Spark生态顶级项目汇总

现在Apache Spark已形成一个丰富的生态系统，包括官方的和第三方开发的组件或工具。后面主要给出5个使用广泛的第三方项目。

Spark官方构建了一个非常紧凑的生态系统组件，提供各种处理能力。 下面是Spark官方给出的生态系统组件（引自Spark官方文档）

1. Spark DataFrames：列式存储的分布式数据组织，类似于关系型数据表。

2. Spark SQL：可以执行SQL查询，包括基本的SQL语法和HiveQL语法。读取的数据源包括Hive表、Parquent文件、JSON数据、关系数据库（MySQL等）等。

3. Spark Streaming：Spark Streaming是Spark核心API，易扩展、高吞吐量、流式数据容错。

4. MLlib：Spark的机器学习库，由常规的机器学习算法和基础构成，包括但不限于分类算法、回归算法、聚类算法、协调过滤算法、降维算法等。

5. GraphX：Spark GraphX是一个分布式图处理框架，基于Spark平台提供对图计算和图挖掘的接口，方便用户对分布式图处理的需求。

6. Spark Core API：Spark提供多种语言的API，包括R、SQL、Python、Scala和Java。

除了上述官方的Spark组件外，还有些是在某种情形下必用的项目。以下只是简单的列出这些重量级 项目，而不涉及一些性能指标。

1. Mesos

2. Mesos是开源的资源统一管理和调度平台。抽象物理机的CPU、内存、存储和计算资源，再由框架自身的调度器决定资源的使用者。

3. Mesos是Master／Slave结构，由Mesos－master，Mesos－slave，Framework和executor四个组件构成。

4. 为什么官方选用Mesos，而不是Spark standalone模式或者基于Yarn框架？由Spark开发者所写的书《Learning Spark》：Mesos优于其它两个资源框架是因为Mesos的细粒度调度，这样可让多用户运行Spark shell占有更少的CPU。

5. Spark Cassandra Connector

6. Cassandra是一个易扩展、高性能的数据库。 Spark Cassandra Connector现在是Spark和Cassandra表间直接交互的连接器，高度活跃的开源软件。 Spark Cassandra Connector库让你读Cassandra表就如同Spark RDD一样，同样可以写Spark RDD到Cassandra表，并可以在Spark程序中执行CQL语句。

7. ZepellinZepellin是一个集成IPythoon notebook风格的Spark应用。Zepellin可以基于Spark和Scala，允许用户很简单直接的在他们的博客或者网站发布代码执行的结果。Zepellin也支持其它语言插件，包括Scala和Spark，Python和Spark，SparkSQL，HIve，Markdown和Shell。

1. Spark Job ServerSpark Job Server提供RESTful接口来提交和管理Spark jobs，jar包和job上下文。Spark Job Server提供Spark任务相关的运行健康信息。

2. Alluxio

3. Alluxio是一个分布式内存文件系统，它在减轻Spark内存压力的同时，也赋予Spark内存快速读写海量数据的能力。Alluxio以前叫做Tachyon，即钨丝。Spark jobs可以不做任何改变即可运行在Alluxio上，并能得到极大的性能优化。Alluxio宣称：“百度使用Alluxio可以提高30倍多数据处理能力”。