编辑“Apache Spark”

Apache Spark 是一个[[开源]]的[[大数据]]处理框架，旨在提供快速、通用和易用的数据处理功能。Spark 是一种与Apache Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。
== 概述 ==
Apache Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架，Spark，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是——Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

尽管创建 Spark 是为了支持分布式数据集上的迭代作业，但是实际上它是对 Hadoop 的补充，可以在 Hadoop 文件系统中并行运行。通过名为 Mesos 的第三方集群框架可以支持此行为。Spark 由加州大学伯克利分校 AMP 实验室 (Algorithms, Machines, and People Lab) 开发，可用来构建大型的、低延迟的[[数据分析]]应用程序。
== 功能特点 ==
1、速度快：Apache Spark支持内存计算，并且通过有向无环图（DAG）执行引擎支持无环数据流，据官方称，其在内存中的运算速度比Hadoop的MapReduce快100倍，在硬盘中要快10倍。与MapReduce相比，Spark处理数据时具有两个显著不同之处：首先，它能够将中间处理结果数据存储到内存中；其次，Spark提供了丰富的算子（[[API]]），使得复杂任务可以在一个Spark程序中完成。

2、易用性好：截至2023年4月13日，Spark的版本已更新至3.4.0，支持[[Java]]、Scala、[[Python]]、R和SQL等多种语言。为了满足Spark 2.x企业级应用场景的需求，Spark仍持续更新Spark 2.x版本。

3、通用性强：除了核心功能外，Spark还提供了诸如Spark SQL、Spark Streaming、MLlib和GraphX等多个工具库，用户可以在一个应用中无缝地使用这些工具库。

4、随处运行：Spark支持多种运行方式，包括在YARN和Mesos上支持独立集群运行模式，同时也能够运行在云环境中，如[[Kubernetes]]（Spark 2.3开始支持）。

5、批处理/流数据：用户可以使用首选语言（Python、SQL、Scala、Java或R）以批处理和实时流的方式统一进行数据处理。

6、SQL分析：Spark能够执行快速、分布式的ANSI SQL查询，可用于仪表板和即席报告，其运行速度比大多数数据仓库更快。

7、大规模数据科学：用户可以对PB级数据执行探索性数据分析（EDA），而无需进行缩减采样。

8、机器学习：用户可以在笔记本电脑上训练机器学习算法，并使用相同的代码扩展到数千台[[计算机]]的容错群集。
== 生态结构 ==
* Spark Core：这是Spark的基础组件，包含了Spark的基本功能，如任务调度、内存管理、容错机制等。Spark Core内部采用了弹性分布式数据集（RDD）作为数据抽象，并提供丰富的API来创建和操作这些RDD。

* Spark SQL：这是一个用于处理结构化数据的组件，允许用户直接查询Hive、HBase等多种外部数据源中的数据。Spark SQL可以统一处理关系表，使开发人员能够使用SQL命令来完成复杂的数据查询操作，而无需编写MapReduce程序。

* Spark Streaming：这是Spark提供的流式计算框架，支持高吞吐量、可容错的实时流式数据处理。它的核心原理是将流式数据分解成一系列微小的批处理作业，然后使用Spark Core进行快速处理。

* MLlib：这是Spark提供的机器学习库，包括了多种常用的机器学习算法，如分类、回归、聚类、协同过滤等。它还提供了模型评估、数据导入等功能，使得开发人员只需具备一定的机器学习知识就能进行相关开发。
 
* GraphX：这是Spark提供的分布式图处理框架，它具有丰富的图计算和图挖掘算法的API接口以及功能和运算符，极大地方便了对分布式图的处理，使得可以在海量数据上运行复杂的图算法。
== 部署模式 ==
* 本地模式（单机模式）：通过一个独立的进程和多个内部线程模拟整个Spark运行时环境。本地模式主要用于本地程序开发和代码验证，不适合用于生产环境。

* 独立集群模式（集群模式）：各个Spark角色以独立进程形式存在，组成Spark集群环境。在这种模式下，Spark独立地管理集群的资源。

* Spark on YARN模式（集群模式）：各个Spark角色在YARN的容器内运行，组成Spark集群环境。在这种模式下，Spark不再管理集群资源，而是由YARN进行资源管理。

* Kubernetes模式（容器集群）：各个Spark角色在Kubernetes的[[容器]]内运行，形成Spark集群环境。

* 云服务模式（运行在云平台上）：商业版本的Databricks运行在谷歌云、微软云和亚马逊云等云平台上，提供云端的Spark服务。
== 相关条目 ==
* [[大数据]]
* [[Apache Hadoop]]
* [[Apache Hive]]
* [[Apache Storm]]
* [[Tableau]]
* [[Apache Cassandra]]
* [[Qubole]]