来，我教你spark

      首先推出的spark系列，为啥要学习spark呢？spark是基于内存计算，速度更快，更时髦？spark是All-in-one，集成了流式计算（spark Streaming），即席查询（spark SQL）, 机器学习（MLlib), 图处理（GraphX）于一身？不，仅仅就因为：

       当然了，如果努力学习，却只是得了个“B”,那么效果确实不太好，针对前段时间对spark实践做了部门技术分享，我发现有些同事听的稀里糊涂，难道是老衲尽力了，队友CBA？ 显然不是，所以我打算以一种比较幽默的方式（当然本人是个比较严肃，认真脸.jpg），更多的图像展示来说明技术，以及更细粒度的对spark进行详细的介绍。

       一言不合就甩图：

       spark官方用这张图来表示spark的速度是hadoop的100多倍。然后你就会发现，官方原来也这么能吹牛逼，这种没有说明场景，以一概全的比较显然是耍流氓。于是乎，坊间流传，Spark要取代hadoop了。。。。。。当然，谣言止于智者，本人正式说明，spark不可能取代hadoop，hadoop是个生态，更准确点说，spark会逐步取代mapreduce，二者同是分布式计算框架，那么他们两到底有啥区别呢？首先，他们名字不一样。。。。。。。

• 磁盘与内存

Mapreduce更像是一个学渣，Spark更像是个学神，一个基于磁盘，一个基于内存，先天条件就表明spark的表现要远远好于Mapreduce。MR喜欢将中间结果写到磁盘上，计算过程也是一板一眼，分成map, reduce两个过程，处理完数据落地到磁盘，然后下一个job继续从磁盘读取数据，继续下一个map,  reduce过程；Spark相对机灵一点，事先评估好做事情的策略和方法（有向无环图DAG），计算数据放在内存里，当然了，这对内存的要求要高得多，如果内存不够，spark就会把数据一部分落地到磁盘，那么这时候效率也会有所下降。

• map, reduce  和 算子的比较

Spark提供的数据集操作类型有很多种，不像Mapreduce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，Spark把这些操作称为Transformations。同时还提供Count, collect, reduce, lookup, save等多种actions操作。

这些多种多样的数据集操作类型，给给开发上层应用的用户提供了方便。各个处理节点之间的通信模型不再像Mapreduce那样就是唯一的Data Shuffle一种模式，可以说编程模型比Hadoop更灵活。

• 应用场景

Mapreduce善于对海量数据的离线处理，对时间和效率上要求不是那么高，不适合迭代计算，如机器学习，图计算等，交互式计算，流式处理。而spark在这几个方面表现很好。

       以上是mapreduce和spark的几点主要区别。这时候你可能觉得spark也没那么难，不过如此

      其实这只是稍微介绍了spark，以后会详细介绍以下重点概念，大概每个点都可以写成一篇文章：

RDD

Master

Worker

Transformation

Action

SparkContext

DAGScheduler

TaskScheduler

Executor

Task

Shuffle

BlockManager

CacheManager

。。。

      先把这几个重点概念词背熟了。。。为啥要先讲spark的原理机制？因为后期程序运行报错以及调优都要求对spark的运行机制非常熟悉。

为了让你有个大体的印象，我只能继续甩图

                                             spark原理机制图-1

   

         spark应用程序提交，也就是一个Application，Driver程序解析，通过程序中action操作，把Application切分成一个个job，注意了，action!!! action就是count, collect, save这些算子操作。DAGScheduler又把job切分成一个一个stage，依据又是啥呢？ShuffleDependency，宽依赖，也就是那些会触发shuffle的transformation？DAGScheduler在这过程起的作用：面向stage的切分，切分依据为宽依赖，维护waiting jobs和active jobs，维护waiting stages、active stages和failed stages，以及与jobs的映射关系。

        Stage又被分成一个个Task，DAGScheduler把TaskSet里的一个个Task提交给了TaskScheduler，TaskScheduler维护task和executor对应关系，executor和物理资源对应关系，在排队的task和正在跑的task。内部维护一个任务队列，根据FIFO或Fair策略，调度任务。

           然后Task呢？这里先不讲了，以后慢慢展开。

                                           spark原理机制图-2  

    先头脑里有个大概印象，具体以后会展开介绍。

欢迎关注个人微信公众号：BigData共享

文章来自：

https://mp.weixin.qq.com/s?__biz=MzU2NzA3OTEwMg==&mid=2247483663&idx=1&sn=8f98a51b66d08b742484fbb6a0360ef7&chksm=fca3f8decbd471c81a70723a8a408f6c901a723165440cd7b8f6d4415c06944a747052de1082#rd