Spark简介：适用场景、核心概念、创建RDD、支持语言等介绍

问题导读：

1.大数据有哪四大特征？

2.Spark和Hadoop有什么不同呢?

3.Spark的适用哪些场景？

4.RDD的生成有哪两种创建方式？

5.Spark支持哪些语言开发？

大数据平台软件需要同时支持海量数据存储和高速分析能力。

大数据的四大特征——海量的数据规模（volume）、快速的数据流转和动态的数据体系（velocity）、多样的数据类型（variety）和巨大的数据价值（value）。

     目前，HDFS加Map Reduce的组合很好的解决了海量数据规模和多样的数据类型的问题，但在对高速的数据查询需求、不同数据规模的场景下对应用的灵活支持还有很大的提升空间。Apache Spark作为下一代Map/Reduce计算框架，充分利用了内存加速，很好的解决了交互式查询和迭代式机器学习的效率问题。Transwarp Data Hub通过对Apache Spark和Apache Hadoop2.0的支持，使用优化内存处理技术，能10x/100x级别的提升Hadoop平台的性能。

同时通过对新的框架的整合和优化处理技术，Transwarp Data Hub扩大了Hadoop的应用领域和处理不同数据压力的能力，适合处理从GB到PB级别的数据。目前适用于离线分析，统计/挖掘；在线的存储和OLAP系统；以及在线的基于内存的高速分析。

Spark是一个通用的并行计算框架，由UCBerkeley的AMP实验室开发。

Spark和Hadoop有什么不同呢?

Spark是基于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。

其架构如下图所示：

1.      Spark的中间数据放到内存中，对于迭代运算效率比较高。

2.      Spark比Hadoop更通用。

Spark提供的数据集操作类型有很多种，不像Hadoop只提供了Map和Reduce两种操作。比如map, filter, flatMap,sample,groupByKey, reduceByKey, union, join, cogroup, mapValues, sort,partionBy等多种操作类型，他们把这些操作称为Transformations。同时还提供Count, collect, reduce,lookup, save等多种actions。

这些多种多样的数据集操作类型，给上层应用者提供了方便。各个处理节点之间的通信模型不再像Hadoop那样就是唯一的DataShuffle一种模式。用户可以命名，物化，控制中间结果的分区等。可以说编程模型比Hadoop更灵活。

Spark与Hadoop的结合

Spark可以直接对HDFS进行数据的读写，同样支持Sparkon YARN。Spark可以与MapReduce运行于同集群中，共享存储资源与计算，数据仓库Shark实现上借用Hive，几乎与Hive完全兼容。

Spark的适用场景

Spark是基于内存的迭代计算框架，适用于需要多次操作特定数据集的应用场合。需要反复操作的次数越多，所需读取的数据量越大，受益越大，数据量小但是计算密集度较大的场合，受益就相对较小

由于RDD的特性，Spark不适用那种异步细粒度更新状态的应用，例如web服务的存储或者是增量的web爬虫和索引。就是对于那种增量修改的应用模型不适合。

总的来说Spark的适用面比较广泛且比较通用。

运行模式

• 本地模式
• Standalone模式
• Mesoes模式
• yarn模式
  

Spark核心概念

(RDD)弹性分布数据集

RDD是Spark的最基本抽象,是对分布式内存的抽象使用，实现了以操作本地集合的方式来操作分布式数据集的抽象实现。RDD是Spark最核心的东西，它表示已被分区，不可变的并能够被并行操作的数据集合，不同的数据集格式对应不同的RDD实现。RDD必须是可序列化的。RDD可以cache到内存中，每次对RDD数据集的操作之后的结果，都可以存放到内存中，下一个操作可以直接从内存中输入，省去了MapReduce大量的磁盘IO操作。这对于迭代运算比较常见的机器学习算法, 交互式数据挖掘来说，效率提升比较大。

RDD的特点：

　　1. 它是在集群节点上的不可变的、已分区的集合对象。

　　2. 通过并行转换的方式来创建如(map, filter, join,etc)。

　　3. 失败自动重建。

　　4. 可以控制存储级别(内存、磁盘等)来进行重用。

　　5. 必须是可序列化的。

6. 是静态类型的。

RDD的生成有两种创建方式：

1、从Hadoop文件系统(或与Hadoop兼容的其它存储系统)输入(例如HDFS)创建。

2、从父RDD转换得到新RDD。

下面来看一从Hadoop文件系统生成RDD的方式，如：val file =spark.textFile("hdfs://...")，file变量就是RDD(实际是HadoopRDD实例)，生成的它的核心代码如下：

// SparkContext根据文件/目录及可选的分片数创建RDD, 这里我们可以看到Spark与Hadoop MapReduce很像

    // 需要InputFormat, Key、Value的类型，其实Spark使用的Hadoop的InputFormat, Writable类型。

    def textFile(path: String, minSplits: Int =defaultMinSplits): RDD[String] = {

        hadoopFile(path,classOf[TextInputFormat], classOf[LongWritable],

        classOf[Text], minSplits) .map(pair=> pair._2.toString) }

    // 根据Hadoop配置，及InputFormat等创建HadoopRDD  

    new HadoopRDD(this, conf, inputFormatClass,keyClass, valueClass, minSplits)  

对RDD进行计算时，RDD从HDFS读取数据时与Hadoop MapReduce几乎一样的：

   reader =fmt.getRecordReader(split.inputSplit.value, conf, Reporter.NULL)

   val key: K = reader.createKey()

    val value: V = reader.createValue()

  //使用Hadoop MapReduce的RecordReader读取数据，每个Key、Value对以元组返回。

    override def getNext() = {

    try {

      finished = !reader.next(key, value)

    } catch {

      case eof: EOFException =>

        finished = true

    }

      (key, value)

    }

Scala

Spark使用Scala开发，默认使用Scala作为编程语言。编写Spark程序比编写Hadoop MapReduce程序要简单的多，SparK提供了Spark-Shell，可以在Spark-Shell测试程序。写SparK程序的一般步骤就是创建或使用(SparkContext)实例，使用SparkContext创建RDD，然后就是对RDD进行操作。如：

    val sc = new SparkContext(master, appName,[sparkHome], [jars])

    valtextFile = sc.textFile("hdfs://.....")

    textFile.map(....).filter(.....).....

Python

现在Spark也提供了Python编程接口，Spark使用py4j来实现python与java的互操作，从而实现使用python编写Spark程序。Spark也同样提供了pyspark，一个Spark的python shell，可以以交互式的方式使用Python编写Spark程序。 如：

   from pyspark import SparkContext

    sc = SparkContext("local","Job Name", pyFiles=['MyFile.py', 'lib.zip', 'app.egg'])

    words =sc.textFile("/usr/share/dict/words")

    words.filter(lambda w:w.startswith("spar")).take(5)

Java

Spark支持Java编程，但对于使用Java就没有了Spark-Shell这样方便的工具，其它与Scala编程是一样的，因为都是JVM上的语言，Scala与Java可以互操作，Java编程接口其实就是对Scala的封装。如：

    JavaSparkContext sc = newJavaSparkContext(...);  

    JavaRDD lines =ctx.textFile("hdfs://...");

    JavaRDD words = lines.flatMap(

      new FlatMapFunction<String,String>() {

         public Iterable call(String s) {

            return Arrays.asList(s.split(""));

         }

       }

    );

感谢楼主分享。学习了。

不错  学习了

谢谢楼主分享。            

感谢楼主！谢谢！

RDD还是没怎么搞懂

谢谢楼主分享。