目录
4.Spark与MapReduce的区别？spark比mapreduce快的2个主要原因
6.1 运行spark-shell --master local[N] 读取本地文件进行单词统计
6.2运行spark-shell --master local[N] 读取HDFS上文件进行单词统计
6.3 运行spark-shell 指定集群中活着master 读取HDFS上文件进行单词统计
1. spark是什么
Apache Spark™ is a unified analytics engine for large-scale data processing。即：spark是针对于大规模数据处理的统一分析引擎。
2. spark的四大特性
2.1 速度快
运行速度提高100倍：
Apache Spark使用最先进的DAG调度程序，查询优化程序和物理执行引擎，实现批量和流式数据的高性能。
2.2 易用性
可以快速去编写spark程序通过 java/scala/python/R/SQL等不同语言。
2.3 通用性
spark框架不在是一个简单的框架，可以把spark理解成一个生态系统，它内部是包含了很多模块，基于不同的应用场景可以选择对应的模块去使用。
（1）sparksql：通过sql去开发spark程序做一些离线分析（类似于hive）。
（2）sparkStreaming：主要是用来解决公司有实时计算的这种场景。
（3）Mlib：它封装了一些机器学习的算法库。
（4）Graphx：图计算
2.4 兼容性
spark程序就是一个计算逻辑程序，这个任务要运行就需要计算资源（内存、cpu、磁盘），哪里可以给当前这个任务提供计算资源，就可以把spark程序提交到哪里去运行。
3. spark集群架构
3.1 Driver
它会执行客户端写好的main方法，它会构建SparkContext对象；该对象是所有spark程序的执行入口。
3.2 Application
spark的应用程序，它是包含了客户端的代码和任务运行的资源信息。
3.3 ClusterManager
它是给程序提供计算资源的外部服务。
（1）standAlone
spark自带的集群模式，整个任务的资源分配由spark集群的Master负责。
（2）yarn
可以把spark程序提交到yarn中运行，整个任务的资源分配由yarn中的ResourceManager负责。
（3）mesos
它也是apache开源的一个类似于yarn的资源调度平台。
3.4 Master
它是整个spark集群的主节点，负责任务资源的分配。
3.5 Worker
它是整个spark集群的从节点，负责任务计算的节点。
3.6 Executor
它是一个进程，它会在worker节点启动该进程（计算资源）。
3.7 Task
spark任务是以task线程的方式运行在worker节点对应的executor进程中。
4.Spark与MapReduce的区别？spark比mapreduce快的2个主要原因
4.1 区别
相同点：都是分布式计算框架；
不同点：
（1）Spark可以基于内存处理数据，MR基于磁盘迭代处理数据（hdfs）；
（2）Spark中有DAG有向无环图；
（3）MR中只有map reduce ，Spark中有各种场景的算子；
（4）Spark是粗粒度资源申请，MR是细粒度资源申请。
4.2 spark快的原因
1、spark基于内存
（1）mapreduce任务后期在计算的时候，每一个job的输出结果会落地到磁盘，后续有其他的job需要依赖于前面job的输出结果，这个时候就需要进行大量的磁盘io操作。性能就比较低。
（2）spark任务后期在计算的时候，job的输出结果可以保存在内存中，后续有其他的job需要依赖于前面job的输出结果，这个时候就直接从内存中获取得到，避免了磁盘io操作，性能比较高。
（3）对于spark程序和mapreduce程序都会产生shuffle阶段，在shuffle阶段中产生的数据都会落地到磁盘。
2、进程与线程
（1）mapreduce任务以进程的方式运行在yarn集群中，比如程序中有100个MapTask，一个task就需要一个进程，这些task要运行就需要开启100个进程。
（2）spark任务以线程的方式运行在进程中，比如程序中有100个MapTask，后期一个task就对应一个线程，只需要开启1个进程，在这个进程中启动100个线程就可以了。
进程中可以启动很多个线程，而开启一个进程与开启一个线程需要的时间和调度代价是不一样。 开启一个进程需要的时间远远大于开启一个线程。
5.spark提交任务命令
5.1 普通模式提交 (指定活着的master地址)
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
examples/jars/spark-examples_2.11-2.3.3.jar \
10####参数说明
--class：指定包含main方法的主类
--master：指定spark集群master地址
--executor-memory：指定任务在运行的时候需要的每一个executor内存大小
--total-executor-cores： 指定任务在运行的时候需要总的cpu核数
5.2 高可用模式提交 (集群有很多个master）
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077,node02:7077,node03:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
examples/jars/spark-examples_2.11-2.3.3.jar \
10spark集群中有很多个master，并不知道哪一个master是活着的master，即使你知道哪一个master是活着的master，它也有可能下一秒就挂掉，这里就可以把所有master都罗列出来
--master spark://node01:7077,node02:7077,node03:7077
后期程序会轮询整个master列表，最终找到活着的master，然后向它申请计算资源，最后运行程序。
(1) 如何恢复到上一次活着master挂掉之前的状态?
在高可用模式下，spark集群有多个master，其中只有一个master被zk选举成活着的master，其他的多个master都处于standby，同时把整个spark集群的元数据信息通过zk中节点进行保存。
后期如果活着的master挂掉。首先zk会感知到活着的master挂掉，下面开始在多个处于standby中的master进行选举，再次产生一个活着的master，这个活着的master会读取保存在zk节点中的spark集群元数据信息，恢复到上一次master的状态。整个过程在恢复的时候经历过了很多个不同的阶段，每个阶段都需要一定时间，最终恢复到上个活着的master的转态，整个恢复过程一般需要1-2分钟。
(2) 在master的恢复阶段对任务的影响?
a）对已经运行的任务是没有任何影响
由于该任务正在运行，说明它已经拿到了计算资源，这个时候就不需要master。
b) 对即将要提交的任务是有影响
由于该任务需要有计算资源，这个时候会找活着的master去申请计算资源，由于没有一个活着的master,该任务是获取不到计算资源，也就是任务无法运行。
6.spark-shell使用
6.1 运行spark-shell --master local[N] 读取本地文件进行单词统计
--master local[N]
–local 表示程序在本地进行计算，跟spark集群目前没有任何关系；
–N 它是一个正整数，表示使用N个线程参与任务计算；
–local[N] 表示本地采用N个线程计算任务；
textFile("file:///home/hadoop/words.txt").flatMap(x=>x.split(" ")).map(x=>(x,1)).reduceByKey((x,y)=>x+y).collect
sc.textFile("file:///home/hadoop/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
6.2运行spark-shell --master local[N] 读取HDFS上文件进行单词统计
（1）spark整合HDFS
1、在node01上修改配置文件
vim spark-env.sh
HADOOP_CONF_DIR=/install/hadoop-2.6.0-cdh5.14.2/etc/hadoop/2、分发到其他节点
2、分发到其他节点
scp spark-env.sh node02:/install/spark/conf
scp spark-env.sh node03:/install/spark/conf
（2）启动hadoop集群，再将文件word.txt上传至hdfs上
hadoop集群：
cd /install/hadoop-2.6.0-cdh5.14.2/sbin
start-all.sh
将文件word.txt上传至hdfs上：
hdfs dfs -put /home/hadoop/word.txt /
（2）输入命令：spark-shell --master local[2]
textFile("/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
sc.textFile("hdfs://node01:8020/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
6.3 运行spark-shell 指定集群中活着master 读取HDFS上文件进行单词统计
（1）输入命令spark-shell --master spark://node01:7077 --executor-memory 1g --total-executor-cores 4
参数说明：
--master spark://node01:7077 指定活着的master地址
--executor-memory 1g 指定每一个executor进程的内存大小
--total-executor-cores 4 指定总的executor进程cpu核数
（2）输入如下算子
sc.textFile("hdfs://node01:8020/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
//实现读取hdfs上文件之后，需要把计算的结果保存到hdfs上
sc.textFile("/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).saveAsTextFile("/out")
7.Spark 代码流程
1)创建sparkConf对象，设置Spark运行模式，运行参数，运行资源，spark名称；
2)创建SparkContext对象，是所有spark程序的执行入口（内部会构建DAGScheduler和TaskScheduler对象）；
3)基于Spark上下文创建一个RDD,对RDD进行处理；
4)对RDD使用transformation类算子进行数据转换；
5)对RDD使用action类算子触发transformation类算子的执行（触发job执行）；
6)关闭spark上下文对象SparkContext。
8.spark程序的序列化
8.1、transformation操作为什么需要序列化
Spark的计算有如下执行过程：
（1）代码中对象在driver本地序列化；
（2）对象序列化后传输到远程executor节点；
（3）远程executor节点反序列化对象；
（4）最终远程节点执行。
故对象在执行中要进行网络传输，则必须经过序列化过程。
8.2、 spark的任务序列化异常
（1）在map，foreachPartition等算子内部使用了外部定义的变量和函数，从而引发Task未序列化问题；
（2）出现“org.apache.spark.SparkException: Task not serializable”这个错误，其原因就在于这些算子使用了外部的变量，但是这个变量不能序列化。
（3）当前类使用了“extends Serializable”声明支持序列化，但是由于某些字段不支持序列化，仍然会导致整个类序列化时出现问题，最终导致出现Task未序列化问题。
8.3、spark中解决序列化的办法
(1) 如果函数中使用了该类对象，该类要实现序列化，需继承extends Serializable；
(2) 如果函数中使用了该类对象的成员变量，该类除了要实现序列化之外，所有的成员变量必须要实现序列化；
(3) 对于不能序列化的成员变量使用“@transient”标注，告诉编译器不需要序列化；
(4) 也可将依赖的变量独立放到一个小的class中，让这个class支持序列化，这样做可以减少网络传输量，提高效率；
(5) 可以把对象的创建直接在该函数中构建，这样避免需要序列化。
150
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
