E-MapReduce：Spark概述

架構

Spark架構如下圖所示，基於Spark Core構建了Spark SQL、Spark Streaming、MLlib和Graphx四個主要編程庫，分別用於離線ETL（Extract-Transform-Load）、線上資料分析、Realtime Compute、機器學習和圖計算等情境，詳情請參見Apache Spark官網。

使用情境

• 離線ETL

  離線ETL主要應用於資料倉儲，對大規模的資料進行抽取（Extract）、轉換（Transform）和載入（Load），其特點是資料量大，耗時較長，通常設定為定時任務執行。

• 線上資料分析（OLAP）

  線上資料分析主要應用於BI（Business Intelligence）。分析人員互動式地提交查詢作業，Spark可以快速地返回結果。除了Spark，常見的OLAP引擎包括Presto和Impala等。Spark 3.0的主要特性在EMR中的Spark 2.4版本已支援，更多特性詳情請參見Spark SQL Guide。

• Realtime Compute

  Realtime Compute主要應用於即時大屏、即時風控、即時推薦和即時警示監控等。Realtime Compute主要包括Spark Streaming和Flink引擎，Spark Streaming提供DStream和Structured Streaming兩種介面，Structured Streaming和Dataframe用法類似，門檻較低。Flink適合低延遲情境，而Spark Streaming更適合高吞吐的情境，詳情請參見Structured Streaming Programming Guide。

• 機器學習

  Spark的MLlib提供了較豐富的機器學習庫，包括分類、迴歸、協同過濾、彙總，同時提供了模型選擇、自動調參和交叉驗證等工具來提高生產力。MLlib主要支援非深度學習的演算法模組，詳情請參見Machine Learning Library (MLlib) Guide。

• 圖計算

  Spark的GraphX支援圖計算的庫，支援豐富的圖計算的運算元，包括屬性運算元、結構運算元、Join運算元和鄰居彙總等。詳情請參見GraphX Programming Guide。