Spark基本工作原理
- 分布式
- 主要基于内存（少数情况基于磁盘）
-
迭代式计算
Spark基本工作原理.png
RDD以及其特点
- RDD是Spark提供的核心抽象，全称为Resillient Distributed Dataset，即弹性分布式数据集。
- RDD在抽象上来说是一种元素集合，包含了数据。它是被分区的，分为多个分区，每个分区分布在集群中的不同节点上，从而让RDD中的数据可以被并行操作。（分布式数据集）
- RDD通常通过Hadoop上的文件，即HDFS文件或者Hive表，来进行创建；有时也可以通过应用程序中的集合来创建。
- RDD最重要的特性就是，提供了容错性，可以自动从节点失败中恢复过来。即如果某个节点上的RDD partition，因为节点故障，导致数据丢了，那么RDD会自动通过自己的数据来源重新计算该partition。这一切对使用者是透明的。
-
RDD的数据默认情况下存放在内存中的，但是在内存资源不足时，Spark会自动将RDD数据写入磁盘。（弹性）
RDD以及其特点.png
什么是Spark开发
- 核心开发：离线批处理 / 延迟性的交互式数据处理
- SQL查询：底层都是RDD和计算操作
- 实时计算：底层都是RDD和计算操作
Spark的核心编程是什么，其实，就是
首先，第一，定义初始的RDD，就是说，你要定义第一个RDD是从哪里，读取数据，hdfs、linux本地文件、程序中的集合。
第二，定义对RDD的计算操作，这个在spark里称之为算子，map、reduce、flatMap、groupByKey，比mapreduce提供的map和reduce强大的太多太多了。
第三，其实就是循环往复的过程，第一个计算完了以后，数据可能就会到了新的一批节点上，也就是变成一个新的RDD。然后再次反复，针对新的RDD定义计算操作
第四，最后，就是获得最终的数据，将数据保存起来。