Spark初探

一、Spark简介及特性

1.1什么是Spark

Apache Spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架。最初在2009年由加州大学伯克利分校的AMPLab开发，并于2010年成为Apache的开源项目之一。Spark为我们提供了一个全面、统一的框架用于管理各种有着不同性质（文本数据、图表数据等）的数据集和数据源（批量数据或实时的流数据）的大数据处理的需求。

1.2 Spark特性

Spark在数据处理过程中使用低成本的shuffle方式，同时利用内存数据计算和高效的处理能力，将Hadoop的MapReduce提升到一个更高层次，比其他的大数据处理技术的性能高出不少；Spark支持大数据查询的延迟计算，帮助优化大数据处理流程中的处理步骤；提供的高级API让用户非常容易入门进而编写分布式应用程序；以弹性分布式数据集RDD（Resilient Distributed Datesets）为基石，提供对数据的并行、容错处理。

二、Spark作业运行流程

以下简要介绍其工作流程（以spark-submit模式提交）及术语：

A) 用户编写程序提交给spark后便生成一个相应的application；application在运行时会在Driver模块中创建SparkContext（spark资源环境）作为调度的总入口；

B) 在Manager模块中初始化创建DAGScheduler（进行Stage调度）和TaskScheduler（进行Task调度）两个模块，为后续的任务调度做准备；

C) 将提交的application进行DAG和Task的划分，最后分发给各个数据处理节点运行；

D) 数据处理节点启动Executor模块将分配过来的Task进行数据处理，所需资源需要向Manager申请；

E) 将各个节点处理之后的数据汇总给Manager，Manager再把数据组织之后汇报给Driver，完成作业。

基本运行流程如下图：