1、Spark的劣势： 对硬件要求较高：为了发挥Spark的最佳性能，需要高性能的硬件支持，如大内存、高速磁盘等。这在一定程度上增加了企业的硬件成本。 学习曲线较陡：虽然Spark提供了多种编程语言和API支持，但对于初学者来说，仍然需要一定的时间去学习和掌握其工作原理及使用方法。
2、查询速度更快：借助Spark分布式计算引擎，Hive on Spark能更迅速执行任务。 更强容错性：得益于Spark集群的更好容错性，Hive on Spark容错能力也更强。 灵活的数据源：支持多种数据源连接，包括Hive、HDFS、S3等，便于数据管理。
3、总的来说，乐驰SPARK的优势在于发动机和变速箱的稳定性，外观设计符合女性驾驶者的审美，噪音控制较为出色，车漆质量优良，关门声音沉稳，且在城市驾驶中表现出良好的灵活性，价格也相对合理。！-- 然而，我们不能忽视的是，国产后的乐驰SPARK在质量上有所下滑，国产部件增多。
4、其核心优势在于其内存计算的能力，能够在短时间内处理大量数据，显著提高了计算效率。Spark支持多种编程语言，如Java、Scala和Python，使得数据科学家和开发者能够灵活运用其丰富的功能，进行深度的数据分析、机器学习和图计算工作。
1、内存计算：Spark支持内存计算，将数据存储在内存中，可以更快地处理数据，而不需要频繁地从磁盘读取和写入数据。大数据处理：Spark可以处理大量数据，比如PB级别的数据，而且还能够快速地处理数据。总的来说，Spark可以帮助我们更加高效地处理大规模数据和计算密集型任务。
2、Spark流（Spark Streaming）是Spark的一个组件，专门用于处理实时流数据。它提供了一个与Spark核心RDD API高度匹配的操作数据流的API，使得编程人员能够更容易地处理实时数据流，同时保持与内存、磁盘数据和实时数据应用之间的无缝切换。
3、Spark将中间数据存储在内存中，大大提高了迭代运算的效率，尤其在迭代密集型任务，如机器学习和大数据处理中，Spark的性能远超Hadoop。
Spark是一个分布式的计算框架，对于海量数据的处理具有良好的性能和扩展性。在数据处理过程中，Spark会将数据集分成若干个分区，每个分区都会被一个计算任务处理。因此，分区在Spark中非常重要，它是整个计算过程的基础。Spark中的分区有两种类型：Hash分区和Range分区。
Spark，简单来说，是大数据处理领域的一项革新技术，它是一个快速、通用且易于扩展的计算平台。其核心优势在于其内存计算的能力，能够在短时间内处理大量数据，显著提高了计算效率。
Spark中现在支持的分区器有Hash分区器和Range分区器，除此之外，用户也可以自定义分区方式。默认的分区方式为Hash分区器。Spark中的分区器直接决定了RDD中分区的个数，以及RDD经过Shuffle后数据的分区和Reduce的任务数。注：可以通过RDD的 partitioner 属性来获取RDD的分区器。
1、在开始之前，我们需要了解Standalone架构。Standalone模式是Spark自带的集群模式，它真实地在多台机器之间搭建集群环境，适用于实际大数据处理场景。Master角色以Master进程形式存在，而Worker角色以Worker进程形式出现。River和Executor运行于Worker进程中，Worker提供资源供给它们运行。
2、- 依次进入spark-env.sh和workers文件，进行相应修改，移除localhost并添加其他节点信息。 Standalone模式搭建完成：将spark目录分发到其他节点后，安装过程即告结束。 进入YARN模式：在三台虚拟机上同步修改core-site.xml和yarn-site.xml文件，设置合适的端口和配置。
3、方法一：手动运行Standalone模式。前提：Spark各个文件都不做任何修改。在master机器上运行 ./sbin/start-master/sh 运行完之后，会打印出url： spark：//HOST：PORT ，这个就是当前master的Spark URL。