大数据 Spark 架构

一．Spark的产生背景起源

1.spark特点

1.1轻量级快速处理

Saprk允许传统的hadoop集群中的应用程序在内存中已100倍的速度运行即使在磁盘上也比传统的hadoop快10倍，Spark通过减少对磁盘的io达到性能上的提升，他将中间处理的数据放到内存中，spark使用了rdd（resilient distributed datasets）数据抽象

这允许他在内存中存储数据，所以减少了运行时间

1.2 易于使用

spark支持多种语言。Spark允许java，scala python 及R语言，允许shell进行交互式查询

1.3 支持复杂的查询

除了简单的map和reduce操作之外，Spark还支持filter、foreach、reduceByKey、aggregate以及SQL查询、流式查询等复杂查询。Spark更为强大之处是用户可以在同一个工作流中无缝的搭配这些功能，例如Spark可以通过Spark Streaming（1.2.2小节对Spark Streaming有详细介绍）获取流数据，然后对数据进行实时SQL查询或使用MLlib库进行系统推荐，而且这些复杂业务的集成并不复杂，因为它们都基于RDD这一抽象数据集在不同业务过程中进行转换，转换代价小，体现了统一引擎解决不同类型工作场景的特点。

1.4 实时的流处理

对比maprduce只能处理离线数据。Spark还能支持实时的流计算，spark  streaming 主要用来对数据进行实时的处理，yarn的nodemanger统一调度管理很厉害，在yarn产生后hadoop也可以整合资源进行实时的处理

2.时事产物

2.1    mapreduce产生时磁盘廉价，因此许多设计收回考虑到内存的使用，而spark产生时内存相对廉价，对计算速度有所要求，因此spark的产生是基于内存计算的框架结构mapreduce需要写复杂的程序进行计算，

二．Spark架构

1.spark的体系结构

Spark的体系结构不同于Hadoop的mapreduce 和HDFS ,Spark主要包括spark core和在spark core的基础上建立的应用框架sparkSql  spark Streaming  MLlib  GraphX;

Core库主要包括上下文（spark Context）抽象的数据集（RDD），调度器（Scheduler），洗牌（shuffle） 和序列化器（Seralizer）等。Spark系统中的计算，IO,调度和shuffle等系统的基本功能都在其中

在Core库之上就根据业务需求分为用于交互式查询的SQL、实时流处理Streaming、机器学习Mllib和图计算GraphX四大框架hdfs迄今是不可替代的

 

Spark架构组成图

一．Hive和spark对sql支持的对比

Hive创建数据库   创建表       true

验证策略	脚本	Hive	Spark-sql
创建库 删除库	Create database lvhou_hive Create database lvhou_spark Dorp database lvhou_hive Dorp database lvhou_spark	True	True
创建表 删除表	Use lvhou_hive Create table hive_test(a string,b string) Use lvhou_spark Create table spark_test(a string,b string) Drop table hive_test Drop table spark_test	True	True
CTAS	Create table lvhou_test as selec * from lvhou_test1;	true	false
Insert	Insert into lvhou_hive values(‘hhah’,’heheh’)	true	false
insert	Insert into lvhou_spark value(‘12’.’32’),(‘asd’,’asdf’)	True	false
Select	Select * from lvhou_hive Select * from lvhou_spark	True	True
Select in
Select子查询 in 两条数据 not in 两条数据	select * from test1 where a,b in (select a,b from test2 where a = 'aa'); select * from test1 where a,b not in (select a,b from test2 where a = 'aa');	falese	false
Select union查询 union all	select * from test union all select * from test0;(合一) select * from test union select * from test0;(去重)	true	false
Select union 3查询 union all	select * from (select * from test union select * from test0) a; select a from (select * from test union all select * from test0) a;	false	False
Select exit not exit	select * from test t where exists(select * from test0 t0 where t0.a = t.a); select * from lv_test where exists(select * tfrom test t where lv_test.a = t.a);	True	False
update	update test1 set b = 'abc' where a = 'aa'; update test1 set a = 'abc'; Update test1 set b = 'abc';	True	False
delete	delete from test1 where a = 'aa'; delete from test1;	True	False
TRUNCATE TABLE	Truncate table test;	True	False
Alter	alter table test1 add columns (d string); alter table test drop a; alter table test rename a to a1;	True	False
索引	create index index_a on table test(a) as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler' with deferred rebuild;	True	False
INTERSECT 交集	select a from test INTERSECT select a from test0;	False	False
EXCEPT	select a from test EXCPEPT select a from test0;	False	False
Minus 返回第一个结果中不同的	select a from test minus select a from test0;	False	False
order by 排序	select a from test order by a desc;	True	False
sort by 排序	select a,b from test sort by b desc;	True	False
distribute by	select a,b from test distribute by a;	True	False
distribute by + sort by	select a,b from test distribute by a sort by b asc;	True	False
cluster by	select a,b from test cluster by a;	True	False
trim(string a) 去空格	select trim('   aaa ') from test00;	True	True
substr（string A,int start,int len） 截取字符串	select substr('abcdefg',3,2) from test; select substr('abcdefg',-3,2) from test;	True	True
like	select * from test where a like '%a%';	True	False
Count	select count(*) from test00; select count(distinct *) from test00;	True	False
Sum	select sum(c) from test00; select sum(distinct c) from test00;	True	False
Avg	select avg(c) from test00 select avg(distinct c) from test00	True	False
Min	select min(distinct c) from test00;	True	False
Max	select max(distinct c) from test00;	True	False
group by	select a from test00 group by a ; select a,sum(c) from test00 group by a; select a,avg(c) from test00 group by a;	True	False
Hiving	select a,avg(c) as ac from test00 group by a having ac=1;	True	False
load	load data local inpath '/tmp/qichangjian/test01.txt' overwrite into table test_load;	True	False