自己写的Spark入门实战教程，适合于有一定hadoop和数据分析经验的朋友。
Spark简介
Spark是一个开源的计算框架平台，使用该平台，数据分析程序可自动分发到集群中的不同机器中，以解决大规模数据快速计算的问题，同时它还向上提供一个优雅的编程范式，使得数据分析人员通过编写类似于本机的数据分析程序即可实现集群并行计算。
Spark项目由多个紧密集成的组件组成。
核心是Spark Core组件
，它实现了Spark的基本功能，包括：任务调度、内存管理、错误恢复、与存储系统交互等模块，特别的，Spark Core还定义了弹性分布式数据集（RDD）的API，是Spark内存计算与并行计算的主要编程抽象。在Spark Core上有一系列软件栈，用于满足了各种不同数据分析计算任务需求，包括连接关系型数据库或Hadoop Hive的SQL／HQL的查询组件Spark SQL，对实时数据进行流式计算的组件Spark Steaming，支持常见机器学习算法并行计算组件MLlib，支持并行图计算组件GraphX等。
为了进一步支持在数千个计算节点上的伸缩计算，Spark Core底层支持在各种集群管理器上运行，包括Hadoop YARN、Apache Mesos，或者Spark自带的Standalone独立调度器。
Spark部署
安装Spark比较简单，只要在机器上配置好最新版JAVA环境，下载编译好的Spark软件包后即可在本地运行。当然，也可以根据具体环境，使用Maven编译需要的Spark功能。
Spark部署有两种方式，一是本地部署，二是集群部署。前者只需启动本地的交互式环境spark-shell.sh脚本即可，常用在本机快速程序测试，后者的应用场景更多些，具体根据集群环境不同，可部署在简易的Spark独立调度集群上、部署在Hadoop YARN集群上、或部署在Apache Mesos上等。
其中，Spark自带的独立调度器是最简单实现Spark集群环境的一种方式，只需在多台联网计算机上安装好Spark，然后在其中一台启动集群管理器（通过start-master.sh脚本），然后再在其他计算机上启动工作节点（通过start-slave.sh脚本），并连接到管理器上即可。
Spark编程
使用Spark编程，需要先在本机安装好Spark环境，然后启动Spark上下文管理器连接到本机（本地部署）或是集群上的集群管理器（集群部署），再使用Spark提供的抽象接口编程即可。
支持Spark的原生语言是Scala，一种支持JVM的脚本语言，可以避免其他语言在做数据转化过程的性能或信息丢失。但随着Spark项目的不断完善，使用Python和PySpark包、或者R和SparkR包进行Spark编程也都是不错的选择。
不论使用何种编程语言，使用Spark进行数据分析的关键在于掌握Spark抽象的编程范式，其基本流程包括4步：
初始化SparkContext
。SparkContext即是Spark上下文管理器（也称为驱动器程序），它主要负责向Spark工作节点上发送指令并获得计算结果，但数据分析人员无需关注具体细节，只需使用SparkContext接口编程即可。创建RDD
。弹性分布数据集RDD是Spark在多机进行并行计算的核心数据结构，因此使用Spark进行数据分析，首先需使用SparkContext将外部数据读入到Spark集群内。设计数据转化操作
。即操作的结果是返回一个新的RDD，即在图计算中只是一个中间节点。类比于Hadoop的Map()映射算子，但又不仅于此，Spark还支持filter()过滤算子、distinct()去重算子、sample()采样算子，以及多个RDD集合的交差补并等集合操作。设计数据执行操作
。即操作的结果向SparkContext返回结果，或者将结果写入外部操作系统。类比于Hadoop的Reduce()算子，按某函数操作两个数据并返回一个同类型的数据，此外Spark还支持collect()直接返回结果算子、count()计数算子、take()/top()返回部分数据算子、foreach()迭代计算算子等操作。Spark编程范式的本质是有向无环图方式的惰性计算
，即当使用上述方式进行编程后，Spark将自动将上述RDD和转化算子转换为有向无环图的数据工作流，只有当触发执行算子时，才按需进行数据工作流的计算。此外，为进一步提高计算效率，Spark默认将在内存中执行，并自动进行内存分配管理，当然分析人员也可根据需求通过persist()算子将中间步骤数据显式的将内存数据持久化到磁盘中，以方便调试或复用。在R环境下使用Spark实例
最新版的RStudio已经较完整的集成了Spark数据分析功能，可以在SparkR官方扩展接口基础上更方便的使用Spark，主要需要安装两个包，分别是sparklyr和dplyr。其中，sparklyr包提供了更简洁易用的Spark R编程接口，dplyr包提供了一个语法可扩展的数据操作接口，支持与主流SQL/NoSQL数据库连接，同时使数据操作与数据集数据结构解耦合，并且和Spark原生算子可基本对应。
若第一次运行，先在本机安装必要的包和Spark环境：
之后运行下面的小例子，可以发现，除了需要初始化SparkContext、导入RDD数据和导出数据外，其他数据处理操作都与在本机做数据分析是一样的。
此外，除了dplyr接口外，sparklyr还封装了一套特征工程和常用机器学习算法，足以满足80%常见的数据分析与挖掘工作，至于剩余的20%定制算法或是流处理、图计算等任务，便需要了解更多高阶的Spark接口来实现了。
区别就是两者所表达的中文意思是不一样，具体的不同如下
spark rs中文意思是瑞豹Spark RS 全新公路车
spark sport中文意思是破风公路车，又称气动公路车，是经过空气动力学优化的公路车，拥有更小的风阻、更加整合的零件搭配、更加隐蔽的走线方式。
前者要好一些，与后者相比，前者的像素更加高一些。这两部产品的发布时间很接近，他们的处理器也是同一个性能的处理器，使用起来没有很大差距，但是与后者相比。
前者的摄像头使用的是最新的传感器，它拍照的能力更加强，拍出来的照片也更加清晰。综合来说前者要好一些，它的价格也与后者差不多。。
1）过去整个业界对大数据的分析的技术栈的Pipeline一般分为以下两种方式：a）Data Source -> HDFS -> MR/Hive/Spark（相当于ETL）-> HDFS Parquet -> Spark SQL/Impala -> ResultService（可以放在DB中，也有可能被通过JDBC/ODBC来作为数据服务使用）；b）Data Source -> Real timeupdate data to HBase/DB -> Export to Parquet -> Spark SQL/Impala -> ResultService（可以放在DB中，也有可能被通过JDBC/ODBC来作为数据服务使用）；上述的第二种方式完全可以通过Kafka+Spark Streaming+Spark SQL（内部也强烈建议采用Parquet的方式来存储数据）的方式取代2）期待的方式：DataSource -> Kafka -> Spark Streaming -> Parq
1、spark dataframe是一种以 RDD 为基础的分布式数据集，是一种特殊的RDD，是一个分布式的表，类似于传统数据库中的二维表格。
2、spark dataframe与RDD的主要区别在于，前者带有schema元信息，即spark dataframe所表示的二维表数据集的每一列都带有名称和类型。
spark集群的启动流程：
（1）、创建Master对象，启动了一条Master进程。然后，执行preStart生命周期方法，开启一个定时器定期检测超时的worker节点；如果发现超时的worker节点，则将其移除。
（2）、加载slaves文件，启动worker节点。
（3）、worker节点启动后，开始向master注册。
（4）、master将worker发来的注册信息会在内存和磁盘保存，然后响应一个注册成功的masterUrl
（5）、worker收到masterUrl后，开始与master建立心跳连接；定期向master发送心跳。
spark 火花，火星例句：A cigarette spark started the fire. 香烟的火星引起这场火灾。sparkle 闪耀，闪光例句：People always mention the sparkle of her eyes. 人们总是说她的眼睛炯炯有神。
Spark分区原则及方法
spark分区的一个分区原则：尽可能是得分区的个数等于集群核心数目
下面我们仅讨论Spark默认的分区个数，这里分别就parallelize和textFile具体分析其默认的分区数
无论是本地模式、Standalone模式、YARN模式或Mesos模式，我们都可以通过spark.default.parallelism来配置其默认分区个数，若没有设置该值，则根据不同的集群环境确定该值
本地模式：默认为本地机器的CPU数目，若设置了local[N],则默认为N
Apache Mesos：默认的分区数为8
Standalone或YARN：默认取集群中所有核心数目的总和，或者2，取二者的较大值。对于parallelize来说，没有在方法中的指定分区数，则默认为spark.default.parallelism，对于textFile来说，没有在方法中的指定分区数，则默认为min(defaultParallelism,2)，而defaultParallelism对应的就是spark.default.parallelism。如果是从hdfs上面读取文件，其分区数为文件分片数(128MB/片)
大疆晓Spark镜头参数如下：
影像传感器：1/2.3 英寸 CMOS；有效像素 1200 万
镜头：FOV 81.9 °；35 mm 格式等效焦距 25 mm；光圈 f/2.6（摄影范围 2 m至无穷远）
ISO范围：视频：100 - 3200；照片：100 - 1600
电子快门速度：2 - 1/8000 秒
照片尺寸：3968×2976；景深功能下：1440×1080；全景（广角）功能下：2300×1280；全景（竖拍）功能下：960×1280
照片拍摄模式：单张拍摄；多张连拍（BURST）：3 张；自动包围曝光（AEB）：3 张 @0.7EV 步长；定时拍摄（间隔：2/3/5/7/10/15/20/30/60 s）
录像分辨率：FHD：1920×1080 30p
视频最大码流：24 Mbps
支持文件系统：FAT32
图片格式：JPEG
视频格式：MP4（MPEG-4 AVC/H.264）
大疆晓Spark全部参数链接
Spark的驱动器节点，负责运行Spark程序中的main方法，执行实际的代码。Driver在Spark作业时主要负责：
将用户程序转化为作业（job）。
负责Executor之间的任务（task）调度。
监控Executor的执行状态。
通过UI展示运行情况。
Spark应用启动时，Executor同时被启动，并且伴随着Spark程序的生命周期而存在。如果有Executor节点发生了故障，程序也不会停止运行，而是将出错的Executor节点上的任务调度到其他Executor节点运行。
