一、Spark介绍

1、什么是Spark

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行计算框架，Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

Spark是Scala编写，方便快速编程。

2、总体技术栈讲解

3、Spark与MapReduce的区别

都是分布式计算框架，Spark基于内存，MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上，Spark中除了基于内存计算外，还有DAG有向无环图来切分任务的执行先后顺序。

4、Spark运行模式

• Local

多用于本地测试，如在eclipse，idea中写程序测试等。

• Standalone

Standalone是Spark自带的一个资源调度框架，它支持完全分布式。

• Yarn

Hadoop生态圈里面的一个资源调度框架，Spark也是可以基于Yarn来计算的。

• Mesos

资源调度框架。要基于Yarn来进行资源调度，必须实现AppalicationMaster接口，Spark实现了这个接口，所以可以基于Yarn。

二、Spark基于Maven开发

1、IDEA创建Maven项目

1）创建项目

2）创建选择maven-archetype-quickstart

3）配置名称，点击下一步配置Maven及本地Maven仓库地址

4）配置名称和位置，并创建

5）更新替换Maven pom.xml文件,注意groupId，artifactId，version不要更新替换。

6）在main 目录下创建javaCode和scalaCode 并指定为源目录。名称任意。

将main下的javaCode和scalaCode指定为源目录：