国家工商信息公示系统百度上海推广优化公司
文章作者邮箱：yugongshiye@sina.cn 地址：广东惠州
▲ 本章节目的
⚪ 了解Spark的框架核心概念；
⚪ 掌握Spark的Spark集群模式安装；
⚪ 掌握Spark的Spark架构；
⚪ 掌握Spark的Spark调度模块；
一、Spark框架核心概念
1. RDD。弹性分布式数据集，是Spark最核心的数据结构。有分区机制，所以可以分布式进行处理。有容错机制，通过RDD之间的依赖关系来恢复数据。
2. 依赖关系。RDD的依赖关系是通过各种Transformation（变换）来得到的。父RDD和子RDD之间的依赖关系分两种：①窄依赖 ②宽依赖。
①针对窄依赖：父RDD的分区和子RDD的分区关系是：一对一。
窄依赖不会发生Shuffle，执行效率高，spark框架底层会针对多个连续的窄依赖执行流水线优化，从而提高性能。例如 map flatMap等方法都是窄依赖方法。
②针对宽依赖：父RDD的分区和子RDD的分区关系是：一对多。
宽依赖会产生shuffle，会产生磁盘读写，无法优化。
3. DAG。有向无环图，当一整条RDD的依赖关系形成之后，就形成了一个DAG。一般来说，一个DAG，最后都至少会触发一个Action操作，触发执行。一个Action对应一个Job任务。
4. Stage。一个DAG会根据RDD之间的依赖关系进行Stage划分，流程是：以Action为基准，向前回溯，遇到宽依赖，就形成一个Stage。遇到窄依赖，则执行流水线优化（将多个连续的窄依赖放到一起执行）。
5. task。任务。一个分区对应一个task。可以这样理解：一个Stage是一组Task的集合。
6. RDD的Transformation（变换）操作：懒执行，并不会立即执行。
7. RDD的Action(执行）操作：触发真正的执行。