vlambda博客
学习文章列表

大数据发展到现在，提到大数据计算引擎，Spark一定是大家不能忽视的一个。经过这些年来的发展，Spark在大数据行业中的市场占有率也在不断提高，能够自己独立支持集群运，还能够与Hadoop生态集成运行，因此收到大家的广泛欢迎。今天加米谷学院就来为大家来聊一聊，Spark在大数据生态当中的定位。

初期的大数据，Hadoop框架受到大家的重视是显而易见的，然而随着新的数据处理需求的产生，Hadoop在实时数据流上的计算，Hadoop的劣势逐渐展现出来。而此时，Spark就在这种的背景下诞生了，我们可以看到的是，Spark对Hadoop MapReduce计算框架的替代和优化。

Spark和Hadoop一样都是基于分布式集群进行并行计算。并且Spark能够快速完成计算任务，相较于MapReduce，Spark很大的一个变化在于，将原来在磁盘上运行的任务转移到内存当中来进作，而且对于内存计算的效率相较基于磁盘计算，要快很多。

同时，比较MapReduce只固定支持map与reduce这两种的任务类型，Spark则延续了MapReduce的模式，还能够支持更多的任务类型，可以适应更多的计算场合。Spark对于分布式大数据的抽象处理，让使用者不必像写MapReduce一样，太过于关注底层的实现逻辑，而是在处理层次上投入更多精力。Spark解决的核心问题，是数据计算任务的解决，对于数据存储以及任务调度，还需要依靠其他工具来执行。

Spark的工作需要配合存储层，举例来说就像Hadoop中的HDFS分布式文件存储或者MongoDB、Cassandra这种类型数据库来完成。与此同时，它还需要一个集群的管理器，比如YARN、Mesos等用来管理相应的数据处理任务。当然Spark自己也提供集群管理功能，这样集群的每个节点都需要安装Spark，用于进行任务的编排。

Spark发展到现在，已经形成了相对完善的大数据处理生态，包含S有park ML用来处理基于大量数据的机器学习任务，还有Spark Streaming用于处理小批量的流式数据等。

了解Spark在大数据生态当中的定位。我们需要了解的是，Spark作为大数据处理引擎，虽然并不能完美解决所有环节的问题，但是对于绝大部分问题，都能够给出合适的方案，不管是独立运行还是集成运行，Spark系统的可用性都很高。