一、spark概述
1、Spark是什么
Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。
（1） Spark是一种由Scala语言开发的快速、通用、可扩展的大数据分析引擎
（2）Spark Core中提供了Spark最基础与最核心的功能
（3） Spark SQL是Spark用来操作结构化数据的组件。通过Spark SQL，用户可以使用SQL或者Apache Hive版本的SQL方言（HQL）来查询数据。
（4） Spark Streaming是Spark平台上针对实时数据进行流式计算的组件，提供了丰富的处理数据流的API。 由上面的信息可以获知，Spark出现的时间相对较晚，并且主要功能主要是用于数据计算，所以其实Spark一直被认为是Hadoop 框架的升级版。
2、Spark特点
（1）快：Hadoop的 MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG【优化】执行引擎，可以通过基于内存来高效处理数据流。
（2）易用：Spark支持Java、Python和Scala和R的API，还支持超过80种高级算法，使用户可以
快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell 中使用Spark集群来验证解决问题的方法。
（3）通用：一站式的解决方案: 支持：离线处理、实时处理、sql【交互式的查询】。
（4）兼容性：MR基于Yarn来分配资源，但是Spark可以基于也可以单独运行。
3、Spark模块结构图
- Spark Core：
中提供了Spark最基础与最核心的功能，Spark其他的功能如：Spark SQL，Spark Streaming，GraphX, MLlib都是在Spark Core的基础上进行扩展的
- Spark SQL：
Spark SQL是Spark用来操作结构化数据的组件。通过Spark SQL，用户可以使用SQL或者Apache Hive版本的SQL方言（HQL）来查询数据。
- Spark Streaming：
是Spark平台上针对实时数据进行流式计算的组件，提供了丰富的处理数据流的API。
- Spark MLlib：
是Spark提供的一个机器学习算法库。MLlib不仅提供了模型评估、数据导入等额外的功能，还提供了一些更底层的机器学习原语。
- :
是Spark面向图计算提供的框架与算法库。
二、spark安装
1、部署方式
（1）local模式
直接在本地运行，spark以函数库的形式起作用
（2）standalone模式
利用spark自带的集群部署工具搭建集群,功能较为单一，如果集群只用spark可以考虑，但这个场景极少
（3）yarn模式.
让spark运行在yarn上，这个yarn可以用spark自带的，此时要下载spark-2.4.5-bin-hadoop2.7.tgz这个库；也可以先部署好hadoop，再将spark运行在已经运行起来的hadoop集群上，此时要下载spark-2.4.5-bin-without-
hadoop.tgz这个库
2、Standalone模式部署流程
（1）上传安装包spark-2.2.0-bin-hadoop2.7.tgz到虚拟机中
（2）解压spark安装包到指定目录，tar -zxvf spark-2.2.0-bin-hadoop2.7.tgz -C /kkb/install/
（3） 重命名mv spark-2.2.0-bin-hadoop2.7 spark2.2.0
spark-env.sh
slaves.template 为slaves
（4）sudo -s进入管理员修改配置文件
修改spark-env.sh：
修改slaves：
将文件末尾的localhost去掉，增加三个节点的主机名
配置环境变量vim /etc/profile（将SPARK_HOME配置在JAVA_HOME之前）：
source /etc/profile使环境生效
（5）将配置好的Spark发送给其他节点:
scp -rq spark2.2.0 node02:/kkb/install
scp -rq spark2.2.0 node03:/kkb/install
scp /etc/profile node02:/etc/profile
scp /etc/profile node03:/etc/profile
（6）最后在shell命令窗口使用命令： source /etc/profile 让全部的节点环境生效。
（7）启动spark集群：
（8） 验证：访问主节点的8080端口来查看集群信息 http://node01:8080/
