Spark概述

Spark产生背景一：MapReduce局限性

说起Spark的产生背景，就得说一下MapReduce的局限性。

1. 仅支持Map和Reduce两种操作。
2. MapReduce处理效率低，体现在：
   (1) Map阶段会将中间结果写入磁盘， Reduce阶段会将运算结果写入HDFS，多个MR任务之间通过HDFS交换数据。
   (2) 任务调度和启动开销大。
   (3) MapReduce无法充分利用内存。
   (4) Map阶段和Reduce阶段都需要对运算结果进行排序。
3. MapReduce不适合批处理（如机器学习、 图计算等）， 交互式处理（如数据挖掘）和流式处理（如日志分析）等。
4. MapReduce编程不够灵活。

Spark产生背景二：框架多样化

现有的各种计算框架各自为战，例如，批处理计算框架有MapReduce、Hive和Pig，流式计算框架有Storm，交互式计算框架有Impala和Presto，那么能否有一种灵活的框架可同时进行批处理、 流式计算、 交互式计算？

这时，Spark应运而生了，它可以同时进行批处理、 流式计算、 交互式计算。

Spark特点

高效
1. Spark是内存计算引擎，它提供了Cache机制来支持需要反复迭代的计算或者多次数据的共享，以此减少数据读取的I/O开销。
2. Spark通过DAG引擎减少了多次计算产生的中间结果写到HDFS的开销。
3. Spark可以使用线程池来减少task的启动开销，并避免了shuffle过程。
4. Spark没有不必要的sort操作并减少了磁盘I/O操作。
易用
1. Spark提供了丰富的API， 支持Java、Scala、Python和R四种语言。
2. Spark的代码量比MapReduce少了2~5倍。
与Hadoop集成
1. 读写HDFS/Hbase
2. 与YARN集成

Spark与MapReduce的区别

从上图可知，Spark在内存中以近乎于”实时”的时间完成所有的数据分析，而MapReduce处理过程中会发生多次I/O，例如写中间结果到磁盘等，Spark数据处理速度秒杀MapReduce！当然，内存断电后会丢失数据，Spark就不能用于处理需要长期保存的数据了。不过，虽然Spark号称”内存计算框架”，但它也可更改设置将数据写到磁盘上的。

Spark和Hadoop的关系

最后，补充说明一下Spark和Hadoop的关系。下图展示了Hadoop生态圈。

Hadoop实质上更多是一个分布式数据基础设施，但除了HDFS分布式数据存储功能之外，还提供了MapReduce数据处理功能。
Spark是专门用来对分布式存储的大数据进行处理的工具，它不会对分布式数据进行存储，但必须和其他分布式文件系统进行集成才能运作。

Spark不是非要依附在Hadoop身上才能生存,也可以选择其他基于云的数据系统平台。但我们认为Spark和Hadoop结合为最佳。

Spark应用场景

1. 商业智能：按天跑批，计算量非常大的同时对效率要求也比较高；Hive on Spark的引入极大地提高了效率。
2. 基于会员画像的快速查询系统业务：Hive on Spark利用其快速查询以及内存计算等优势，承担了CRM即席查询工作。
3. 算法平台：机器学习、 图计算等迭代计算，大大减少了网络传输、 数据落地等， 极大地提高了计算性能。
4. 幽灵统计系统：实现了”数据实时采集、数据实时清洗、系统实时查询”的实时全流程统计。