Spark 概述
1.什么是 Spark
1、定义
Spark
是一种基于
内存
的快速、通用、可扩展的大数据分析引擎。
2、历史
2009
年诞生于加州大学伯克利分校
AMPLab
,项目采用
Scala
编写
。
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。
2 Spark 内置模块
Spark Core
:
实现了
Spark
的基本功能,包含任务调度、内存管理、错误恢复、与存储
系统交互等模块。
Spark Core
中还包含了对弹性分布式数据集
(Resilient Distributed
DataSet
,简称
RDD)
的
API
定义。
Spark SQL
:
是
Spark
用来操作结构化数据的程序包。通过
Spark SQL
,我们可以使用
SQL
或者
Apache Hive
版本的
SQL
方言
(HQL)
来查询数据。
Spark SQL
支持多种数据源,
比如
Hive
表、
Parquet
以及
JSON
等。
Spark Streaming
:
是
Spark
提供的对实时数据进行流式计算的组件。提供了用来操作数
据流的
API
,并且与
Spark Core
中的
RDD API
高度对应。
Spark MLlib
:
提供常见的机器学习
(ML)
功能的程序库。包括分类、回归、聚类、协同
过滤等,还提供了模型评估、数据 导入等额外的支持功能。
集群管理器:
Spark
设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计
算。为了实现这样的要求,同时获得最大灵活性,
Spark
支持在各种集群管理器
(Cluster
Manager)
上运行,包括
Hadoop YARN
、
Apache Mesos
,以及
Spark
自带的一个简易调度
器,叫作独立调度器。
Spark
得到了众多大数据公司的支持,这些公司包括
Hortonworks
、
IBM
、
Intel
、
Cloudera
、
MapR
、
Pivotal
、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的
Spark
已应用于大搜索、直达号、百度大数据等业务;阿里利用
GraphX
构建了大规模的图
计算和图挖掘系统,实现了很多生产系统的推荐算法;腾讯
Spark
集群达到
8000
台的规
模,是当前已知的世界上最大的
Spark
集群。
|
3 Spark 特点
Spark
特点
1
)快:
与
Hadoop
的
MapReduce
相比,
Spark
基于内存的运算要快
100
倍以上,基于硬盘的运算也要快
10
倍以
上。
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。计算的中间结果是存在于内存中
的。
2
)易用:
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。而且
Spark
支持交互式的
Python
和
Scala
的
Shell
,可以非常方便地在这些
Shell
中使用
Spark
集群来验证解决问
题的方法。
3
)通用:
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
)。这些不同类型的处理都可以在同一个应
用中无缝使用。减少了开发和维护的人力成本和部署平台的物力成本。
4
)兼容性:
Spark
可以非常方便地与其他的开源产品进行融合。比如,
Spark
可以使用
Hadoop
的
YARN
和
Apache Mesos
作为它的资源管理和调度器,并且可以处理所有
Hadoop
支持的数据,包括
HDFS
、
HBase
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 运行模式
1.Spark 安装地址
1
.官网地址
http://spark.apache.org/
2
.文档查看地址
https://spark.apache.org/docs/2.1.1/
3
.下载地址
https://spark.apache.org/downloads.html
Local 模式
1 概述
概述
Local
模式就是运行在一台计算机上的模式,通常就是用于在本机上练手和测试。
它可以通过以下集中方式设置
Master
。
local:
所有计算都运行在一个线程当中,没有任何并行计算,通常我们在本机执行
一些测试代码,或者练手,就用这种模式
;
local[K]:
指定使用几个线程来运行计算,比如
local[4]
就是运行
4
个
Worker
线程。通
常我们的
Cpu
有几个
Core
,就指定几个线程,最大化利用
Cpu
的计算能力
;
local[*]:
这种模式直接帮你按照
Cpu
最多
Cores
来设置线程数了。
|
2 安装使用
1)上传并解压 spark 安装包
[wzw@hadoop102 sorfware]$ tar
-zxvf spark-2.1.1-bin
hadoop2.7.tgz -C /opt/module/
[wzw@hadoop102 module]$ mv spark-2.1.1-bin-hadoop2.7 spark
2)官方求 PI 案例
[wzw@hadoop102 spark]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--executor-memory 1G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.11-2.1.1.jar \
100
|
(
1
)基本语法
bin/spark-submit \
--class <main-class>
--master <master-url> \
--deploy-mode <deploy-mode> \
--conf <key>=<value> \
... # other options
<application-jar> \
[application-arguments]
|
(
2
)参数说明:
--master
指定
Master
的地址,默认为
Local
--class:
你的应用的启动类
(
如
org.apache.spark.examples.SparkPi)
--deploy-mode:
是否发布你的驱动到
worker
节点
(cluster)
或者作为一个本地客户端
(client) (default: client)*
--conf:
任意的
Spark
配置属性, 格式
key=value.
如果值包含空格,可以加引号
“key=value”
application-jar:
打包好的应用
jar,
包含依赖
.
这个
URL
在集群中全局可见。 比如
hdfs://
共享存储系统, 如果是
file:// path
, 那么所有的节点的
path
都包含同样的
jar
application-arguments:
传给
main()
方法的参数
--executor-memory 1G
指定每个
executor
可用内存为
1G
--total-executor-cores 2
指定每个
executor
使用的
cup
核数为
2
个
|
3)结果展示
该算法是利用蒙特·卡罗算法求
PI
![](https://img-blog.csdnimg.cn/direct/11d2f218d8374575856f72664b6055f8.png)
4)准备文件
[wzw@hadoop102 spark]$ mkdir input
在
input
下创建
3
个文件
1.txt
和
2.txt
,并输入以下内容
hello atguigu
hello spark
5)启动 spark-shell
[wzw@hadoop102 spark]$ bin/spark-shell
Using Spark's default log4j profile: org/apache/spark/log4j
defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR,
use setLogLevel(newLevel).
18/09/29 08:50:52 WARN NativeCodeLoader: Unable to load native
hadoop library for your platform... using builtin-java classes
where applicable
18/09/29 08:50:58 WARN ObjectStore: Failed to get database
global_temp, returning NoSuchObjectException
Spark context Web UI available at http://192.168.9.102:4040
Spark context available as 'sc' (master = local[*], app id = local-
1538182253312).
Spark session available as 'spark'.
Welcome to
____ __
/ __/__ ___ _____/ /
_\ \/ _ \/ _ `/ __/ '_/
/___/ .__/\_,_/_/ /_/\_\ version 2.1.1
/_/
Using Scala version 2.11.8 (Java HotSpot(TM) 64-Bit Server VM, Java
1.8.0_144)
Type in expressions to have them evaluated.
Type :help for more information.
scala>
|
开启另一个
CRD
窗口
[wzw@hadoop102 spark]$ jps
3627 SparkSubmit
4047 Jps
可登录
hadoop102:4040
查看程序运行
![](https://img-blog.csdnimg.cn/direct/93f89ac87708467b99973f9e78fa7069.png)
6)运行 WordCount 程序
scala>sc.textFile("input").flatMap(_.split("
")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3),
(hive,3), (atguigu,3), (hbase,6))
scala>
可登录
hadoop102:4040
查看程序运行
3.提交流程
1)提交任务分析:
![](https://img-blog.csdnimg.cn/direct/84d6657e24584986a46e1ae0d628633d.png)
重要角色:
Driver
(驱动器)
Spark
的驱动器是执行开发程序中的
main
方法的进程。它负责开发人员编写的用来创
建
SparkContext
、创建
RDD
,以及进行
RDD
的转化操作和行动操作代码的执行。如果你
是用
spark shell
,那么当你启动
Spark shell
的时候,系统后台自启了一个
Spark
驱动器程
序,就是在
Spark shell
中预加载的一个叫作
sc
的
SparkContext
对象。如果驱动器程序终
止,那么
Spark
应用也就结束了。主要负责:
1
)把用户程序转为任务
2
)跟踪
Executor
的运行状况
3
)为执行器节点调度任务
4
)
UI
展示应用运行状况
Executor
(执行器)
Spark Executor
是一个工作进程,负责在
Spark
作业中运行任务,任务间相互独立。
Spark
应用启动时,
Executor
节点被同时启动,并且始终伴随着整个
Spark
应用的生命周
期而存在。如果有
Executor
节点发生了故障或崩溃,
Spark
应用也可以继续执行,会将出
错节点上的任务调度到其他
Executor
节点上继续运行。主要负责:
1
)负责运行组成
Spark
应用的任务,并将结果返回给驱动器进程;
2
)通过自身的块管理器(
Block Manager
)为用户程序中要求缓存的
RDD
提供内存式
存储。
RDD
是直接缓存在
Executor
进程内的,因此任务可以在运行时充分利用缓存数据加
速运算.
4 数据流程
textFile("input")
:读取本地文件
input
文件夹数据;
flatMap(_.split(" "))
:压平操作,按照空格分割符将一行数据映射成一个个单词;
map((_,1))
:对每一个元素操作,将单词映射为元组;
reduceByKey(_+_)
:按照
key
将值进行聚合,相加;
collect
:将数据收集到
Driver
端展示。
![](https://img-blog.csdnimg.cn/direct/5d032fff93ca40d39a66bb1aa0caac76.png)
Standalone 模式
1 概述
构建一个由 Master+Slave 构成的 Spark 集群,Spark 运行在集群中。
2 安装使用
1)进入 spark 安装目录下的 conf 文件夹
[wzw@hadoop102 module]$ cd spark/conf/
2)修改配置文件名称
[wzw@hadoop102 conf]$ mv slaves.template slaves
[wzw@hadoop102 conf]$ mv spark-env.sh.template spark-env.sh
3)修改 slave 文件,添加 work 节点:
[wzw@hadoop102 conf]$ vim slaves
hadoop102
hadoop103
hadoop104
4)修改 spark-env.sh 文件,添加如下配置:
[wzw@hadoop102 conf]$ vim spark-env.sh
SPARK_MASTER_HOST=hadoop101
SPARK_MASTER_PORT=7077
5)分发 spark 包
[wzw@hadoop102 module]$ xsync spark/
6)启动
[wzw@hadoop102 spark]$ sbin/start-all.sh
[wzw@hadoop102 spark]$ util.sh
================wzw@hadoop102================
3330 Jps
3238 Worker
3163 Master
================wzw@hadoop103================
2966 Jps
2908 Worker
================atguigu@hadoop104================
2978 Worker
3036 Jps
网页查看:
hadoop102:8080
注意:
如果遇到
“JAVA_HOME not set”
异常,可以在
sbin
目录下的
spark-config.sh
文件
中加入如下配置:
export JAVA_HOME=XXXX
7)官方求 PI 案例
[wzw@hadoop102 spark]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.11-2.1.1.jar \
100
![](https://img-blog.csdnimg.cn/direct/d2c235e453ae46b2b2ec2b01982b8a9c.png)
8)启动 spark shell
/opt/module/spark/bin/spark-shell \
--master spark://hadoop101:7077 \
--executor-memory 1g \
--total-executor-cores 2
参数:
--master spark://hadoop102:7077
指定要连接的集群的
master
执行
WordCount
程序
scala>sc.textFile("input").flatMap(_.split("
")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3),
(hive,3), (atguigu,3), (hbase,6))
scala>
3 JobHistoryServer 配置
1)修改 spark-default.conf.template 名称
[wzw@hadoop102 conf]$ mv spark-defaults.conf.template spark
defaults.conf
2)修改 spark-default.conf 文件,开启 Log:
[wzw@hadoop102 conf]$ vi spark-defaults.conf
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:9000/directory
注意:
HDFS
上的目录需要提前存在。
3)修改 spark-env.sh 文件,添加如下配置:
[wzw@hadoop102 conf]$ vi spark-env.sh
export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080
-Dspark.history.retainedApplications=30
-Dspark.history.fs.logDirectory=hdfs://hadoop101:9000/directory"
参数描述:
spark.eventLog.dir
:
Application
在运行过程中所有的信息均记录在该属性指定的路径下
spark.history.ui.port=18080 WEBUI
访问的端口号为
18080
spark.history.fs.logDirectory=hdfs://hadoop102:9000/directory
配置了该属性后,在
start
history-server.sh
时就无需再显式的指定路径,
Spark History Server
页面只展示该指定路径
下的信息
spark.history.retainedApplications=30
指定保存
Application
历史记录的个数,如果超过
这个值,旧的应用程序信息将被删除,这个是内存中的应用数,而不是页面上显示的应用
数。
|
4)分发配置文件
[wzw@hadoop102 conf]$ xsync spark-defaults.conf
[wzw@hadoop102 conf]$ xsync spark-env.sh
5)启动历史服务
[wzw@hadoop102 spark]$ sbin/start-history-server.sh
6)再次执行任务
[wzw@hadoop102 spark]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop101:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.11-2.1.1.jar \
100
|
7
)查看历史服务
hadoop102:18080
![](https://img-blog.csdnimg.cn/direct/6b438253340e4834b5da24e8e7a72469.png)