【Spark】Day01-入门、模块组成、4种运行模式详解及配置、案例实操（spark分析过程）...

一、概述

1、概念

基于内存的大数据分析计算引擎

2、特点

快速、通用、可融合性

3、Spark内置模块【腾讯8000台spark集群】

Spark运行在集群管理器(Cluster Manager)上，支持3种集群管理器：Yarn、Standalone(脱机，Spark自带)、Apache Mesos(国外)

Spark Core：基本功能(任务调度、内存管理、错误恢复、与存储系统交互)、弹性Resilient 分布式数据集RDD的API

Spark SQl：操作结构化数据的程序包，数据查询，并支持多种数据源(Hive 表、Parquet 以及 JSON 等)

Spark Streaming：流式计算，提供用来操作数据流的 API，与Core中的RDD API高度对应

Spark MLlib：机器学习库，以及模型评估、数据导入等功能

Spark GraphX ：图计算和挖掘

二、Spark运行模式：单机模式与集群模式

1、概念

(1)分类

Local、Standalone(自带的任务调度)、YARN、Mesos

(2)核心概念

Term	Meaning
Application	User program built on Spark. Consists of a driver program and executors on the cluster. (构建于 Spark 之上的应用程序. 包含驱动程序和运行在集群上的执行器)
Driver program 驱动程序	负责把并行操作发布到集群上，SparkContext对象相当于一个到 Spark 集群的连接(直接与工作节点相连，并受集群管理器的管理)
Cluster manager 集群管理器	An external service for acquiring resources on the cluster (e.g. standalone manager, Mesos, YARN)
Deploy mode 运行模式	Distinguishes where the driver process runs. In “cluster” mode, the framework launches the driver inside of the cluster. In “client” mode, the submitter launches the driver outside of the cluster.
Worker node	特有资源调度系统的 Slave，类似于 Yarn 框架中的 NodeManager，功能包括：注册到maser、发送心跳、执行task
Executor 执行器	执行计算和为应用程序存储数据，SparkContext对象发送程序代码以及任务到执行器开始执行程序
Task	A unit of work that will be sent to one executor
Job	A parallel computation consisting of multiple tasks that gets spawned in response to a Spark action (e.g. save, collect); you’ll see this term used in the driver’s logs.
Stage	Each job gets divided into smaller sets of tasks called stages that depend on each other (similar to the map and reduce stages in MapReduce); you’ll see this term used in the driver’s logs.

2、Local模式

(1)使用方式

发布应用程序

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

使用run-examples来运行：bin/run-example SparkPi 100

使用shell：bin/spark-shell(可以通过web查看运行情况)

(2)提交流程

 (3)数据流程

3、Standalone模式

(1)工作模式图解

由master管理

(2)配置

由 Master + Slave 构成的 Spark 集群

修改 slaves 文件，分发启动sbin/start-all.sh

查看集群运行情况：http://hadoop201:8080

运行计算程序bin/spark-submit

启动 Spark-shell：bin/spark-shell --master xxxx

(3)配置Spark任务历史服务器

spark-defaults.conf配置文件中，允许记录日志

spark-env.sh中配置历史服务器端口和日志在hdfs上的目录

分发配置，启动hdfs

启动历史服务器sbin/start-history-server.sh

启动任务并查看

(4)HA 配置(为 Mater 配置)

master单一，存在单点故障问题

方式：启动多个，包含active状态和standby状态

spark-env.sh添加zk配置，移除原有master

分发启动zk，启动全部节点sbin/start-all.sh

杀死master进程，在8080端口查看master的状态

重新启动sbin/start-master.sh

4、Yarn模式：客户端直接连接yarn，无需额外构建spark集群

(1)概述

client 和 cluster 两种模式，区别在于：Driver 程序的运行节点不同

cluster：Driver程序运行在由 RM(ResourceManager)启动的 AM(AplicationMaster)

由RM管理

 (2)Yarn模式配置

修改yarn-site.xml，避免杀死nm进程

修改spark-evn.sh，去掉 master 的 HA 配置

执行程序并在8088端口进行查看

在spark-default.conf中配置历史服务器

5、Mesos 模式：客户端直接连接 Mesos；不需要额外构建 Spark 集群

6、比较

模式	Spark安装机器数	需启动的进程	所属者
Local	1	无	Spark
Standalone	多台	Master及Worker	Spark
Yarn	1	Yarn及HDFS	Hadoop

三、WordCount案例实操

1、概述

利用 Maven 来管理 jar 包的依赖

2、步骤

创建 maven 项目, 导入依赖

编写 WordCount 程序(创建WordCount.scala)

3、测试

(1)打包到 Linux 测试

bin/spark-submit --class day01.WordCount --master yarn input/spark_test-1.0-SNAPSHOT.jar

查询结果

hadoop fs -cat /output/*

(2)idea 本地直接提交应用(使用local模式执行)

package day01

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

object WordCount {
    def main(args: Array[String]): Unit = {
        // 1. 创建 SparkConf对象, 并设置 App名字, 并设置为 local 模式
        val conf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local[*]")
        // 2. 创建SparkContext对象
        val sc = new SparkContext(conf)
        // 3. 使用sc创建RDD并执行相应的transformation和action
        val wordAndCount: Array[(String, Int)] = sc.textFile(ClassLoader.getSystemResource("words.txt").getPath)
            .flatMap(_.split(" "))
            .map((_, 1))
            .reduceByKey(_ + _)
            .collect()
        wordAndCount.foreach(println)
        // 4. 关闭连接
        sc.stop()
    }
}