spark shell初识

1、入门

启动hadoop、spark,用到的端口：50070,8088,8080,4040等，不一而定。

进入spark shell:MASTER=spark://172.20.0.204:7077 ./spark-shell

查看目录：hadoop fs -ls /

spark通过hadoop上传文件，载入到rdd中，sc.textFile("hdfs://localhost:9000/user/hadoop/Data/linkage/block_1.csv")

scala repl中直接定义方法，且:t isHeader _可显示方法的返回值。

map方法好用！！！

Spark-shell和Spark-Submit的使用

Spark-shell有两种使用方式：

• 1：直接Spark-shell

  会启动一个SparkSubmit进程来模拟Spark运行环境，是一个单机版的。

• 2：Spark-shell --master Spark：//hadoop1:7077,hadoop2:7077,hadoop3:7077 --total-executor-cores 5 --executor-memory 5G

  指定任务提交的集群路径在哪里。这就需要提前启动一个真实的Standalone集群。

  可以指定多个master的地址，用逗号隔开。

  如果没有指定--total-executor-cores 5 --executor-memory 5G，那么就会使用集群中所有可用的资源，没一个worker中都会启动executor。

不管哪种方式，只要启动完成后。

• 1/就初始化了一个SparkContext对象为SC，而在这个对象的源码中，

  • 1.1/就创建一个SparkENV对象，里面创建一个SystemActor。

  • 1.2/接着创建一个两个Actor：ClientActor和DriverActor。

    其中ClientActor就会根据刚刚的--master 来连接指定的集群

    在worker中会创建好那些运行程序的executor了。

• 2/同时也创建了一个SparkSQl对象，用于SparkSQl操作的。

• 3/最终会进入一个scala的交互界面中。

  此时可以写通过RDD的transform和action的算子，最终通过action算子调用DAGSchudler对任务进行stage切分，然后通过TaskSchudler调用DriverActor将Stage下发到executor执行。

Spark-Submit的使用

• 用来提交在IDEA中编写并且打包成jar的包到集群中运行。

• 具体的提交过程，请看Spark源码分析的任务提交过程。

  Spark-Submit --master spark://hadoop1:7077,hadoop2:7077 --executor-memory 5g --total-executor-cores 10 --class 主类路径 jar包的路径 文件的输入路径 文件的输出路径

spark-submit:

spark-submit --master local --class Boot --conf "spark.ui.port=4040" wordCountScala-assembly-1.0.jar hdfs://hadoop.master/user/boris/sparkJob/text

spark-sql取代hive的使用命令行