Apache Spark tutorial giver grundlæggende og avancerede koncepter af Spark. Vores Spark-tutorial er designet til begyndere og professionelle.
Spark er en samlet analysemotor til databehandling i stor skala, herunder indbyggede moduler til SQL, streaming, maskinlæring og grafbehandling.
Vores Spark-tutorial inkluderer alle emner om Apache Spark med Spark-introduktion, Spark Installation, Spark Architecture, Spark Components, RDD, Spark-realtidseksempler og så videre.
Hvad er Spark?
Apache Spark er en open source-klyngecomputerramme. Dens primære formål er at håndtere de realtidsgenererede data.
Spark blev bygget på toppen af Hadoop MapReduce. Det var optimeret til at køre i hukommelsen, mens alternative metoder som Hadoops MapReduce skriver data til og fra computerens harddiske. Så Spark behandler dataene meget hurtigere end andre alternativer.
Historien om Apache Spark
Spark blev initieret af Matei Zaharia på UC Berkeleys AMPLab i 2009. Det var open source i 2010 under en BSD-licens.
I 2013 blev projektet opkøbt af Apache Software Foundation. I 2014 dukkede Spark op som et Apache-projekt på topniveau.
Funktioner i Apache Spark
| Hurtig | - Det giver høj ydeevne til både batch- og streamingdata ved hjælp af en avanceret DAG-planlægger, en forespørgselsoptimering og en fysisk udførelsesmotor.
| Let at bruge | - Det letter at skrive applikationen i Java, Scala, Python, R og SQL. Det giver også mere end 80 operatører på højt niveau.
| Generelt | - Det giver en samling af biblioteker inklusive SQL og DataFrames, MLlib til maskinlæring, GraphX og Spark Streaming.
| Letvægts | - Det er en let unified analytics engine, som bruges til databehandling i stor skala.
| Kører overalt | - Det kan nemt køre på Hadoop, Apache Mesos, Kubernetes, standalone eller i skyen.
Brug af Spark
| Dataintegration: | De data, der genereres af systemer, er ikke konsistente nok til at kombineres til analyse. For at hente konsistente data fra systemer kan vi bruge processer som Extract, transform and load (ETL). Spark bruges til at reducere omkostningerne og den tid, der kræves til denne ETL-proces.
| Stream behandling: | Det er altid svært at håndtere de data, der genereres i realtid, såsom logfiler. Spark er i stand til at betjene datastrømme og afviser potentielt svigagtige operationer.
| Maskinelæring: | Maskinlæringstilgange bliver mere gennemførlige og mere præcise på grund af øget datamængde. Da spark er i stand til at gemme data i hukommelsen og kan køre gentagne forespørgsler hurtigt, gør det det nemt at arbejde med maskinlæringsalgoritmer.
| Interaktive analyser: | Spark er i stand til at generere svaret hurtigt. Så i stedet for at køre foruddefinerede forespørgsler, kan vi håndtere dataene interaktivt.
Forudsætning
Før du lærer Spark, skal du have et grundlæggende kendskab til Hadoop.
Publikum
Vores Spark-tutorial er designet til at hjælpe begyndere og professionelle.
Problemer
Vi forsikrer dig om, at du ikke vil finde noget problem med denne Spark-tutorial. Men hvis der er en fejl, bedes du skrive problemet i kontaktformularen.
