Spark概述

1.什么是Spark

Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，2010年开源，2013年6月成为Apache孵化项目，2014年2月成为Apache顶级项目。目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLlib等子项目，Spark是基于内存计算的大数据并行计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群

2.为什么要学Spark

Spark是Mapreduce的替代方案，而且兼容HDFS，Hive，可以融合到Hadoop的生态系统中去，以弥补Mapreduce的不足

Hadoop：两步计算，磁盘存储 Spark：多步计算，内存存储

中间结果输出：基于MapReduce的计算引擎通常会将中间结果输出到磁盘上，进行存储和容错。出于任务管道承接的考虑，当一些查询翻译到MapReduce任务时，往往会产生多个Stage，而这些串联的Stage又依赖于底层文件系统（如HDFS）来存储每一个Stage的输出结果

最后修改于 2018-10-08

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。