标签：contex shuff source job ec2 关系 情况 大量 三方
Spark是一种统一、快速、通用、可扩展的分布式大数据分析引擎。分布式体现在Spark一般情况是以集群模式存在，架构为Master/Slaver(主从结构)。大数据分析引擎体现在Spark能够分析数据，但是没有存储。一般线上的spark数据来源 （HDFS, Hive、Kafka、Flume、日志文件、关系型数据库、NoSQL数据库）。Spark数据出口（HDFS、Hive、Kafka、Redise、关系型数据库、NoSQL数据库）。
Spark是基于内存计算的大数据并行计算框架，Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。
目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLlib等子项目。
1、统一：Spark能够适应多种计算场景（离线计算、实时计算、机器学习、图计算、AI应用）。一般公司在进行技术选型过程，首选Spark。
2、快速：Spark在使用过程中，会读取HDFS上数据，并且会将HDFS中数据驻留在内存当中，将数据进行缓存、在后续数据迭代操作过程能够重用内存中的数。在逻辑回归（算法）处理中，Spark的速度要比Hadoop 理论上快100倍。与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。
此外，Spark还具有一站式解决方案：
五大模块：
1、SparkCore （处理离线数据）
2、SparkSQL (主要用来做多维数据分析、以及交互式查询)
3、SparkStreaming （实时数据处理程序）
4、Spark MLlib （机器学习 包含非常多算法，相当于Spark提供的一个算法库）
5、Spark Graphx （图计算处理模块）
Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。
3、通用：Spark支持多种语言（Java、Scala、Python、R、SQL）。Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用，而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。
4、可扩展：Spark能够兼容 （hadoop、hive、hbase、yarn、kafka、flume、redise、关系型数据等），Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。
Spark是一个开源的类似于Hadoop MapReduce的通用的并行计算框架。Spark基于map、reduce算法实现的分布式计算，拥有Hadoop MapReduce所具有的优点，但不同于MapReduce的是Spark中的job中间输出和结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map、reduce的算法。
Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生态系统以弥补MapReduce的不足。
金融风险管控系统 （对实时性要求比较，起码毫秒级）
精细化运行系统 （CMS系统 、BI系统）
精准广告推荐系统（Spark机器学习，一般在广告或者电商公司应用）
Spark context Web UI：Spark Job任务的管理界面
Spark context：初始化SparkContext对象名称sc（SparkContext对象是Spark应用程序的入口对象）
master = local[*]：默认情况下Spark-shell 向本地机器获取资源
app id = local-1557469470546，每个Spark应用程序都会产生一个appid
Spark session：一次会话对象，可以使用Sparksession调用SparkSQL
只是一些基本的流程步骤，具体的细节还是需要用很多的时间进行学习的，要加倍努力哦！
Application：基于Spark的应用程序，包含了driver程序和集群上的executor。
Cluster Manager：指的是在集群上获取资源的外部服务。目前有三种主流类型：
Worker Node： 集群中任何可以运行Application代码的节点，在Standalone模式中指的是通过slaves文件配置的Worker节点，在Spark on Yarn模式下就是NodeManager节点。
Executor：是在一个worker node上为某应用启动的?个进程，该进程负责运行任务，并且负责将数据存在内存或者磁盘上。每个应用都有各自独立的executor。
Task：被送到某个executor上的工作单元。
可靠性的弹性：RDD的数据在丢失数据的时候能够自动恢复。RDD在计算过程中会出现失败的情况，失败以后会进行一定次数的重试（4次）。
并行度的弹性：RDD的数据分区可以改变，进而增加并行计算的粒度。
2、分布式：
RDD的数据是分布存储的，也就是Spark集群中每个节点上只存储了RDD的部分数据，计算时同样也是分布式并行计算的。
3、数据集：
RDD是一个数据容器，用来组织管理数据的，跟Array和List类似，并且都能够进行map、flatMap、filter等。
窄依赖：父RDD中一个partition最多被子RDD中的一个partition所依赖，这种依赖关系就是窄依赖
窄依赖算子：map 、filter 、union 、flatMap等
宽依赖：父RDD中一个partition被子RDD中的多个partition所依赖，这种依赖关系就是宽依赖
宽依赖算子：groupByKey、reduceByKey。凡是By基本上都是宽依赖
另一种理解方式可以为：
一对一或者多对一：窄依赖
一对多或者多对多：宽依赖
RDD与RDD之间存在依赖关系，依赖关系都是通过转换算子构建的。Spark应用程序会通过Action算子触发Job操作，Job在运行过程中 是从后往前回溯的，回溯的时候就是根据RDD的依赖关系。这样就构建了RDD的血统机制。有了依赖链条的存在，当RDD中数据丢失的时候，会根据血统机制进行自动恢复数据。
窄依赖：
父RDD中一个partition最多被子RDD中一个partition所依赖，所以当子RDD中一个parition数据丢失时会重算其相应的父RDD中的数据，不需要对整个RDD进行数据恢复。
宽依赖：
父RDD中一个partition被子RDD中多个partition所依赖的， 所以如果子RDD中的一个partition数据丢失，那么它会重算其所依赖的所有父RDD的partition。
标签：contex shuff source job ec2 关系 情况 大量 三方
原文地址：https://www.cnblogs.com/dbnixi/p/12383844.html
