Spark学习

Spark 概述

1.什么是 Spark

1、定义

Spark是一种基于内存的快速、通用、可扩展的大数据分析引擎。

2、历史

2009年诞生于加州大学伯克利分校AMPLab，项目采用Scala编写。

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。

2 Spark 内置模块

Spark Core：实现了 Spark 的基本功能，包含任务调度、内存管理、错误恢复、与存储 系统交互等模块。Spark Core 中还包含了对弹性分布式数据集(Resilient Distributed DataSet，简称 RDD)的 API 定义。 Spark SQL：是 Spark 用来操作结构化数据的程序包。通过 Spark SQL，我们可以使用 SQL 或者 Apache Hive 版本的 SQL 方言(HQL)来查询数据。Spark SQL 支持多种数据源， 比如 Hive 表、Parquet 以及 JSON 等。 Spark Streaming：是 Spark 提供的对实时数据进行流式计算的组件。提供了用来操作数 据流的 API，并且与 Spark Core 中的 RDD API 高度对应。 Spark MLlib：提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同 过滤等，还提供了模型评估、数据 导入等额外的支持功能。 集群管理器：Spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求，同时获得最大灵活性，Spark 支持在各种集群管理器(Cluster Manager)上运行，包括 Hadoop YARN、Apache Mesos，以及 Spark 自带的一个简易调度 器，叫作独立调度器。 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。

3 Spark 特点

Spark特点 1）快：与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执行引擎，可以通过基于内存来高效处理数据流。计算的中间结果是存在于内存中 的。 2）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。 3）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。减少了开发和维护的人力成本和部署平台的物力成本。 4）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，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase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 运行模式

1.Spark 安装地址

1．官网地址

http://spark.apache.org/

2．文档查看地址

https://spark.apache.org/docs/2.1.1/

3．下载地址

https://spark.apache.org/downloads.html

Local 模式

1 概述

概述 Local模式就是运行在一台计算机上的模式，通常就是用于在本机上练手和测试。 它可以通过以下集中方式设置Master。 local: 所有计算都运行在一个线程当中，没有任何并行计算，通常我们在本机执行 一些测试代码，或者练手，就用这种模式; local[K]: 指定使用几个线程来运行计算，比如local[4]就是运行4个Worker线程。通 常我们的Cpu有几个Core，就指定几个线程，最大化利用Cpu的计算能力; local[*]: 这种模式直接帮你按照Cpu最多Cores来设置线程数了。

2 安装使用

1）上传并解压 spark 安装包

[wzw@hadoop102 sorfware]$ tar

-zxvf spark-2.1.1-bin

hadoop2.7.tgz -C /opt/module/

[wzw@hadoop102 module]$ mv spark-2.1.1-bin-hadoop2.7 spark

2）官方求 PI 案例

[wzw@hadoop102 spark]$ bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --executor-memory 1G \ --total-executor-cores 2 \ ./examples/jars/spark-examples_2.11-2.1.1.jar \ 100

（1）基本语法

bin/spark-submit \ --class <main-class> --master <master-url> \ --deploy-mode <deploy-mode> \ --conf <key>=<value> \ ... # other options <application-jar> \ [application-arguments]

（2）参数说明：

--master 指定 Master 的地址，默认为 Local --class: 你的应用的启动类 (如 org.apache.spark.examples.SparkPi) --deploy-mode: 是否发布你的驱动到 worker 节点(cluster) 或者作为一个本地客户端 (client) (default: client)* --conf: 任意的 Spark 配置属性， 格式 key=value. 如果值包含空格，可以加引号 “key=value” application-jar: 打包好的应用 jar,包含依赖. 这个 URL 在集群中全局可见。 比如 hdfs:// 共享存储系统， 如果是 file:// path， 那么所有的节点的 path 都包含同样的 jar application-arguments: 传给 main()方法的参数 --executor-memory 1G 指定每个 executor 可用内存为 1G --total-executor-cores 2 指定每个 executor 使用的 cup 核数为 2 个

3）结果展示

该算法是利用蒙特·卡罗算法求 PI

4）准备文件

[wzw@hadoop102 spark]$ mkdir input

在 input 下创建 3 个文件 1.txt 和 2.txt，并输入以下内容

hello atguigu

hello spark

5）启动 spark-shell

[wzw@hadoop102 spark]$ bin/spark-shell Using Spark's default log4j profile: org/apache/spark/log4j defaults.properties Setting default log level to "WARN". To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel). 18/09/29 08:50:52 WARN NativeCodeLoader: Unable to load native hadoop library for your platform... using builtin-java classes where applicable 18/09/29 08:50:58 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException Spark context Web UI available at http://192.168.9.102:4040 Spark context available as 'sc' (master = local[*], app id = local- 1538182253312). Spark session available as 'spark'. Welcome to ____ __ / __/__ ___ _____/ / _\ \/ _ \/ _ `/ __/ '_/ /___/ .__/\_,_/_/ /_/\_\ version 2.1.1 /_/ Using Scala version 2.11.8 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_144) Type in expressions to have them evaluated. Type :help for more information. scala>

开启另一个 CRD 窗口

[wzw@hadoop102 spark]$ jps

3627 SparkSubmit

4047 Jps

可登录 hadoop102:4040 查看程序运行

6）运行 WordCount 程序

scala>sc.textFile("input").flatMap(_.split("

")).map((_,1)).reduceByKey(_+_).collect

res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3),

(hive,3), (atguigu,3), (hbase,6))

scala>

可登录 hadoop102:4040 查看程序运行

3.提交流程

1）提交任务分析：

重要角色：

Driver（驱动器）

Spark 的驱动器是执行开发程序中的 main 方法的进程。它负责开发人员编写的用来创

建 SparkContext、创建 RDD，以及进行 RDD 的转化操作和行动操作代码的执行。如果你

是用 spark shell，那么当你启动 Spark shell 的时候，系统后台自启了一个 Spark 驱动器程

序，就是在 Spark shell 中预加载的一个叫作 sc 的 SparkContext 对象。如果驱动器程序终

止，那么 Spark 应用也就结束了。主要负责：

1）把用户程序转为任务

2）跟踪 Executor 的运行状况

3）为执行器节点调度任务

4）UI 展示应用运行状况

Executor（执行器）

Spark Executor 是一个工作进程，负责在 Spark 作业中运行任务，任务间相互独立。

Spark 应用启动时，Executor 节点被同时启动，并且始终伴随着整个 Spark 应用的生命周

期而存在。如果有 Executor 节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出

错节点上的任务调度到其他 Executor 节点上继续运行。主要负责：

1）负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程；

2）通过自身的块管理器（Block Manager）为用户程序中要求缓存的 RDD 提供内存式

存储。RDD 是直接缓存在 Executor 进程内的，因此任务可以在运行时充分利用缓存数据加

速运算.

4 数据流程

textFile("input")：读取本地文件 input 文件夹数据；

flatMap(_.split(" "))：压平操作，按照空格分割符将一行数据映射成一个个单词；

map((_,1))：对每一个元素操作，将单词映射为元组；

reduceByKey(_+_)：按照 key 将值进行聚合，相加；

collect：将数据收集到 Driver 端展示。

Standalone 模式

1 概述

构建一个由 Master+Slave 构成的 Spark 集群，Spark 运行在集群中。

2 安装使用

1）进入 spark 安装目录下的 conf 文件夹

[wzw@hadoop102 module]$ cd spark/conf/

2）修改配置文件名称

[wzw@hadoop102 conf]$ mv slaves.template slaves

[wzw@hadoop102 conf]$ mv spark-env.sh.template spark-env.sh

3）修改 slave 文件，添加 work 节点：

[wzw@hadoop102 conf]$ vim slaves

hadoop102

hadoop103

hadoop104

4）修改 spark-env.sh 文件，添加如下配置：

[wzw@hadoop102 conf]$ vim spark-env.sh

SPARK_MASTER_HOST=hadoop101

SPARK_MASTER_PORT=7077

5）分发 spark 包

[wzw@hadoop102 module]$ xsync spark/

6）启动

[wzw@hadoop102 spark]$ sbin/start-all.sh

[wzw@hadoop102 spark]$ util.sh

================wzw@hadoop102================

3330 Jps

3238 Worker

3163 Master

================wzw@hadoop103================

2966 Jps

2908 Worker

================atguigu@hadoop104================

2978 Worker

3036 Jps

网页查看：hadoop102:8080

注意：如果遇到 “JAVA_HOME not set” 异常，可以在 sbin 目录下的 spark-config.sh 文件

中加入如下配置：

export JAVA_HOME=XXXX

7）官方求 PI 案例

[wzw@hadoop102 spark]$ bin/spark-submit \

--class org.apache.spark.examples.SparkPi \

--master spark://hadoop102:7077 \

--executor-memory 1G \

--total-executor-cores 2 \

./examples/jars/spark-examples_2.11-2.1.1.jar \

100

8）启动 spark shell

/opt/module/spark/bin/spark-shell \

--master spark://hadoop101:7077 \

--executor-memory 1g \

--total-executor-cores 2

参数：--master spark://hadoop102:7077 指定要连接的集群的 master

执行 WordCount 程序

scala>sc.textFile("input").flatMap(_.split("

")).map((_,1)).reduceByKey(_+_).collect

res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3),

(hive,3), (atguigu,3), (hbase,6))

scala>

3 JobHistoryServer 配置

1）修改 spark-default.conf.template 名称

[wzw@hadoop102 conf]$ mv spark-defaults.conf.template spark

defaults.conf

2）修改 spark-default.conf 文件，开启 Log：

[wzw@hadoop102 conf]$ vi spark-defaults.conf

spark.eventLog.enabled true

spark.eventLog.dir hdfs://hadoop102:9000/directory

注意：HDFS 上的目录需要提前存在。

3）修改 spark-env.sh 文件，添加如下配置：

[wzw@hadoop102 conf]$ vi spark-env.sh export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=30 -Dspark.history.fs.logDirectory=hdfs://hadoop101:9000/directory" 参数描述： spark.eventLog.dir：Application 在运行过程中所有的信息均记录在该属性指定的路径下 spark.history.ui.port=18080 WEBUI 访问的端口号为 18080 spark.history.fs.logDirectory=hdfs://hadoop102:9000/directory 配置了该属性后，在 start history-server.sh 时就无需再显式的指定路径，Spark History Server 页面只展示该指定路径 下的信息 spark.history.retainedApplications=30 指定保存 Application 历史记录的个数，如果超过 这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用 数。

4）分发配置文件

[wzw@hadoop102 conf]$ xsync spark-defaults.conf

[wzw@hadoop102 conf]$ xsync spark-env.sh

5）启动历史服务

[wzw@hadoop102 spark]$ sbin/start-history-server.sh

6）再次执行任务

[wzw@hadoop102 spark]$ bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master spark://hadoop101:7077 \ --executor-memory 1G \ --total-executor-cores 2 \ ./examples/jars/spark-examples_2.11-2.1.1.jar \ 100

7）查看历史服务

hadoop102:18080