Apache Spark

2018年4月28日 (六) 17:15的版本

Apache Spark：新一代大数据解决方案

Spark 是用Scala语言编写的一套分布式内存计算系统，它的核心抽象模型是 RDD (Resilient Distributed Dataset，弹性分布式数据集)，围绕 RDD 构建了一系列分布式 API，可以直接对数据集进行分布式处理。

相对于 MapReduce 上的批量计算、迭代计算，以及基于 Apache Hive 的 SQL 查询，Spark 可以带来一到两个数量级的性能提升。

Spark在广告领域有很多的成功应用。

版本

• 2.3
• 2.2
• 2.1
• 2.0

Apache Hive

Hive on Spark

Spark on HBase

• 使用 HDFS 内存层实现 RDD 共享
• Spark SQL on HBase: Spark SQL/DataFrame access to NoSQL data in Apache HBase

Spark on YARN

通过Spark on YARN的方式与Apache Hadoop方便地共享集群的存储功能和计算资源。

Cassandra

• Zen and the Art of Spark Maintenance
• DataStax Spark Cassandra Connector
• Installing the Cassandra / Spark OSS Stack

elasticsearch

• ElasticSearch Spark Integration

REST API

Spark 1.4引入REST API

http://localhost:4040/api/v1/applications

机器学习

• MLbase
• Apache Mahout使用Spark作为后端
• Weka on Spark
• KeystoneML
• SparkNet
• CoCoA
• Splash Project for parallel stochastic learning
• Deeplearning4j
• H2O Spark
• TensorFlowOnSpark
• Yahoo CaffeOnSpark
• Arimo Tensorflow On Spark

项目

Spark的相关项目和生态系统: Supplemental Spark Projects

• spark-jobserver
• SparkR
• Apache Mesos
• Alluxio
• FiloDB
• Apache Zeppelin, Spark Notebook
• SnappyData: OLTP + OLAP Database built on Apache Spark
• BlinkDB
• Spindle
• SpatialSpark
• Apache Toree
• Apache SystemML
• Oryx
• SnappyData OLTP + OLAP Database built on Apache Spark Efficient State Management With Spark 2.0 And Scale-Out Databases
• Livy an Open Source REST Service for Spark

服务商

• Spark背后的商业公司：Databricks，同时提供Spark服务提供商Certified Spark Distribution官方认证。
• Stratio Platform: The first "pure Spark" platform with 50% fewer components and operational complexity.
• IBM的思路是将Spark视为数据分析的操作系统。

用户

• Powered By Spark
• 60 TB 数据：Facebook 是如何大规模使用 Apache Spark 的

课程

• Introduction to Big Data with Apache Spark
• Scalable Machine Learning

文档

• Spark上的矩阵计算和神经网络
• Hive Now Sparks
• Going Deep with Spark Streaming
• Significantly Speed up real world big data Applications using Apache Spark
• Finding Shoe Stores in >100k Merchants: Using Spark to Group All Things
• Delivering Meaning In NearReal Time At High Velocity & Massive Scale
• Streaming OODT: Combining Apache Spark's Power with Apache OODT
• Machine learning in finance using Spark ML pipeline
• 在Spark上构建分布式神经网络

图集

• 

  Spark

• 

  Streaming

• 

  堆栈

• 

  Spark和MapReduce

• 

  Spark集群

• 

  伯克利数据分析堆栈BDAS

• 

  百度Spark One

链接

• Apache Spark官网
• Spark @ GitHub
• Spark发源地：AMPLab
• UC Berkeley Big Data AMP Camp 大会资料
• Spark开放文档
• Spark Summit
• Spark Packages
• 腾讯大数据之计算新贵Spark，广点通是最早使用Spark的应用之一
• Spark在腾讯数据仓库TDW的应用
• 《Spark快速数据处理》作者 Holden Karau 曾就职于谷歌、亚马逊、微软和Foursquare等公司，对开源情有独钟，参与了许多开源项目，如Linux内核无线驱动、Android程序监控、搜索引擎等，对存储系统、推荐系统、搜索分类等都有深入研究。
• CSDN.NET Spark技术社区
• 理解Spark的核心Resilient Distributed Datasets(RDD)
• 七牛技术总监陈超：记Spark Summit China 2015
• 七牛是如何搞定每天500亿条日志的
• 39 Machine Learning Libraries for Spark