Spark原理详解

Spark是基于内存计算的通用大规模数据处理框架。

Spark快的原因：
Spark基于内存，尽可能的减少了中间结果写入磁盘和不必要的sort、shuffleSpark对于反复用到的数据进行了缓存Spark对于DAG进行了高度的优化，具体在于Spark划分了差异的stage和使用了延迟计算技术
弹性数据分布集RDD：

Spark将数据保存分布式内存中，对分布式内存的抽象理解，提供了一个高度受限的内存模型，他是逻辑上集中，物理上是存储再集群的多台机器上。

RDD的五大特点:

1.RDD是由一系列parition组成。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。

2.算子（函数）是作用在partition上的。Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。

3.RDD之间有依赖关系。RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。

4.分区器作用在K,V格式的RDD上。Spark中实现了两类型型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于于key-value的RDD，才会有Partitioner，非key-value的RDD的Parititioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。

5.parition提供数据最佳的计算位置，有利于数据处理的本地化。

对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理念，Spark在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

RDD的窄依赖和宽依赖

窄依赖（一对一）：没有数据的shuffling，所有的父RDD的partition会一一映射到子RDD的partition中

宽依赖（一对多）：发生数据的shuffling，父RDD中的partition会根据key的差异进行切分，划分到子RDD中对应的partition中

Spark的执行流程

1.用户创建Spark程序并提交 

2.每个action会生成一个job，包含了一系列的RDD和对其如何进行操作的transformation 

3.每个job生成一个DAG(有向无环图) 

4.DAGScheduler根据宽依赖对DAG进行划分stage并生成task组（一个stage对应一组task，一个partition对应一个task）

5.Spark集群在worker上以一组Task为单位进行执行计算




创建RDD方式:

1).使用程序中的集合创建rdd

2).使用本地文件系统创建rdd

3).使用hdfs创建rdd

4).基于数据库db创建rdd

5).基于Nosql创建rdd，如hbase

6).基于s3创建rdd

7).基于数据流，如socket创建rdd




Spark技术栈

1.HDFS YARN MR hive

2.Spark core

3.SparkSQL

4.SparkStreaming




Spark代码流程：

1.创建Conf  val conf=new SparkConf().setMaster(