SparkCore-尚硅谷大数据技术之 Spark

【实例截图】

【核心代码】

第 第1 章 Spark 概述
1.1 Spark 是什么
Spark 是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。
1.2 Spark and Hadoop
在之前的学习中，Hadoop 的 MapReduce 是大家广为熟知的计算框架，那为什么咱们还
要学习新的计算框架 Spark 呢，这里就不得不提到 Spark 和 Hadoop 的关系。
首先从时间节点上来看:
➢ Hadoop
⚫ 2006 年 1 月，Doug Cutting 加入 Yahoo，领导 Hadoop 的开发
⚫ 2008 年 1 月，Hadoop 成为 Apache 顶级项目
⚫ 2011 年 1.0 正式发布
⚫ 2012 年 3 月稳定版发布
⚫ 2013 年 10 月发布 2.X (Yarn)版本
➢ Spark
⚫ 2009 年，Spark 诞生于伯克利大学的 AMPLab 实验室
⚫ 2010 年，伯克利大学正式开源了 Spark 项目
⚫ 2013 年 6 月，Spark 成为了 Apache 基金会下的项目
⚫ 2014 年 2 月，Spark 以飞快的速度成为了 Apache 的顶级项目
⚫ 2015 年至今，Spark 变得愈发火爆，大量的国内公司开始重点部署或者使用 Spark
然后我们再从功能上来看:
➢ Hadoop
 尚硅谷大数据 技术之 Spark
—————————————————————————————
更多 Java –大数据 –前端 –python 人工智能资料下载，可百度访问：尚硅谷官网
3
⚫ Hadoop 是由 java 语言编写的，在分布式服务器集群上存储海量数据并运行分布式
分析应用的开源框架
⚫ 作为 Hadoop 分布式文件系统，HDFS 处于 Hadoop 生态圈的最下层，存储着所有
的 数 据 ， 支 持 着 Hadoop 的 所 有 服 务 。 它 的 理 论 基 础 源 于 Google 的
TheGoogleFileSystem 这篇论文，它是 GFS 的开源实现。
⚫ MapReduce 是一种编程模型，Hadoop 根据 Google 的 MapReduce 论文将其实现，
作为 Hadoop 的分布式计算模型，是 Hadoop 的核心。基于这个框架，分布式并行
程序的编写变得异常简单。综合了 HDFS 的分布式存储和 MapReduce 的分布式计
算，Hadoop 在处理海量数据时，性能横向扩展变得非常容易。
⚫ HBase 是对 Google 的 Bigtable 的开源实现，但又和 Bigtable 存在许多不同之处。
HBase 是一个基于 HDFS 的分布式数据库，擅长实时地随机读/写超大规模数据集。
它也是 Hadoop 非常重要的组件。
➢ Spark
⚫ Spark 是一种由 Scala 语言开发的快速、通用、可扩展的大数据分析引擎
⚫ Spark Core 中提供了 Spark 最基础与最核心的功能
⚫ Spark SQL 是 Spark 用来操作结构化数据的组件。通过 Spark SQL，用户可以使用
SQL 或者 Apache Hive 版本的 SQL 方言（HQL）来查询数据。
⚫ Spark Streaming 是 Spark 平台上针对实时数据进行流式计算的组件，提供了丰富的
处理数据流的 API。
由上面的信息可以获知，Spark 出现的时间相对较晚，并且主要功能主要是用于数据计算，
所以其实 Spark 一直被认为是 Hadoop 框架的升级版。
1.3 Spark or Hadoop
Hadoop 的 MR 框架和 Spark 框架都是数据处理框架，那么我们在使用时如何选择呢？
⚫ Hadoop MapReduce 由于其设计初衷并不是为了满足循环迭代式数据流处理，因此在多
并行运行的数据可复用场景（如：机器学习、图挖掘算法、交互式数据挖掘算法）中存
在诸多计算效率等问题。所以 Spark 应运而生，Spark 就是在传统的 MapReduce 计算框
架的基础上，利用其计算过程的优化，从而大大加快了数据分析、挖掘的运行和读写速
度，并将计算单元缩小到更适合并行计算和重复使用的 RDD 计算模型。
 尚硅谷大数据 技术之 Spark
—————————————————————————————
更多 Java –大数据 –前端 –python 人工智能资料下载，可百度访问：尚硅谷官网
4
⚫ 机器学习中 ALS、凸优化梯度下降等。这些都需要基于数据集或者数据集的衍生数据
反复查询反复操作。MR 这种模式不太合适，即使多 MR 串行处理，性能和时间也是一
个问题。数据的共享依赖于磁盘。另外一种是交互式数据挖掘，MR 显然不擅长。而
Spark 所基于的 scala 语言恰恰擅长函数的处理。
⚫ Spark 是一个分布式数据快速分析项目。它的核心技术是弹性分布式数据集（Resilient
Distributed Datasets），提供了比 MapReduce 丰富的模型，可以快速在内存中对数据集
进行多次迭代，来支持复杂的数据挖掘算法和图形计算算法。
⚫ Spark和Hadoop的根本差异是多个作业之间的数据通信问题 : Spark多个作业之间数据
通信是基于内存，而 Hadoop 是基于磁盘。
⚫ Spark Task 的启动时间快。Spark 采用 fork 线程的方式，而 Hadoop 采用创建新的进程
的方式。
⚫ Spark 只有在 shuffle 的时候将数据写入磁盘，而 Hadoop 中多个 MR 作业之间的数据交
互都要依赖于磁盘交互
⚫ Spark 的缓存机制比 HDFS 的缓存机制高效。
经过上面的比较，我们可以看出在绝大多数的数据计算场景中，Spark 确实会比 MapReduce
更有优势。但是 Spark 是基于内存的，所以在实际的生产环境中，由于内存的限制，可能会
由于内存资源不够导致 Job 执行失败，此时，MapReduce 其实是一个更好的选择，所以 Spark
并不能完全替代 MR。
1.4 Spark 核心模块
 尚硅谷大数据 技术之 Spark
—————————————————————————————
更多 Java –大数据 –前端 –python 人工智能资料下载，可百度访问：尚硅谷官网
5
➢ Spark Core
Spark Core 中提供了 Spark 最基础与最核心的功能，Spark 其他的功能如：Spark SQL，
Spark Streaming，GraphX, MLlib 都是在 Spark Core 的基础上进行扩展的
➢ Spark SQL
Spark SQL 是 Spark 用来操作结构化数据的组件。通过 Spark SQL，用户可以使用 SQL
或者 Apache Hive 版本的 SQL 方言（HQL）来查询数据。
➢ Spark Streaming
Spark Streaming 是 Spark 平台上针对实时数据进行流式计算的组件，提供了丰富的处理
数据流的 API。
➢ Spark MLlib
MLlib 是 Spark 提供的一个机器学习算法库。MLlib 不仅提供了模型评估、数据导入等
额外的功能，还提供了一些更底层的机器学习原语。
➢ Spark GraphX
GraphX 是 Spark 面向图计算提供的框架与算法库。