Spark 简介

==> 什么是 Spark

    ---> Spark 是一个针对大规模数据处理的快速通用引擎

    ---> Spark 是 MapReduce 的替代方案，并且兼容 HDFS, Hive, 可容入Hadoop 的生态系统，弥补 MapReduce 的不足

==> Spark 核心    RDD (Resilient Distributed Datasets  弹性分布式数据集)

    ---> RDD 可简单理解为： 一个提供了不少操做接口的数据集合，分布式存储于集群环境中的存储设备中（内存或硬盘），其中包括容错，并行处理等功能

==> Spark 特色

    ---> 快

        ---- 优势：与Mapreduce 相比，Spark 基于内存运算，运算速度要快100倍，基于硬盘计算，运算速度要快 10 倍

        ---- 缺点：没有对内存进行管理，把全部的内存管理都交给应用程序，以弥补MapReduce的不足，

                        容易出现 OOM（out  of  memory）, 可以使用 Java  Heap  Dump  工具分析 Java 程序的内存溢出

    ---> 易用 

        ---- Spark 支持 Java ，Python, Scala 的 API 

        ---- 支持80多种算法

        ---- 支持交互式，能够在shell 中使用Spark 验证解决问题的方法

    ---> 通用（生态圈）

        ---- 批处理

        ---- 交互式查询   （Spark  SQL）

        ---- 实时流处理    （Spark Streaming）

        ---- 机器学习        ( Spark  MLlib )

        ---- 图计算            ( GraphX )

        ---- 与 Hadoop 很好的融合， 能够直接操做 HDFS, 并提供 Hive on Spark, Pig on Spark的框架集成 Hadoop（配置Hive on Spark 还不成熟）

    ---> 兼容性    能够很是方便的与其它开源产品进行融合

        ---- 能够使用 Hadoop 的  YARN 和 Apache  Mesos 做为它的资源管理调度器

        ----  能够处理全部 Hadoop 支持的数据：HDFS， HBase，  Cassandra 等

        ---- 不须要作任何的数据迁移就能够使用 Spark 的强大处理能力

        ---- 能够不依赖第三方的资源管理和调度器，实现 Standalone 做为它的内置的资源管理和调试框架，下降部署的复杂性

        ----  提供了在 EC2 上部署 Standalone 的Spark 集群工具

==> Spark 生太圈

    ---> Spark Core

    ---> Spark SQL

    ---> Spark Streaming

    ---> Spark MLLib: 机器学习

    ---> Spark GraphX: 图计算