Apache Spark 簡介

Apache Spark是開放原始碼的叢集運算框架，由加州大學柏克萊分校的AMPLab開發。Spark是一個彈性的運算框架，適合做Spark Streaming資料流處理、Spark SQL互動分析、ML Lib機器學習等應用，因此Spark可成為一個用途廣泛的大數據運算平台。Spark允許用戶將資料載入至cluster叢集記憶體內儲存，並多次重覆運算，非常適合用於機器學習演算法。




1. Spark 與 Hadoop Map Reduce 比較

Hadoop Map Reduce的計算框架

如下圖，Hadoop mapreduce在執行運算時，需要將中間產生的數據，儲存在硬碟中。然而磁碟I/O往往是效能的瓶頸，因此會有讀寫資料延遲的問題。

Spark in-memory的計算框架

如下圖，Spark是基於記憶體內的計算框架。Spark在運算時，將中間產生的資料暫存在記憶體中，因此可以加快執行速度。尤其需要反覆操作的次數越多，所需讀取的資料量越大，則越能看出Spark的效能。Spark在記憶體內執行程式，運算速度能比Hadoop MapReduce的運算速度快上100倍，即便是執行程式於硬碟時Spark也能快上10倍速度。

2.Spark發展歷史 

• 2009 Spark由Matei Zaharia由加州大學柏克萊分校的AMPLab開發 
• 2010 透過BSD授權條款開放原始碼釋出 
• 2013 該專案被捐贈給Apache軟體基金會 
• 2014/2 Spark成為Apache的頂級專案 
• 2014/11 Databricks團隊使用Spark刷新資料排序世界記錄 
• 2015/3 Spark 1.3.1版釋出

  
3.Spark特色

特色	說明
運算速度快	Spark基於記憶體計算的開放原始碼叢集運算系統，比原先的Hadoop MapReduce快100倍。
易開發程式	目前Spark支援多種語言：Scala、Python、Java，也就是說開發者可以視應用的環境，來決定使用那種語言來開發Spark程式，能更彈性的符合開發時的需求。
與Hadoop相容	Spark提供Hadoop Storage API，使它支援了Hadoop的HDFS儲存系統。並且支援Hadoop YARN，可共享儲存資源與運算，而且也幾乎與Hive完全相容。
可在各平台執行	可以在本地端的機器上執行Spark程式，這只需要import Spark的程式庫就即可。 在自有的群集上執行Spark程式，例如Mesos、Hadoop YARN等自行建立的群集。 針對更大規模的計算工作，我們可以選擇將Spark程式送至AWS的EC2平臺上執行，依照您使用的計算資源計費。

4. Spark主要功能

功能	說明
Spark SQL	Spark SQL可以使用熟知的SQL查詢語法，執行數據分析。
Spark Streaming	Spark Streaming可達成即時資料串流的處理，具有高資料量、可容錯性、可擴充性等特點。
GraphX	GraphX是Spark上的分散式圖形處理架構，可用圖表計算。
MLlib	MLlib是一個可擴充的Spark機器學習庫，可使用許多常見的機器學習演算法，簡化大規模機器學習時間。演算法包括：分類與回歸、支持向量機、回歸、線性回歸、決策樹、單純貝式、分群、協同過濾等。

以上內容節錄自這本書。很適合入門初學者:
  Python+Spark 2.0+Hadoop機器學習與大數據分析實戰 http://pythonsparkhadoop.blogspot.tw/2016/10/pythonspark-20hadoop.html

《購買本書 限時特價專區》
博客來：http://www.books.com.tw/products/0010730134?loc=P_007_090  
天瓏：https://www.tenlong.com.tw/items/9864341537?item_id=1023658
露天拍賣：http://goods.ruten.com.tw/item/show?21640846068139
蝦皮拍賣：https://goo.gl/IEx13P