深入spark.pptx

深入Spark目录Spark简介Spark总体流程核心模块的实现Spark应用库Spark与Hadoop的区别与联系Spark应用什么是Sparka MapReduce-like cluster computing framework designed for low-latency iterative jobs and interactive use from an interpreter大数据的电花火石Spark是UC Berkeley AMPLab开发的是一种计算框架，分布式资源工作交由集群管理软件（Mesos、YARN） Apache Spark?is a fast and general engine for large-scale data processingSpark的发展历程2009：Spark诞生于伯克利大学 AMPLab2010：开源2013.6：Apache孵化器项目2014.2：Apache顶级项目目前为止，发布的最新版本为Spark1.4.1 Spark在最近6年内发展迅速，相较于其他大数据平台或框架而言，Spark的代码库最为活跃。截止2015年6月Spark的Contributor比2014年涨了3倍，达到730人；总代码行数也比2014年涨了2倍多，达到40万行Spark应用也越来越广泛，最大的集群来自腾讯——8000个节点，单个Job最大分别是阿里巴巴和Databricks——1PBSpark代码贡献者每个月的增长曲线//Spark特点Spark采用Scala语言编写，底层采用了actor model的akka作为通讯框架，代码十分简洁高效。基于DAG图的执行引擎，减少多次计算之间中间结果写到Hdfs的开销。建立在统一抽象的RDD（分布式内存抽象）之上,使得它可以以基本一致的方式应对不同的大数据处理场景。先进架构高效提供Cache机制来支持需要反复迭代的计算或者多次数据共享，减少数据读取的IO开销。与Hadoop的MapReduce相比，Spark基于内存的运算比MR要快100倍；而基于硬盘的运算也要快10倍！易用Spark提供广泛的数据集操作类型（20+种），不像Hadoop只提供了Map和Reduce两种操作。Spark支持Java，Python和Scala API，支持交互式的Python和Scala的shell。Logistic regression in Hadoop and Spark以其RDD模型的强大表现能力，逐渐形成了一套自己的生态圈，提供了full-stack的解决方案。主要包括Spark内存中批处理，Spark SQL交互式查询，Spark Streaming流式计算， GraphX和MLlib提供的常用图计算和机器学习算法。提供整体解决方案与Hadoop无缝衔接Spark可以使用YARN作为它的集群管理器读取HDFS,HBase等一切Hadoop的数据One Stack to rule them allSpark整体架构Spark SQLSpark StreamingMLlib(machine learning)GraphX (graph)工具层计算层SparkHbase…TachyonCassandraS3YARNMesosStandaloneHDFS存储层资源调度层Spark提供了多种高级工具： Shark SQL应用于即席查询（Ad-hoc query）、Spark Streaming应用于流式计算、 MLlib应用于机器学习、GraphX应用于图处理。Spark可以基于自带的standalone集群管理器独立运行，也可以部署在Apache Mesos 和 Hadoop YARN 等集群管理器上运行。Spark可以访问存储在HDFS、 Hbase、Cassandra、Amazon S3、本地文件系统等等上的数据，Spark支持文本文件，序列文件，以及任何Hadoop的InputFormat。目录Spark简介Spark总体流程核心模块的实现Spark应用库Spark与Hadoop的区别与联系Spark应用Spark核心概念Spark任务提供多层分解的概念，Spark组件将用户的应用程序分解为内部执行任务并提供执行容器，资源管理为spark组件提供资源管理和调度。Spark任务应用程序：由一个driver program和多个job构成； job：由多个stage组成； stage：对应一个taskset，taskset：对应一组关联的相互之间没有shuffle依赖关系的task组成。task：任务最小的工作单元Spark组件Driver Program (驱动程序) 是Spark 的核心组件构建SparkContext(Spark应用的入口,它负责和整个集