目录
Spark基础
Spark简介
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。
作为MapReduce的替代方案,spark有以下优点:
1.快,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,磁盘计算也比MapReduce快
2.易用性 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。
3.通用性 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)。
4.兼容性
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。
Spark安装
下载
地址:(http://spark.apache.org/) 以当前最新的release版本为例 (后面因调试方便修改为2.3.4版本)
https://mirror.bit.edu.cn/apache/spark/spark-2.4.5/spark-2.4.5-bin-hadoop2.7.tgz
解压安装:
tar -zxvf spark-2.4.5-bin-hadoop2.7.tgz -C /root/apps
配置环境变量
修改配置文件:
1.conf目录并重命名并修改spark-env.sh.template文件:
在该配置文件中添加如下配置
export JAVA_HOME=/usr/local/jdk
export SPARK_MASTER_IP=master
export SPARK_MASTER_PORT=7077
# zookeeper 监控集群实现HA 因为要启用多个master,故删除 export SPARK_MASTER_IP=master配置
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hdp-01:2181,hdp-02:2181,hdp-03:2181 -Dspark.deploy.zookeeper.dir=/spark"
2.重命名并修改slaves.template文件
mv slaves.template slaves
vi slaves
在该文件中添加子节点所在的位置(Worker节点)
hdp-01
hdp-02
hdp-03
3.复制到其他节点:
scp -r /root/apps/
启动:
/root/apps/spark-2.4.5-bin-hadoop2.7/sbin/start-all.sh
/root/apps/spark-2.4.5-bin-hadoop2.7/sbin/start-master.sh #master的 standby节点
web验证:
8080:master的webUI,sparkwebUI的端口
7077:提交任务的端口
8081:worker的webUI的端口
18080:historyServer的webUI的端口
4040: Application Jobs web端口
web端口 8080被占用时,会顺延监听 8081 8082 ....
Spark运行原理
spark使用方式:
1.spark-shell 直接启动 scala交互界面,使用的是本地模式,本地模拟集群运行过程
sc.textFile("hdfs://master:9000/wordcount/input/a.log").flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).sortBy(_._2, false).collect
2.spark-submit 向集群提交spark任务
spark-submit --master spark://master:7077,hdp-01:7077 --executor-memory 512m --total-executor-cores 6 --class cn.edu360.spark.ScalaWordCount /root/SparkTest-1.0-SNAPSHOT.jar hdfs://mycluster/wordcount/input hdfs://mycluster/wordcount/out0001
Spark运行原理:
1.spark集群启动后分为 master,worker节点,master负责资源调度,worker复制启动Executor执行具体任务
2.客户端提交spark任务,需要启动一个SparkSubmint(Driver)来提交任务
3.SparkSubmint(Driver)提交后,首先连接spark集群的master,申请任务所需的计算资源memory,cores
4.master 根据driver要求将任务分发给worker,同时监控worker状态
5.worker 根据master的要求启动固定资源的executor,同时监控executor,并像master汇报
6.executor 启动后 通过worker与master通信,主动连接driver
7.Driver 产生实际的task,通过网络通信发送给executor
8.executor执行真正的计算逻辑
Yarn和Spark的StandAlone调度模式对比
----------------------------
ResouceManager | Master | 管理子节点、资源调度、接收任务请求 |
NodeManger | Worker | 管理当前节点,并管理子进程 |
YarnChild | Executor | 运行真正的计算逻辑的(Task) |
Client | SparkSubmit | (Client + ApplicaitonMaster)提交app,管理该任务的Executor 并将Task提交到(Executor) |
ApplicaitonMaster |
----------------------------
spark版本与scala版本不对应可能出现的问题:
1.spark 2.4.x 官方提供的对应scala版本是 2.12.x
但是 在spark安装包的jars中的依赖包,都是2.11.12.
因此,如果用scala-2.12.x 编译打包,运行时还是会报版本不匹配的错误:
scala.Predef$.refArrayOps([Ljava/lang/Object;)[Ljava/lang/Object
2.解决办法:
方法一:
替换spark安装包的scala-2.11.x jar 替换为 2.12.x版本,但可能存在版本不稳定的问题
方法二:
pom依赖更换为2.11.12. ....
3.spark 2.4.x 版本与 scala 2.11.x 版本搭配,在调试过程中也会有各种问题.
因此建议稳定版本选择:
spark-2.3.4 scala-2.11.12
经验证稳定可用版的对应pom依赖:(下文见)
注:spark 安装包已经有了内置的scala版本,只运行spark程序的话,无需再安装scala版本
而在window idea做编译时需要scala的编译版本才会出现以上的问题.
idea编写spark程序
1.maven工程的spark pom依赖:
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>cn.edu360.spark</groupId>
<artifactId>SparkTest</artifactId>
<version>1.0-SNAPSHOT</version>
<properties>
<maven.compiler.source>1.8</maven.compiler.source>
<maven.compiler.target>1.8</maven.compiler.target>
<scala.version>2.11.12</scala.version>
<spark.version>2.3.4</spark.version>
<hadoop.version>2.10.0</hadoop.version>
<encoding>UTF-8</encoding>
</properties>
<dependencies>
<!-- 导入scala的依赖 -->
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>${scala.version}</version>
</dependency>
<!-- 导入spark的依赖 -->
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>${spark.version}</version>
</dependency>
<!-- 指定hadoop-client API的版本 -->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>${hadoop.version}</version>
</dependency>
</dependencies>
<build>
<pluginManagement>
<plugins>
<!-- 编译scala的插件 -->
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<version>4.3.1</version>
</plugin>
<!-- 编译java的插件 -->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.8.1</version>
</plugin>
</plugins>
</pluginManagement>
<plugins>
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<executions>
<execution>
<id>scala-compile-first</id>
<phase>process-resources</phase>
<goals>
<goal>add-source</goal>
<goal>compile</goal>
</goals>
</execution>
<execution>
<id>scala-test-compile</id>
<phase>process-test-resources</phase>
<goals>
<goal>testCompile</goal>
</goals>
</execution>
</executions>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<executions>
<execution>
<phase>compile</phase>
<goals>
<goal>compile</goal>
</goals>
</execution>
</executions>
</plugin>
<!-- 打jar插件 -->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-shade-plugin</artifactId>
<version>3.2.3</version>
<executions>
<execution>
<phase>package</phase>
<goals>
<goal>shade</goal>
</goals>
<configuration>
<filters>
<filter>
<artifact>*:*</artifact>
<excludes>
<exclude>META-INF/*.SF</exclude>
<exclude>META-INF/*.DSA</exclude>
<exclude>META-INF/*.RSA</exclude>
</excludes>
</filter>
</filters>
</configuration>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
2.ScalaWordCount
object ScalaWordCount {
def main(args: Array[String]): Unit = {
// create SpatkConf ,setAppName(),setMaster() "local[*]" local model * cores *系统默认最大核数
val conf: SparkConf = new SparkConf().setAppName("ScalaWordCount01").setMaster("local[*]")
// create SparkContext() set conf
val sc: SparkContext = new SparkContext(conf)
// RDD 弹性分布式数据集
val lines: RDD[String] = sc.textFile(args(0))
// flatMap 数据 分切压平
val words: RDD[String] = lines.flatMap(_.split(" "))
// map
val wordmaps: RDD[(String, Int)] = words.map((_, 1))
// reduce
val reduced: RDD[(String, Int)] = wordmaps.reduceByKey(_ + _)
// sorted
val sorted: RDD[(String, Int)] = reduced.sortBy(_._2,false)
println(sorted.collect().toBuffer)
// save
sorted.saveAsTextFile(args(1))
// release
sc.stop()
}
}
3.JavaLamdaWordCount
public class JavaLamdaWordCount {
public static void main(String[] args) {
SparkConf conf = new SparkConf().setAppName("JavaLamdaWordCount").setMaster("local[*]");
JavaSparkContext jsc = new JavaSparkContext(conf);
JavaRDD<String> lines = jsc.textFile(args[0]);
JavaRDD<String> words = lines.flatMap(line -> Arrays.asList(line.split(" ")).iterator());
// JavaPairRDD<String, Integer> map = words.mapToPair(word -> Tuple2.apply(word, 1));
JavaPairRDD<String, Integer> maps = words.mapToPair(word -> new Tuple2<>(word,1));
JavaPairRDD<String, Integer> reduced = maps.reduceByKey((m, n) -> m + n);
JavaPairRDD<Integer, String> swaped = reduced.mapToPair(tp -> tp.swap());
JavaPairRDD<Integer, String> sorted = swaped.sortByKey(false);
JavaPairRDD<String, Integer> result = sorted.mapToPair(tp -> tp.swap());
result.saveAsTextFile(args[1]);
jsc.stop();
}
}