Spark进阶（二）

Spark Stream

将Stream数据分成小的时间片段，以类似batch批处理的方式来处理这一部分数据，兼容实时数据处理的逻辑和算法和兼容批量处理。

Spark MLlib

SparkSQL

1.MapReduce计算过程大量的磁盘落地消耗了大量的io，降低运行效率。此时shark应运而生，同期的还有Impala和Drill。

shark（在hive的基础上，把HQL翻译成Spark的RDD操作。实现基于内存的SQL查询）
运作：通过Hive的HQL解析，把HQL翻译成Spark的RDD操作，然后通过Hive的metadata获取数据库的表信息，shark获取HDFS上的数据和文件并放到Spark上运行。
修改了hive的内存管理，物理计划，执行三个模块：
shark使用Hive的API来实现query parsing和Logic Plan generation，最后的Physical Plan Generation阶段用Spark代替Hadoop的Map Reduce。

2.Shark对于hive的太多依赖（如采用hive的语法解析器、查询优化器等等），制约了Spark的统一栈管理的原则，故有了SparkSQL的出现。

• SparkSQL汲取了Shark的优点，如内存列存储，hive的兼容性等
• 同时还兼容RDD、parquet文件、Json文件中获取数据
• 性能方面，除了内存列存储，还引进了Cost Model对查询进行动态评估

3.Spark和Impala在并发性还有一定的差距

GraphX

1.Pregel
google继mapReduce之后提出的又一计算模型，主要用于图的计算。

2.GraphX
有Table和Graph的两种图，但只需要一种物理存储，Table视图将图看成顶点属性和边属性的组合。

3.GraphX与Pregel的关系

Tachyon（HDFS（磁盘）tachyon（cache））

主从架构
分布式内存文件系统，用于缓存常用数据（HDFS是存储海量数据）

通过Zookeeper做HA，可以部署多台Standby Master