Spark 是基于内存计算的分布式大数据处理框架，由加州大学伯克利分校 AMPLab 开发，现已成为 Apache 顶级项目。以下是其核心要点：

 

核心特点

 

1. 内存计算：数据可驻留内存，大幅提升迭代计算（如机器学习、图计算）效率，比 Hadoop MapReduce 快数倍至数十倍。

2. 多语言支持：原生支持 Scala、Java、Python、R，提供统一 API。

3. 一站式生态：集成 Spark SQL（结构化数据）、Spark Streaming（流处理）、MLlib（机器学习）、GraphX（图计算），覆盖数据处理全流程。

4. 高兼容性：可读写 HDFS、HBase、Kafka 等数据源，无缝集成 Hadoop 生态。

5. 灵活部署：支持本地模式、集群模式（YARN/Mesos/Kubernetes），适配不同规模场景。

 

核心概念

 

1. 弹性分布式数据集（RDD）

- Spark 的基本数据结构，代表分布式存储的不可变数据集合，支持 转换（Transformation） 和 动作（Action） 操作。

- 例： rdd = sc.parallelize([1, 2, 3]) （创建 RDD）， rdd.filter(x > 2).collect() （转换+动作）。

2. 分布式计算模型

- Driver Program：协调任务的主程序，负责调度作业（Job）。

- Executor：实际执行任务的进程，分布在集群节点，负责存储和计算。

- DAG（有向无环图）：任务执行流程的逻辑图，Spark 自动优化任务调度。

 

主要组件

 

- Spark Core：提供内存计算和分布式任务调度的基础能力。

- Spark SQL：支持 SQL 和 DataFrame/Dataset 接口，处理结构化数据，兼容 Hive。

- Spark Streaming：支持实时流数据处理，基于微批（Micro-Batch）或持续处理模型。

- MLlib：内置机器学习算法库，支持分类、回归、聚类等。

- GraphX：图计算组件，支持图遍历、PageRank 等算法。

 

典型应用场景

 

- 批量数据处理：替代 MapReduce，处理离线日志、ETL 任务。

- 实时流处理：分析实时日志、传感器数据（如 Kafka 数据源）。

- 交互式分析：通过 Spark SQL 或 Jupyter 进行即席查询（Ad-hoc Query）。

- 机器学习与图计算：构建推荐系统、社交网络分析等。

 

与 Hadoop 的关系

 

- 互补而非替代：Spark 依赖 Hadoop 的 HDFS 存储数据，YARN 管理资源，但计算层性能远超 MapReduce。

- 生态整合：Spark 可直接读取 Hive 表数据，或通过 HBase 实现实时数据读写。

 

快速入门步骤

 

1. 安装 Spark：下载二进制包，配置环境变量（需提前安装 Java/Scala/Python）。

2. 启动交互式环境：

spark-shell # Scala 环境

pyspark # Python 环境

 

3. 运行第一个程序：

val data = sc.parallelize(1 to 1000)

val result = data.filter(_ % 2 == 0).count()

println(result) // 输出偶数个数

 

 

如需深入某部分（如架构原理、代码示例），可随时告知！