1 Spark 简介与原理

Spark 是一个大规模数据处理的统一分析引擎。

具有迅速、通用、易用、支持多种资源管理器的特点。

Spark生态系统:

1. Spark SQL是一种结构化的数据处理模块。它提供了一个称为Data Frame的编程抽象，也可以作为分布式SQL查询引擎。

2. Spark Streaming是一个Sprak API核心的一个存在可达到超高通量的扩展，并可处理实时数据流并容错。

   数据可以从许多来源Kafka，Flume，Twitter，ZeroMQ， Kinesis，TCP sockets并且可以使用复杂的算法和高级功能表示处理Map，Reduce，Join和Window。 最后，处理后的数据可以被推送到文件系统，数据库。

3. MLlib（machine learning library）是Spark提供的可扩展的机器学习库。MLlib中已经包含了一些通用的学习算法和工具，如：分类、回归、聚类、协同过滤、降维以及底层的优化原语等算法和工具。MLlib提供的API主要分为以下两类：

   •spark.mllib包中提供的主要API。

   •spark.ml包中提供的构建机器学习工作流的高层次的API。

4. GraphX在Graphs和Graph-parallel并行计算中是一个新的部分，GraphX是Spark上的分布式图形处理架构，可用于图表计算。

1.1 Spark与Hadoop的区别

两者解决问题的方式不一样。
Hadoop是分布式数据设施；由普通计算机组成的Spark则是一个专门的工具，但它并不会进行分布式数据的存储。

两者可合可分等。
Hadoop可用自身的MapReduce来代替Spark，Spark也可不依赖Hadoop，而选择其他基于云的数据系统平台。

1.2 Spark的应用场景

• 保险行业：通过使用Spark的机器学习功能来处理和分析所有索赔，优化索赔报销流程。
• 医疗保健：使用Spark Core，Streaming和SQL构建病人护理系统。
• 零售业：使用Spark分析销售点数据和优惠券使用情况。
• 互联网：使用Spark的ML功能来识别虚假的配置文件，并增强他们向客户展示的产品匹配。
• 银行业：使用机器学习模型来预测某些金融产品的零售银行客户的资料。
• 科学研究：通过时间，深度，地理分析地震事件来预测未来的事件。
• Twitter情绪分析：分析大量的推文，以确定特定组织和产品的积极，消极或中立的情绪。
• 地理空间分析：按时间和地理分析Uber旅行，以预测未来的需求和定价。

1.3 Spark的作业运行流程

1. 启动SparkContext
2. 注册申请资源
3. 分配资源，之后启动Executor
4. Executor向SparkContext注册
5. 分配提交任务
6. 注销释放资源

1.4 Spark 2.X与Spark 1.X的区别

• Spark2.x 引入了很多优秀特性，性能上有较大提升，API 更易用。
• 在“编程统一”方面非常惊艳，实现了离线计算和流计算 API 的统一，实现了 Spark sql 和 Hive Sql 操作 API 的统一。
• Spark 2.x 基本上是基于 Spark 1.x 进行了更多的功能和模块的扩展，及性能的提升。