而不是文件
1.3 计算模型
Spark提供丰富的操作算子对RDD进行变换。操作算子分为：
- 创建：从本地内存或外部数据源创建RDD，提供数据输入的功能。
- 转换 Transformation：描述RDD的转换逻辑，提供对RDD进行变换的功能。
-
行动 Action：标志转换结束，触发
DAG生成。- 行动操作包含数据输出类、count、collect等操作算子
RDD是只读的，不可变。RDD转换/行动操作会不断生成新的RDD，而不改变原有的RDD。
—— 遵循函数式编程的特性（变量值是不可变的）
为什么这样设计？
对RDD进行并行转换操作时，RDD的不变性能简化设计，也能保证容错恢复
Spark的逻辑计算模型：Operator DAG、RDD Lineage
- Operator DAG 描述的主体是算子，RDD Lineage 描述的主体是数据
- RDD Lineage中，通过读入外部数据源进行RDD创建，经过一系列转换操作，每次都产生不同的RDD供下一个转换操作使用，最后一个RDD经过“行动”操作进行转换并输出到外部数据源。
Spark的物理计算模型
2 体系架构
2.1 架构图
抽象的Spark架构图，包含：集群管理器、执行器、驱动器。
- Cluster Manager：集群管理器，负责管理整个系统的资源，监控工作节点。
- 根据Spark部署方式的不同，Spark可分为：
- Standalone模式：不使用Yarn等其他资源管理系统，该模式的集群管理器包含Master、Worker
- Yarn模式：将Spark与Yarn一起部署，该模式的集群管理器包含ResourceManager、NodeManager
- 根据Spark部署方式的不同，Spark可分为：
- Executor：执行器，负责任务执行。
- 本身是运行在工作节点上的一个进程，启动若干线程Task或线程组TaskSet执行任务
- 在Standalone部署方式下，Executor进程名称为Coarse Grained Executor Backend
- Driver：驱动器，负责启动应用程序的主方法并管理作业运行。
⚠️MapReduce中Task是进程，Spark中Task是线程。
Spark架构实现资源管理、作业管理的分离：Cluster Manager负责集群资源管理、Driver负责作业管理。
Standalone模式下Spark的架构图（没画Driver）
Standalone中的Driver：
- 逻辑上，Driver独立于主节点、从节点以及客户端
- 但根据应用程序的不同运行方式，Driver可以不同形式存在
- Client方式：Driver和客户端同一个进程
- Cluster方式：系统将由某一Worker启动一个进程作为Driver（DriverWrapper）
客户端提交应用程序时可以选择Client或Cluster。
Spark系统