Spark大数据处理详解-优快云博客

本文链接：https://blog.youkuaiyun.com/csdnwindnorth/article/details/103003240

Spark是一个快速、通用的大数据分析引擎，对比Hadoop MapReduce，Spark基于内存计算速度提升100倍，硬盘计算也快10倍。Spark具备易用性，支持Java、Python和Scala API，提供批处理、交互式查询、实时流处理、机器学习和图计算的统一解决方案。Spark兼容Hadoop生态系统，可部署在Standalone、YARN或Mesos上，并支持EC2。本文介绍了Spark的体系结构、安装部署、高可用实现及WordCount执行流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

什么是Spark？

官网：http://spark.apache.org
在这里插入图片描述
我的翻译：Spark是一个针对大规模数据处理的快速通用引擎

Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，2010年开源，2013年6月成为Apache孵化项目，2014年2月成为Apache顶级项目。目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLlib等子项目，Spark是基于内存计算的大数据并行计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。Spark得到了众多大数据公司的支持，这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于凤巢、大搜索、直达号、百度大数据等业务；阿里利用GraphX构建了大规模的图计算和图挖掘系统，实现了很多生产系统的推荐算法；腾讯Spark集群达到8000台的规模，是当前已知的世界上最大的Spark集群。

Spark的优势

（*）Hadoop的MapReduce计算模型存在的问题：
学习过Hadoop的MapReduce的学员都知道，MapReduce的核心是Shuffle（洗牌）。在整个Shuffle的过程中，至少会产生6次的I/O。下图是我们在讲MapReduce的时候，画的Shuffle的过程。

中间结果输出：基于MapReduce的计算引擎通常会将中间结果输出到磁盘上，进行存储和容错。另外，当一些查询（如：Hive）翻译到MapReduce任务时，往往会产生多个Stage（阶段），而这些串联的Stage又依赖于底层文件系统（如HDFS）来存储每一个Stage的输出结果，而I/O的效率往往较低，从而影响了MapReduce的运行速度。
在这里插入图片描述
（*）Spark的最大特点：基于内存
Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生态系统，以弥补MapReduce的不足。

Spark的特点：快、易用、通用、兼容性

（*）快
与Hadoop的MapReduce相比，Spark基于内存的运算速度要快100倍以上，即使，Spark基于硬盘的运算也要快10倍。Spark实现了高效的DAG执行引擎，从而可以通过内存来高效处理数据流。
在这里插入图片描述
（*）易用
Spark支持Java、Python和Scala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。
在这里插入图片描述
（*）通用
Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。
另外Spark还可以很好的融入Hadoop的体系结构中可以直接操作HDFS，并提供Hive on Spark、Pig on Spark的框架集成Hadoop。

（*）兼容性
Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。
在这里插入图片描述

Spark的体系结构与安装部署

Spark集群的体系结构

官方的一张图：
在这里插入图片描述
我自己的一张图：

Spark的安装与部署

Spark的安装部署方式有以下几种模式：

Standalone
YARN
Mesos
Amazon EC2

（*）Spark Standalone伪分布的部署
配置文件：conf/spark-env.sh

export JAVA_HOME=/root/training/jdk1.7.0_75
export SPARK_MASTER_HOST=spark81
export SPARK_MASTER_PORT=7077
下面的可以不写，默认
export SPARK_WORKER_CORES=1
export SPARK_WORKER_MEMORY=1024m

配置文件：conf/slave

spark81

（*）Spark Standalone全分布的部署
配置文件：conf/spark-env.sh

export JAVA_HOME=/root/training/jdk1.7.0_75
export SPARK_MASTER_HOST=spark82
export SPARK_MASTER_PORT=7077
下面的可以不写，默认
export SPARK_WORKER_CORES=1
export SPARK_WORKER_MEMORY=1024m

配置文件：conf/

spark83
spark84

（*）启动Spark集群：sbin/start-all.sh
ip：8080
在这里插入图片描述

Spark HA的实现

（*）基于文件系统的单点恢复

主要用于开发或测试环境。当spark提供目录保存spark Application和worker的注册信息，并将他们的恢复状态写入该目录中，这时，一旦Master发生故障，就可以通过重新启动Master进程（sbin/start-master.sh），恢复已运行的spark Application和worker的注册信息。
基于文件系统的单点恢复，主要是在spark-en.sh里对SPARK_DAEMON_JAVA_OPTS设置

配置参数	参考值
spark.deploy.recoveryMode	设置为FILESYSTEM开启单点恢复功能，默认值：NONE
spark.deploy.recoveryDirectory	Spark 保存恢复状态的目录

export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=FILESYSTEM -Dspark.deploy.recoveryDirectory=/root/training/spark-2.1.0-bin-hadoop2.7/recovery"

测试：
1、在spark82上启动Spark集群
2、在spark83上启动spark shell
MASTER=spark://spark82:7077 spark-shell
3、在spark82上停止master
stop-master.sh
在这里插入图片描述
4、观察spark83上的输出:
5、在spark82上重启master
==start-master.sh=

（*）基于Zookeeper的Standby Masters

ZooKeeper提供了一个Leader Election机制，利用这个机制可以保证虽然集群存在多个Master，但是只有一个是Active的，其他的都是Standby。当Active的Master出现故障时，另外的一个Standby Master会被选举出来。由于集群的信息，包括Worker， Driver和Application的信息都已经持久化到ZooKeeper，因此在切换的过程中只会影响新Job的提交，对于正在进行的Job没有任何的影响。加入ZooKeeper的集群整体架构如下图所示。
在这里插入图片描述

配置参数	参考值
spark.deploy.recoveryMode	设置为ZOOKEEPER开启单点恢复功能，默认值：NONE
spark.deploy.zookeeper.url	ZooKeeper集群的地址
spark.deploy.zookeeper.dir	Spark信息在ZK中的保存目录，默认：/spark

参考
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=bigdata12:2181,bigdata13:2181,bigdata14:2181 -Dspark.deploy.zookeeper.dir=/spark"

另外：每个节点上，需要将以下两行注释掉
在这里插入图片描述
ZooKeeper中保存的信息

启动：在主节点上启动 start-all
在另外从节点上 start-master.sh
在这里插入图片描述

执行Spark Demo程序

执行Spark Example程序

（1）示例程序：$SPARK_HOME/examples/jars/spark-examples_2.11-2.1.0.jar
（2）所有的示例程序：$EXAMPLE_HOME/examples/src/main
有Java、Scala等等等
（3）Demo：蒙特卡罗求PI
命令：
spark-submit --master spark://spark81:7077 --class org.apache.spark.examples.SparkPi examples/jars/spark-examples_2.11-2.1.0.jar 100

使用Spark Shell

park-shell是Spark自带的交互式Shell程序，方便用户进行交互式编程，用户可以在该命令行下用scala编写spark程序。
（*）启动Spark Shell：spark-shell
也可以使用以下参数：
参数说明：
–master spark://spark81:7077 指定Master的地址
–executor-memory 2g 指定每个worker可用内存为2G
–total-executor-cores 2 指定整个集群使用的cup核数为2个

例如：
spark-shell --master spark://spark81:7077 --executor-memory 2g --total-executor-cores 2

（*）注意：
如果启动spark shell时没有指定master地址，但是也可以正常启动spark shell和执行spark shell中的程序，其实是启动了spark的local模式，该模式仅在本机启动一个进程，没有与集群建立联系。
请注意local模式和集群模式的日志区别：
在这里插入图片描述
（*）在Spark Shell中编写WordCount程序
**程序如下：
sc.textFile(“hdfs://192.168.88.111:9000/data/data.txt”).flatMap(.split(" ")).map((,1)).reduceByKey(+).saveAsTextFile(“hdfs://192.168.88.111:9000/output/spark/wc”)

说明：

sc是SparkContext对象，该对象时提交spark程序的入口
textFile(“hdfs://192.168.88.111:9000/data/data.txt”)是hdfs中读取数据
flatMap(_.split(" "))先map在压平
map((_,1))将单词和1构成元组
reduceByKey(+)按照key进行reduce，并将value累加
saveAsTextFile(“hdfs://192.168.88.111:9000/output/spark/wc”)将结果写入到hdfs中

在IDEA中编写WordCount程序

（）需要的jar包：$SPARK_HOME/jars/.jar
（）创建Scala Project，并创建Scala Object、或者Java Class
（）书写源代码，并打成jar包，上传到Linux

Scala版
在这里插入图片描述
（*）运行程序：
spark-submit --master spark://spark81:7077 --class mydemo.WordCount jars/wc.jar hdfs://192.168.88.111:9000/data/data.txt hdfs://192.168.88.111:9000/output/spark/wc1

import org.apache.spark.{SparkConf, SparkContext}

/**
 * @Autho: Administrator and wind
 * @Version: 2019/11/9 & 1.0
 *
 * scala WordCounts
 */
object TestWordCounts {

  def main(args: Array[String]): Unit = {

    //创建spark环境
    val conf = new SparkConf().setAppName("TestWordCounts").setMaster("local")
    //如果在集群模式下，spark不用设置，spark-submit指定
    //本地模式，master设置成local

    //创建SparkContext对象
    val sc = new SparkContext(conf)

    val result = sc.textFile("E:\\test\\abc\\test.txt")
      .flatMap(_.split(" "))
      .map((_,1))
      .reduceByKey(_+_)

    /**
     * reduceByKey：对相对应的key分组
     * (I,1)
     * (I,1)
     *
     * (I,1+1)
     *
     * (I,1)
     * (I,1)
     * (I,1)
     *
     * (I,1+1)
     *(I,1)
     *
     * (I,2+1)
     */

    result.foreach(println)

    //停止sc
    sc.stop()


  }
}

Java版
在这里插入图片描述
（*）运行程序：
spark-submit --master spark://spark81:7077 --class mydemo.JavaWordCount jars/wc.jar hdfs://192.168.88.111:9000/data/data.txt

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import scala.Tuple2;

import java.util.Arrays;
import java.util.Iterator;
import java.util.List;

/**
 * @Autho: Administrator and wind
 * @Version: 2019/11/9 & 1.0
 */
public class JavaWordCounts {

    public static void main(String[] args) {


        //创建环境
        SparkConf conf = new SparkConf().setAppName("JavaWordCounts").setMaster("local");

        JavaSparkContext jsp = new JavaSparkContext(conf);

        JavaRDD<String> lines = jsp.textFile("E:\\test\\abc\\test.txt");

        JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {

            public Iterator<String> call(String input) throws Exception {
                return Arrays.asList(input.split(" ")).iterator();
            }
        });

        JavaPairRDD<String,Integer> ones = words
         .mapToPair(new PairFunction<String, String, Integer>() {

             public Tuple2<String, Integer> call(String s) throws Exception {
                 return new Tuple2<String, Integer>(s,1);
             }
         });

        JavaPairRDD<String,Integer> counts = ones
         .reduceByKey(new Function2<Integer, Integer, Integer>() {

             public Integer call(Integer arg0, Integer arg1) throws Exception {
                 return arg0 + arg1;
             }
         });

        List<Tuple2<String,Integer>> output = counts.collect();
        for (Tuple2<String,Integer> tuple2 : output){

            System.out.println(tuple2._1() + " : " + tuple2._2());
        }
        jsp.stop();
    }
}