第一章 Spark概述

1.1 Spark核心组件

1. Spark Core : spark 核心，提供底层框架及核心支持；

2. Spark SQL : 可以对多个数据源执行SQL查询；

3. Spark Streaming : 流式计算（实时）；

4. MLBase : 机器学习；

5. MLlib : 数据挖掘，属于 MLBase ；

6. GraphX : 图计算；

7. SparkR : 数学计算，使 R 摆脱单机运行；

1.2 Spark架构

1. 客户端程序：用户提交作业。
2. Driver : 运行 Application 的 main 函数并创建 SparkContext 。Application 指的是用户编写的 Spark 应用程序。
3. SparkContext : 应用上下文，控制整个生命周期。
4. Cluster Manager ：资源管理器。
5. Spark Worker：集群中任何可以运行 Application 的结点。
6. Executor：运行在 Worker 的 Task 执行器。
7. Task：具体工作任务。

具体流程如图：

1.3 Spark三种环境

1.3.1 单机环境

1. 也被称为 Local[N] 模式，N代表线程数；

2. 多线程；

3. 用于验证应用程序逻辑上是否有问题

1.3.2 伪分布式环境

1. 多进程；
2. 也用于验证应用程序逻辑上是否有问题

1.3.3 完全分布式环境

1. 最常用 Standalone 模式，分为 Driver、Executor、Master、Worker 四种进程；
2. Driver：运行 Spark 应用程序；
3. Executor：通过启动多个线程（Task）来执行对RDD的 partitions 进行并行计算；
4. Master：负责资源调度和分配；
5. Worker：用自己的内存存储RDD的某些 Partitions 并执行并行计算

具体流程如图：

1.4 Spark核心数据集RDD

1. RDD可以理解为一个提供了许多操作接口的数据集合；
2. RDD数据可以分为一至多个 partitions ，存储在不同机器中；

1.4.1 RDD常用操作

1. 转换算子（Transformation）：将原始数据集转换为RDD，或将一个RDD转换为另一个RDD；

2. 行动算子（Action）：将RDD存储到硬盘，或触发转换操作的执行；

1.4.2 RDD的懒操作特性

所有转换操作都是懒惰（Lazy）操作，即只做记录，并不执行；

1.4.3 宽依赖与窄依赖

1. 宽依赖（一对一）：子RDD的每个分区只依赖于父RDD的一个分区；
2. 窄依赖（多对一）：子RDD的每个分区都依赖于父RDD的多个分区；

1.4.4 Stage的划分

1. 一个 Job 会被划分成一定数量的 Stage ，每个 Stage 按顺序执行；
2. Spark 有两类 Task，包括 ShuffleMapTask 和 ResultTask;
3. ShuffleMapTask 输出的是 Shuffle 所需的数据，ResultTask 输出的是最终的结果；
4. 每个 Shuffle 之前都是一个 Stage；

如图：

groupBy() 和 join() 为 Shuffle 操作，得到 Stage1 和 Stage2，join() 操作本身是 Stage3