概述

虽然 Hadoop 占据了大部分的分布式数据分析市场，如今也有其他的平台提供了 Hadoop 平台所没有的许多特性。

Apache 的 Spark 是一个高速的通用集群式计算系统。Spark 是一个可扩展的数据分析平台，该平台集成了原生的内存计算，因此它在使用中相比 Hadoop 的集群存储来说，会有不少的性能优势。

Apache Spark 提供了高级的 Java，Scala 和 Python APIs, 同时还拥有优化的引擎来支持常用的执行图。Spark 还支持多样化的高级工具，其中包括了处理结构化数据和 SQL 的 Spark SQL，处理机器学习的 MLlib，图形处理的 GraphX，还有 SparkStreaming。

虽然 Spark 最初是为了分布式数据集的迭代工作而设计的，但现在 Spark 已经几乎完全拥有了 Hadoop 的所有功能，并且可以基于 Hadoop 文件系统（HDFS）使用。集群模式中，Spark 有几种不同的运行模式，包括了 YARN、Mesos 还有 Standalone。

Spark 组成

在集群中，Spark 应用以独立的进程集合的方式运行，并由主程序（driver program）中的 SparkContext 对象进行统一的调度。当需要在集群上运行时，SparkContext 会连接到几个不同类的 ClusterManager（集群管理器）上（Spark 自己的 Standalone/Mesos/YARN）, 集群管理器将给各个应用分配资源。连接成功后，Spark 会请求集群各个节点的 Executor（执行器），它是为应用执行计算和存储数据的进程的总称。之后，Spark 会将应用提供的代码（应用已经提交给 SparkContext 的 JAR 或 Python 文件）交给 executor。最后，由 SparkContext 发送 tasks 提供给其执行。

关于这个架构的几点介绍：

1. 每一个应用有其独立的 Executor 进程，这些进程将会在应用整个生命周期内为应用服务，并且会在多个线程中执行任务 tasks。这种做法能有效的隔离不同的应用，在调度和执行端都能很好的隔离（每个驱动调度自己的任务，不同的任务在不同的 JVM 中执行）。但是，这也意味着，如果不写入外部的存储设备，那数据就不能在不同的 Spark 应用（SparkContext 实例）之中共享。
2. Spark 对于下列的集群管理者是不可知的：只要 Spark 能请求 executor 进程，且这些进程之间能互相通信，那么他就相对容易的去运行支持其他应用的集群管理器（如 Mesos/YARN）。
3. 因为驱动在集群中调度任务，它将在 worker nodes（工作节点）附近运行，最好是在相同的局域网当中。如果你不喜欢远程向集群发送请求，那么最好为驱动打开一个 RPC 然后让其在附近提交操作而不是在远离 worker nodes 处运行驱动。