1.基本概念
MapReduce的局限性：
1.为了节约内存大量与磁盘进行交互因此处理时间长
2.解决大规模离线批处理，对于其他场景要与其他组件来结合，功能太单一，维护成本很高
Spark的特点：
把数据放在内存进行计算，解决MapReduce计算慢的问题
All in one框架，提供多种计算场景
SparkStreaming：微批处理，很短的时间进行一次处理，效率接近实时处理
Hadoop迁移到Spark：
Spark提供多种运行模式，可以单独安装Spark框架运行，也可以通过On Yarn来把任务分发给Hadoop，可以解决历史遗留问题
2.Spark的编程
RDD：
Spark基于Rdd来运算
Rdd是只读的，如果要对Rdd进行处理，要把结果保存到新的Rdd中
当某个阶段出现错误，只需从上一个阶段进行数据的重新处理 结果就能恢复
Rdd的操作：
Rdd的操作分为两种分别为Transformation和Action
Transformation是在原有的RDD中发生转换，并没有真正的触发操作
Action是真正触发了结果的输出
如在rdd.map(_+1).saveAsTextFile("hdfs://node01:9000")中：
rdd.map(_+1)是Transformation
saveAsTextFile("hdfs://node01:9000")是Action
RDD之间的关系：
对RDD的操作会让两个RDD之间形成关系
如果是1对1的转换：窄依赖
如果是多对1的转换：宽依赖 数据恢复起来回到前面的节点会很慢
因此要避免使用宽依赖，避免使用它的算子（groupByKey reduceByKey sortByKey）
3.Spark集群
1.Driver 端
Driver 就是用户提交 Spark 应用的地方
SparkContext 是整个应用的入口，负责：
与集群的 Master 通信；
申请资源（Executor）；
把 Job 拆分成 Task 并分配到各个 Worker 上执行；
收集执行结果返回给用户。
2.Master 端
Master 是资源调度的管理者。
Driver 启动后会向 Master 申请资源。
Master 负责把集群的空闲资源（CPU、内存）分配给 Driver 的应用使用。
简单来说，Master 不直接执行任务，只负责 协调资源。
3.Worker 端
Worker 是真正执行计算的节点。
Master 分配资源后，Worker 会启动 Executor（执行进程）。
一个 Executor 内部：
Task：Driver 下发的具体计算单元（比如 map、reduce、filter 等操作的子任务）。
Cache：RDD 的缓存结果存放在这里，可以加快后续任务的计算速度。
4.任务执行流程
1.用户在 Driver 程序中创建 SparkContext。
2.Driver 向 Master 注册并请求资源。
3.Master 在集群上选择可用的 Worker，并在 Worker 上启动 Executor 进程。
4.Driver 把任务（Task）分发到这些 Executor。
5.Executor 在 Worker 节点上并行执行 Task，必要时会把数据缓存到本地（Cache）。
6.执行结果会返回给 Driver，Driver 汇总后提供给用户。
4.Spark的运行模式
Local 模式
单机运行，通常用于测试
Spark 程序以多线程方式直接运行在本地
Standalone 模式
Spark 集群独立运行，不依赖第三方资源管理系统（如 YARN、Mesos）
采用 Master/Slave 架构
Driver 在 Worker 中运行，Master 只负责集群管理
ZooKeeper 负责 Master HA，避免单点故障
适用于集群规模不大、数据量不大的情况
YARN 模式
Spark 运行在 Hadoop YARN 之上，依赖 YARN 作为资源管理和调度系统
提供两种部署模式：
Client 模式：Driver 运行在提交任务的客户端上
Cluster 模式：Driver 运行在 YARN 的 NodeManager 上（更常用）
YARN 负责分配资源（CPU、内存），Spark 在 YARN 上启动 Executor
适用于企业大数据生产环境，能与 HDFS、Hive 等 Hadoop 生态紧密集成
缺点：依赖 Hadoop 环境，部署和配置相对复杂
Kubernetes 模式
Spark 运行在 Kubernetes 集群上，K8s 负责容器的调度和资源管理
Driver 和 Executor 都以 Pod 的形式运行在 Kubernetes 集群中
支持弹性伸缩和容器化部署，适合云原生场景
可以和云服务（如 AWS、GCP、阿里云）结合，方便大规模任务调度
缺点：需要熟悉 K8s，配置复杂度较高
Mesos 模式（现在较少使用）
Spark 运行在 Apache Mesos 之上，由 Mesos 负责资源管理
可以同时管理多种框架（Spark、Hadoop、Flink 等），共享资源池
适合多框架共存的环境
缺点：社区活跃度下降，实际使用越来越少