目录
1.什么是Spark
Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行计算框架，Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。Spark是Scala编写，方便快速编程。
2.总体技术栈
3.Spark演变历史
- • Spark是美国加州大学伯克利分校的AMP实验室(主要创始人lester和Matei)开发的通用的大数据处理框架
- • 2009伯克利大学开始编写最初的源代码
- • 2010年才开放的源码
- • 2012年2月发布了0.6.0版本
- • 2013年6月进入了Apache孵化器项目
- • 2013年年中Spark的主要成员成立的DataBricks公司
- • 2014年2月成为了Apache的顶级项目（8个月的时间）
- • 2014年5月底Spark1.0.0发布
- • 2014年9月Spark1.1.0发布
- • 2014年12月spark1.2.0发布
- • 2015年3月Spark1.3.0发布
- • 2015年6月Spark1.4.0发布
- • 2015年9月Spark1.5.0发布
- • 2016年1月Spark1.6.0发布
- • 2016年5月Spark2.0.0预览版发布
- • 2016年7月Spark2.0.0正式版发布
- • 2016年12月Spark2.1.0正式版发布
- • 2017年7月Spark2.2发布
4.Spark与MapReduce的区别
都是分布式计算框架，Spark基于内存，MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上，Spark中除了基于内存计算外，还有DAG有向无环图来切分任务的执行先后顺序。Spark简单易用，支持多种语言编写，支持java，scala，python，R等。
5.Spark运行模式
- Local
多用于本地测试，如在eclipse，idea中写程序测试等。
- Standalone
Standalone是Spark自带的一个资源调度框架，它支持完全分布式。
- Yarn
Hadoop生态圈里面的一个资源调度框架，Spark也是可以基于Yarn来计算的。
- Mesos
资源调度框架，国内用的比较少
***** 要基于Yarn来进行资源调度，必须实现AppalicationMaster接口，Spark实现了这个接口，所以可以基于Yarn。