大数据分析主流工具-Spark介绍
一.Spark是什么
Spark是伯克利大学2009年开始研发的一个项目，它是大数据时代下的一个快速处理数据分析工作的框架。spark发展十分迅速，2014年，Hadoop的四大商业机构均宣称全力支持Spark,今后将全面接收基于Spark编写的数据挖掘与分析算法，多家世界顶级的数据企业例如Google,Facebook等现已纷纷转向Spark框架。
近两年，Spark在中国的发展达到了一个前所未有的状态和高度。其中阿里巴巴的搜索和广告业务，最初使用Mahout和MapReduce来解决复杂的机器学习问题，但是在效率和代码维护方面并不理想，现已转向Spark框架。淘宝技术团队
使用Spark实现了多次迭代的机器学习算法和一些高计算复杂度的算法，并将其运用在推荐系统上；同时还利用Spark中的一系列组件解决了基于最大连通图的社区发现、基于三角形计数的关系衡量、基于随机游走的用户属性传播等许多生产问题。止匕外，腾讯也是最早使用Spark的应用之一，借助Spark快速迭代的优势，腾讯提出了大数据精准推荐，并采用“数据+算法+系统”这套技术方案支持每天上百亿的请求量。
二、为什么spark如此之火?
•Spark四大特性之特性一：快速
相同的实验环境与数据下，在内存中运行相同的程序，Spark比MapReduce快约100倍；在磁盘中运彳T相同的程序，Spark要MapReduce快约10倍。例如图2所示，Spark和MapReduce进行逻辑回归运算后的实验数据。
®①ER6UC仁ria
针对于非常考验系统性能的排序问题，图3解释Spark与MapReduce对100TB
数据样本排序的实验结果比较：MapReduce用了2100台机器，花费72分钟;
而Spark仅用207台机器，不到前者的1/10,花费23分钟，接近前者的1/3
On-DiskSortRecord:Timetosort100TB
2013Record:2100machines：：：：：：；：：：
Hadoop
oniHDcL-rj.207machines:
21i14Record::
Spark
23minutes
此外，众多实验表明，在处理迭代式应用上Spark比MapReduce快20多倍；计算数据分析类报表的性能提高了40多倍；Spark能够在5-7秒的延时内交互式扫描仃B数据集。Spark运行速度如此之快，主要得益于以下两方面：一方面，Spark中的运算大多是基于内存的。Spark提出了一种分布式的内存抽象，称为弹性分布式数据集(RDD,ResilientDistributedDatasets)。RDD支持基于工作集的应用，同时具有数据流模型的特点：自动容错、位置感知调度和可伸缩性。
RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续的查询能够重用工作集，这极大地提升了查询速度。另一方面，Spark从稳定的物理存储(如分布式文件系统)中加载记录，记录被传入由一组确定性操作构成的DAG,然后
写回稳定存储。DAG数据流图能够在运行时自动实现任务调度和故障恢复。尽管非循环数据流是一种很强大的抽象方法，但仍然有些应用无法使用这种方式描述。
Spark能够在多个并行操作之间重用工作数据集，适用于非循环数据流模型难以处理的应用。
•Spark四大特性之特性二：易用
Spark编程非常高效、简洁，支持多种语言的API,如Java,Scala,Python
等，而且代码非常简洁。例如在基于MapReduce开发的WordCount示例程序中，用户需要重写Map类和Reduce类，虽然MapReduce类似八股文的程序编写模式极大地简化了并行程序开发过程，但是程序代码至少几十行。若基于Spark开发同样的WordCount程序，仅需下面短短的几行代码，例如下面程序是对存储在HDFS上的wc.input中的单词个数进行统计：sc.textFile("hdfs://master:8020/user/dong/spark/wc.input").flatMap(.split("")).map((,
1)).reduceByKey(_+_).collect由此可见，Spark编程非常简洁。这主要是因为Spark是基于Scala开发，其对数据处理提供了丰富的操作，极大地提高了用户的程序开发效率。目前基于Spark的实际项目开发中约70%采用Scala语言，这是因为Spark本身就是基于Scala开发的；其次是JAVA,约占20%；此外还有Python等。
•Spark四大特性之特性三：通用
相对与第一代的大数据生态系统Hadoop中的MapReduce,Spark无论是在性能还是在方案的统一性方面，都有着极大的优越性，虽然MapReduce在此方面也在做积极的努力，但Spark
的优势还是明显的。Spark框架通常涉及到五个最核心的组件。如图4所示，位于下面的ApacheSpark又称为SparkCore。在SparkCore的基础上，针对一些特殊的需求，Spark开发了一系列组件：Spark
SQL(在Spark上建立是SQL,类似于Hive);SparkStreaming(实时流处理系统)；MLlib(用户友好的机器学习库)；GraphX(图处理组件)，此外还有一个BlinkDB(基于海量数据的交互式查询引擎，能够在设定的误差范围内或响
应时间内进行SQL查询）。将这些组件放在一起，就构成了一个Spark的软件栈基于这个软件栈Spark提出并实现了一种理念“onestacktorulethemall
即Spark可以对大数据进行综合处理：实时数据流处理、批处理和交互式查询
这一软件栈就体现了hbase为什么查询快Spark的通用性。
Stretm
Processing
Adhoc
QuerH
Onestacktorulethemall!
•Spark四大特性之特性四：多种运行模式

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。