01 Spark架构与运行流程

1. 阐述Hadoop生态系统中,HDFS, MapReduce, Yarn, Hbase及Spark的相互关系,为什么要引入Yarn和Spark。

  HDFS(Hadoop分布式文件系统):HDFS是Hadoop体系中数据存储管理的基础,它是一个高度容错的系统,能检测和应对硬件故障,在低成本的通用硬件上运行。HDFS简化了文件的一次性模型,通过流式数据访问,提供高吞吐量应用程序数据访问功能,适用带有数据集的应用程序。HDFS提供一次写入多次读取的机制,数据以块的形式,同时分布存储在不同的物理机器上。 HDFS默认的最基本的存储单位是64MB的数据块,和普通文件系统一样,HDFS中的文件被分成64MB一块的数据块存储。它的开发是基于流数据模式访问和处理超大文件的需求。

  MapReduce(分布式计算框架):MapReduce是一种分布式计算模型,用以进行海量数据的计算。它屏蔽了分布式计算框架细节,将计算抽象成Map 和Reduce两部分,其中Map对数据集上的独立元素进行指定的操作,生成键-值对形式中间结果。Reduce则对中间结果中相同“键”的所有“值”进行规约,以得到最终结果。MapReduce非常适合在大量计算机组成的分布式并行环境里进行数据处理。
HBase

  YARN(分布式资源管理器):是下一代MapReduce,即MRv2,是在第一代MapReduce基础上演变而来的,主要是为了解决原始Hadoop扩展性差,不支持多计算框架而提出的。YARN是下一代Hadoop计算平台,是一个通用的运行时框架,用户可以编写自己的极端框架,在该运行环境中运行。

  Hbase(分布式列存数据库):HBase是一个建立在HDFS之上,面向结构化数据的可伸缩、高可靠、高性能、分布式和面向列的动态模式数据库。HBase采用了BigTable的数据模型,即增强的稀疏排序映射表(Key/Value),其中,键由行关键字、列关键字和时间戳构成。HBase提供了对大规模数据的随机、实时读写访问,同时,HBase中保存的数据可以使用MapReduce来处理,它将数据存储和并行计算完美地结合在一起。

  Spark(内存DAG计算模型):是一个Apche项目,被标榜为“快如闪电的集群计算”,它拥有一个繁荣的开源社区,并且是目前最活跃的Apache项目。最早Spark是UC Berkeley AMP Lab所开源的类Hadoop MapReduce的通用计算框架,Spark提供了一个更快、更通用的数据处理平台。和Hadoop相比,Spark平台可以让你的程序在内存中运行时速度提升100倍,或者在磁盘上运行时速度提升10倍。

  Hadoop适合处理离线的静态的大数据;

  Spark适合处理离线的流式的大数据;

2. Spark已打造出结构一体化、功能多样化的大数据生态系统,请简述Spark生态系统。

  Spark具有很强的适应性,能够读取HDFS、Cassandra、HBase、S3和Techyon为持久层读写原生数据,能够以Mesos、YARN和自身携带的Standalone作为资源管理器调度job,来完成Spark应用程序的计算。

  

 

 

3. 用图文描述你所理解的Spark运行架构,运行流程。

 

 

4. 软件平台准备:Linux-Hadoop。 

 

学习网址:

Linux系统的安装:http://dblab.xmu.edu.cn/blog/285/

在Windows中使用VirtualBox安装Ubuntu:http://dblab.xmu.edu.cn/blog/337-2/

Linux系统的常用命令:http://dblab.xmu.edu.cn/blog/1624-2/

在Windows系统中利用FTP软件向Ubuntu系统上传文件:http://dblab.xmu.edu.cn/blog/1608-2/

Linux系统中下载安装文件和解压缩方法:http://dblab.xmu.edu.cn/blog/1606-2/

Linux系统中vim编辑器的安装和使用方法:http://dblab.xmu.edu.cn/blog/1607-2/

Hadoop的安装和使用:http://dblab.xmu.edu.cn/blog/install-hadoop/

 

本文参考文章:
https://blog.csdn.net/wyqwilliam/article/details/81913740

posted @ 2021-03-13 22:31  Ling3  阅读(41)  评论(0编辑  收藏  举报