1.什么是Spark
Apache Spark™ is a fast and general engine for large-scale data processing. Apache Spark is an open source cluster computing system that aims to make data analytics fast both fast to run and fast to wrtie
官方网址:http://spark.apache.org/
Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)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MapReduce的算法。Spark是Scala编写,方便快速编程。
2.总体技术栈
3. Spark的演变历史
Spark是美国加州大学伯克利分校的AMP实验室(主要创始人lester和Matei)开发的通用的大数据处理框架
2009伯克利大学开始编写最初的源代码
2010年才开放的源码
2012年2月发布了0.6.0版本
2013年6月进入了Apache孵化器项目
2013年年中Spark的主要成员成立的DataBricks公司
2014年2月成为了Apache的顶级项目(8个月的时间)
2014年5月底Spark1.0.0发布
2014年9月Spark1.1.0发布
2014年12月spark1.2.0发布
2015年3月Spark1.3.0发布
2015年6月Spark1.4.0发布
2015年9月Spark1.5.0发布
2016年1月Spark1.6.0发布
2016年5月Spark2.0.0预览版发布
2016年7月Spark2.0.0正式版发布
2016年12月Spark2.1.0正式版发布
2017年7月Spark2.2发布
4.Spark和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有向无环图来切分任务的执行先后顺序。
5.Spark运行模式
(1)Local
多用于本地测试,如在eclipse,idea中写程序测试等。
(2)Standalone
Standalone是Spark自带的一个资源调度框架,它支持完全分布式。
(3)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。
(4)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。