spark与hadoop集成详解

我们经常被问到如何让spark集成到hadoop生态系统中，如何让spark在现有的hadoop集群中运行，本文的目的就是来回答上述问题。

1，spark主要用于提高而不是取代hadoop栈，从一开始spark就被设计从hdfs中读取存储数据，类似于其他的存储系统，例如Hbase, Amazon S3等，因此，hadoop用户可以通过结合spark来提高hadoop MR, Hbase 及其他大数据平台的处理能力。

2， 我们一直致力于为每个hadoop用户充分利用spark的性能，不论你是在用hadoop1.x还是hadoop2.x（Yarn), 也不论有没有hadoop集群的管理员权限，现在有三种方式把spark配置到hadoop集群中：

1） 独享（standalone)配置:

在独享模式下用户可以在hadoop集群一组或全部机器中静态分配资源，与hadoop MR同时运行，用户可以在hdfs上运行专属的spark任务，对hadoop 1.x用户这种模式配置较简单。

2）Hadoop Yarn配置：

hadoop用户可以简单的把spark运行在yarn中无需任何准备工作或者管理员权限，像其他运行在spark上层的模块一样充分利用spark的强大计算能力。

3）基于MR运行配置(SIMR):

如果Hadoop用户没有运行Yarn，除了standalone配置，还有一种就是SIMR，也就是spark运行在MapReduce之上。利用SIMR，用户仅需几分钟下载spark shell就消除配置障碍，spark就运行起来了。

3， 与其他系统互操作：

spark不仅能运行在hadoop上，而且还可以运行在其他主流大数据技术上面。

1） Apache Hive:

通过shark, spark可以让hive用户查询更加快速，hive是基于Hadoop上的数据仓库挖掘技术，而shark可以使用户让hive框架直接运行在spark上，无需hadoop。 以此使hive提高100倍以上的内存查询能力， 10倍以上的磁盘查询能力。 

2） AWS EC2:

用户可以使用脚本或者基于内嵌在amazon的弹性MapReduce上的shark, 容易得 把spark运行在EC2上面。

3） Apache Mesos:

当spark运行在Mesos上时，集群管理系统能通过分布式应用提供有效的资源隔离，包括MPI,hadoop等。 Mesos能充分利用spark任务运行中的闲置资源，最大限度的共享，从而使性能大幅提升，尤其是当运行时间较长的spark任务时。