Python大数据之PySpark(二)PySpark安装_支持 依赖项 ‘python pyspark‘ 的插件 spark 当前尚未安装。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

Jupyter环境设置

监控页面

• 4040的端口
• 
• 

运行圆周率

• 回顾Hadoop中可以使用
• hadoop jar xxxx.jar 100
• yarn jar xxxx.jar 1000
• 跑的mr的任务
• Spark中也有对应的提交任务的代码
• spark-submit 提交圆周率的计算代码 */examples/src/main/python/pi.py*
• 提交的命令：

bin/spark-submit --master local[2] /export/server/spark/examples/src/main/python/pi.py 10
或者

# 基于蒙特卡洛方法求解的Pi，需要参数10，或100代表的次数
bin/spark-submit \
--master local[2] \
/export/server/spark/examples/src/main/python/pi.py  \
10

• 
• 
• 蒙特卡洛方法求解PI
• 
• 采用的扔飞镖的方法，在极限的情况下，可以用落入到圆内的次数除以落入正方形内的次数
• hadoop jar /export/server/hadoop-3.3.0/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar pi 10 10
• hadoop提交任务中使用 第一个10代表是map任务，第二10代表每个map任务投掷的次数
• spark-submit的提交的参数10的含义是投掷的次数
• 简单的py代码

def pi(times): # times的意思是落入到正方形的次数
x_time = 0
for i in range(times):

有多少落入到圆内

x = random.random()
y = random.random()
if x * x + y * y <= 1:
x_time += 1
return x_time / times * 4.0
print(pi(10000000))#3.1410412

环境搭建-Standalone

• 完成了Spark的local环境搭建
• 完成了Spark的PySpark的local环境搭建
• 基于PySpark完成spark-submit的任务提交

Standalone 架构

• 
• 如果修改配置，如何修改？
• 1-设定谁是主节点，谁是从节点
  • node1是主节点，node1，node2，node3是从节点
• 2-需要在配置文件中声明，
  • 那个节点是主节点，主节点的主机名和端口号(通信)
  • 那个节点是从节点，从节点的主机名和端口号
• 3-现象：进入到spark-shell中或pyspark中，会开启4040的端口webui展示，但是一旦交互式命令行退出了，wenui无法访问了，需要具备Spark的历史日志服务器可以查看历史提交的任务

角色分析

Master角色,管理节点， 启动一个名为Master的进程, *Master进程有且仅有1个*(HA模式除外)

Worker角色, 干活节点，启动一个名为 Worker的进程., Worker进程****最少1个, 最多不限制****

Master进程负责资源的管理, 并在有程序运行时, 为当前程序创建管理者Driver

Driver：驱动器，使用SparkCOntext申请资源的称之为Driver，告诉任务需要多少cpu或内存

Worker进程负责干活, 向Master汇报状态, 并听从程序Driver的安排,创建Executor干活

在Worker中有Executor，Executor真正执行干活

集群规划

谁是Master 谁是Worker

node1:master/worker

node2:slave/worker

node3:slave/worker

为每台机器安装Python3

安装过程

• 1-配置文件概述
• spark-env.sh 配置主节点和从节点和历史日志服务器
• workers 从节点列表
• spark-default.conf spark框架启动默认的配置，这里可以将历史日志服务器是否开启，是否有压缩等写入该配置文件
• 
• 2-安装过程
• 2-1 修改workers的从节点配置文件
• 
• 2-2 修改spark-env.sh配置文件
• hdfs dfs -mkdir -p /sparklog/
• 
• 2-3 修改spark-default.conf配置文件
• 
• 2-4 配置日志显示级别(省略)

测试

• 
• WebUi
• 
• （1）Spark-shell
• bin/spark-shell --master spark://node1:7077
• 
• （2）pyspark
• 前提：需要在三台机器上都需要安装Anaconda，并且安装PySpark3.1.2的包
• 步骤：
• 如果使用crt上传文件一般使用rz命令，yum install -y lrzsz
• 1-在3台虚拟机上准备anconda
• 2-安装anaconda，sh anaconda.sh
• 3-安装pyspark，这里注意环境变量不一定配置，直接进去文件夹也可以
• 4-测试
• 调用：bin/pyspark --master spark://node1:7077
• 
• 
• （3）spark-submit
• 

#基于Standalone的脚本
#driver申请作业的资源，会向–master集群资源管理器申请
#执行计算的过程在worker中，一个worker有很多executor(进程)，一个executor下面有很多task(线程)
bin/spark-submit
–master spark://node1:7077
–driver-memory 512m
–executor-memory 512m
–conf “spark.pyspark.driver.python=/root/anaconda3/bin/python3”
–conf “spark.pyspark.python=/root/anaconda3/bin/python3”
/export/server/spark/examples/src/main/python/pi.py
10

• 完毕

Spark 应用架构

• 两个基础driver和executor
• 
• 
• 
• 用户程序从最开始的提交到最终的计算执行，需要经历以下几个阶段：

1）、用户程序创建 SparkContext 时，新创建的 SparkContext 实例会连接到 ClusterManager。 Cluster Manager 会根据用户提交时设置的 CPU 和内存等信息为本次提交分配计算资源，启动 Executor。

2）、Driver会将用户程序划分为不同的执行阶段Stage，每个执行阶段Stage由一组完全相同Task组成，这些Task分别作用于待处理数据的不同分区。在阶段划分完成和Task创建后， Driver会向Executor发送 Task；

3）、Executor在接收到Task后，会下载Task的运行时依赖，在准备好Task的执行环境后，会开始执行Task，并且将Task的运行状态汇报给Driver；

4）、Driver会根据收到的Task的运行状态来处理不同的状态更新。 Task分为两种：一种是Shuffle Map Task，它实现数据的重新洗牌，洗牌的结果保存到Executor 所在节点的文件系统中；另外一种是Result Task，它负责生成结果数据；

5）、Driver 会不断地调用Task，将Task发送到Executor执行，在所有的Task 都正确执行或者超过执行次数的限制仍然没有执行成功时停止；

• 

环境搭建StandaloneHA

• 回顾：Spark的Standalone独立部署模式，采用Master和Worker结构进行申请资源和执行计算
• 问题：如果Master出问题了，整个Spark集群无法工作，如何处理？
• 解决：涉及主备，需要一个主节点，需要一个备用节点，通过ZK选举，如果主节点宕机备份节点可以接替上主节点继续执行计算

高可用HA

• 架构图
• 

基于Zookeeper实现HA

• 如何实现HA的配置？
• 1-需要修改spark-env.sh中的master的ip或host，注释掉，因为依靠zk来选择
• 

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

[外链图片转存中…(img-UiYlj7QA-1715682855273)]
[外链图片转存中…(img-KLBbJzl5-1715682855274)]
[外链图片转存中…(img-WejC7sG0-1715682855274)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取