Spark简介

什么是Spark

Apache Spark 是专为大规模数据处理儿设计的快速通用的计算引擎。Spark是UC Berkeley AMP Lab所开源的类Hadoop MapReduce的通用并行计算框架，Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存到内存中，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MapReduce算法。Spark是Scala编写，方便快速编程。

Spark与MapReduce的区别？

都是分布式计算框架，Spark基于内存，MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上，Spark中除了基于内存计算外，还有DAG有向无环图切分任务的执行先后顺序。

Spark运行模式

Local

多用于本地测试，如在eclipse，idea中写程序测试

Standalone

Standalone是Spark自带的一个资源调度框架，它支持完全分布式

Yarn

Hadoop生态圈里面的一个资源调度框架，Spark也是可以基于Yarn来计算的

Mesos

资源调度框架

要基于Yarn来进行资源调度，必须实现AppalicationMaster接口，Spark实现了这个接口，所以可以基于Yarn

SparkCore

RDD：弹性分布式数据集

RDD的五大特性：

RDD是由一系列的partition组成的函数是作用在每一个partition(split)上的RDD之间有一系列的依赖关系分区器是作用在K，V格式的RDD上RDD提供一系列最佳的计算位置

注：textFile方法底层封装的是MapReduce读取文件的方式，读取文件之前先split，默认split大小是一个block大小。

RDD的弹性(容错)体现在哪里？

partition数量，大小没有限制RDD之间依赖关系，可以基于上一个RDD重新计算出RDD

RDD的分布式体现在哪里？

RDD是由Partition组成，Partition是分布在不同节点上的RDD提供计算最佳位置，体现了数据本地化。体现了大数据中“计算移动数据不移动”的理念

Spark代码流程

创建SparkConf对象

可以设置值运行模式及资源需求可以设置Application Name //创建SparkConf对象 SparkConf conf = new SparkConf(); //设置本地启动及应用名称 conf.setMaster("local").setAppName("Test");

创建SparkContext对象

//创建JavaSparkContext对象 JavaSparkContext context = new JavaSparkContext(conf);

基于Spark的上下文创建一个RDD，对RDD进行处理

//读取文件 JavaRDD<String> rdd = context.textFile("test.txt");

程序中要有Action类算子来触发Transformation类算子执行

关闭Spark上下文对象SparkContext

//关闭SparkContext context.stop();

关闭Spark上下文对象SparkContext

//关闭SparkContext context.stop();