Spark学习全总结

基础概念：
Spark 是一个快速、通用的大数据处理引擎，支持多种计算模式，如批处理、流处理、交互式查询和机器学习等。

特点:

速度快：基于内存计算，能将数据缓存在内存中，避免频繁读写磁盘，大幅提高处理速度。同时采用了先进的优化技术，如数据分区、推测执行等。

易用性高：支持多种编程语言，如Scala、Java、Python和R等，提供了丰富的API，方便用户进行开发。

通用性强：提供了多种高层组件，包括用于批处理的Spark SQL、用于流计算的Spark Streaming、用于机器学习的MLlib和用于图计算的GraphX等，能满足不同类型的大数据处理需求。

可扩展性好：能轻松扩展到大量的节点上，处理大规模的数据集，具有良好的容错机制，可自动处理节点故障。

与MapReduce比较:
基于内存计算，相较于 MapReduce 等传统框架，能显著提升数据处理速度，适合迭代计算。
拥有丰富的生态系统，包括 Spark SQL、Spark Streaming、MLlib（机器学习库）和 GraphX（图计算库）等组件。

核心组件：

RDD（弹性分布式数据集）：Spark 的核心数据结构，是一个容错、并行的数据集合，可以进行各种转换（如 map、filter、join 等）和动作操作（如 collect、count、save 等）。

DAG（有向无环图）：作业的逻辑执行计划，由 RDD 的一系列操作构建而成，Spark 会根据 DAG 对作业进行优化和调度。
 
Executor：运行在工作节点（Worker Node）上的进程，负责执行任务并处理数据。
 
Driver：程序的入口点，负责创建 SparkContext，协调各个工作节点，调度任务。

编程：

Scala ：Scala 是 Spark 的主要编程语言之一，使用 Scala API 可以灵活地操作 RDD，实现复杂的数据处理逻辑。

SQL ：Spark SQL 允许使用 SQL 语句进行数据查询和分析，支持与多种数据源（如 Hive）的集成。

Spark SQL:

功能：用于处理结构化数据，支持SQL查询和DataFrame、DataSet API，能与多种数据源（如Hive、JSON、Parquet等）进行交互，并提供了查询优化和执行计划生成等功能。

应用场景：适用于需要进行SQL风格的数据查询、分析和处理的场景，如商业智能报表、数据仓库查询等。

Spark Streaming：

用于处理实时流数据，将流数据分割成小的批次进行处理，实现近似实时的数据分析。
 
支持多种数据源，如 Kafka、Flume等，以及各种流处理操作，如窗口操作、状态管理等。

DStream转换：DStream 上的操作与 RDD 的类似，分为 Transformations（转换）和 Output Operations（输出）两种，此外转换操作中还有一些比较特殊的原语，如：updateStateByKey()、transform()以及各种 Window 相关的原语。