Spark

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拥有MapReduce都具有的优点，但不同的是Spark的job中间处理结果可以保存在内存中，从而不再需要读取HDFS。

Spark能更好的适用于数据挖掘与机器学习等需要迭代的算法。

一、Spark特点

1.速度快。

2.简单易用。

3.通用。

4.无处不运行 --Yarn|Mesos|Standalone|K8s

二、Spark技术栈

相关：HDFS，Yarn,Hive,Storm,

SparkCore,SparkSQL,SparkStreaming

三、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：

1.Spark基于内存计算。

2.Spark有DAG（有向无环图）执行引擎，来切分任务的执行先后顺序。

四、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

Apache的资源调度框架。

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

五、术语解释

1.Master

Standalone资源管理的主节点（进程）。

2.Worker

Standalone资源管理的从节点（进程）。

3.Application

基于Spark的用户程序，包含了Driver程序和运行在集群上的Executor程序。

4.Driver

用来连接Worker进程的程序。

5.Executor

是在一个Worker进程所管理的节点上为Application启动的一个进程。该进程负责运行任务，并且将数据存在内存或者磁盘上，每一个Application都有各自独立的Executor。

6.Job

包含很多Task的并行计算。可以看作和Action算子对应，一个Application中有多少个Action算子，就有多少个Job。

7.Stage

一个Job会被拆分很多组任务，每组任务被称为Stage。Stage切割规则，从前往后，遇到宽依赖就切割。

8.Task

被送到某个Executor上的工作单元。