目录
1、把master虚拟机上安装的spark分发给slave1虚拟机
2、将master虚拟机上环境变量配置文件分发到slave1虚拟机
1、把master虚拟机上安装的spark分发给slave2虚拟机
2、将master虚拟机上环境变量配置文件分发到slave2虚拟机
- Spark开发环境准备工作
- 了解Spark的三种部署方式
- 搭建Spark单机版环境
- 搭建Spark Standalone集群
- 体验第一个Spark程序
- 在Spark Shell里基本操作
- 初识弹性分布式数据集RDD
一、Spark开发环境准备工作
-
由于Spark仅仅是一种计算框架，不负责数据的存储和管理，因此，通常都会将Spark和Hadoop进行统一部署，由Hadoop中的HDFS、HBase等组件负责数据的存储管理，Spark负责数据计算。
-
安装Spark集群前，需要安装Hadoop环境
| 软件 | 版本 |
|---|---|
| Linux系统 | CentOS7.9版本 |
| Hadoop | 3.3.4版本 |
| JDK | 1.8版本 (jdk8u231) |
| Spark | 3.3.2版本 |
二、了解Spark的部署模式
（一）Standalone模式
- Standalone模式被称为集群单机模式。该模式下，Spark集群架构为主从模式，即一台Master节点与多台Slave节点，Slave节点启动的进程名称为Worker，存在单点故障的问题。
（二）Mesos模式
- Mesos模式被称为Spark on Mesos模式。Mesos是一款资源调度管理系统，为Spark提供服务，由于Spark与Mesos存在密切的关系，因此在设计Spark框架时充分考虑到对Mesos的集成。
（三）Yarn模式
- Yarn模式被称为Spark on Yarn模式，即把Spark作为一个客户端，将作业提交给Yarn服务。由于在生产环境中，很多时候都要与Hadoop使用同一个集群，因此采用Yarn来管理资源调度，可以提高资源利用率。
三、搭建Spark单机版环境
（一）前提是安装配置好了JDK
- 查看JDK版本
（二）下载、安装与配置Spark
1、下载Spark安装包
下载链接：https://www.apache.org/dyn/closer.lua/spark/spark-3.3.2/spark-3.3.2-bin-hadoop3.tgz
- 下载到本地
2、将Spark安装包上传到虚拟机
- 将Spark安装包上传到ied虚拟机
/opt目录
3、将Spark安装包解压到指定目录
-
执行命令：
tar -zxvf spark-3.3.2-bin-hadoop3.tgz -C /usr/local
- 查看解压之后的spark目录
4、配置Spark环境变量
- 执行
vim /etc/profile
export SPARK_HOME=/usr/local/spark-3.3.2-bin-hadoop3
export PATH=$SPARK_HOME/bin:$SPARK_HOME/sbin:$PATH
- 存盘退出，执行命令：
source /etc/profile，让环境配置生效
- 查看是否生效，执行命令： $SPARK_HOME
（三）使用Spark单机版环境
1、使用SparkPi来计算Pi的值
- 执行命令：
run-example SparkPi 2（其中参数2是指两个并行度）
- 查看计算结果：
Pi is roughly 3.1412357061785308
2、使用Scala版本Spark-Shell
- Spark-Shell是一个强大的交互式数据分析工具，初学者可以很好的使用它来学习相关API，用户可以在命令行下使用Scala编写Spark程序，并且每当输入一条语句，Spark-Shell就会立即执行语句并返回结果，这就是我们所说的REPL（Read-Eval-Print Loop，交互式解释器），Spark-Shell支持Scala和Python。
- 命令格式：spark-shell --master
<master-url> --master表示指定当前连接的Master节点<master-url>用于指定Spark的运行模式
| 参数名称 | 相关说明 |
| local | 使用一个Worker线程本地化运行Spark |
| local[*] | 本地运行Spark，工作线程数量与本机CPU逻辑核心数量相同 |
| local[N] | 使用N个Worker线程本地化运行Spark |
| spark://host:port | Standalone模式下，连接到指定的Spark集群，默认端口7077 |
| yarn-client | 以客户端模式连接Yarn集群，集群位置可在HADOOP_CONF_DIR环境变量中配置 |
| yarn-cluster | 以集群模式连接Yarn集群，集群位置可在HADOOP_CONF_DIR 环境变量中配置 |
| mesos://host:port | 连接到指定的Mesos集群。默认接口是5050 |
- 执行
spark-shell命令，相当于执行spark-shell --master local[*]命令，启动Scala版的Spark-Shell
- 访问Spark的Web UI界面 -
http://master:4040
-
注意：Spark 3.3.2使用的Scala版本其实是2.12.15
-
利用print函数输出了一条信息
- 计算1 + 2 + 3 + …… + 100
- 输出字符直角三角形
- 打印九九表
- 执行
:quit命令，退出Spark Shell交互式环境
3、使用Python版本Spark-Shell
- 执行
pyspark命令启动Python版的Spark-Shell
- 执行命令：
yum -y install python3
- 执行命令：
pyspark
- 输出一条信息，进行加法运算，然后退出交互式环境
4、初识弹性分布式数据集RDD
- Spark 中的RDD (Resilient Distributed Dataset) 就是一个不可变的分布式对象集合。每个RDD 都被分为多个分区，这些分区运行在集群中的不同节点上。RDD 可以包含Python、Java、Scala 中任意类型的对象，甚至可以包含用户自定义的对象。用户可以使用两种方法创建RDD：读取一个外部数据集，或在驱动器程序里分发驱动器程序中的对象集合（比如list 和set）。
- 演示利用集合创建RDD
- 在
/home目录下创建test.txt文件
例1、创建一个RDD
-
在pyspark命令行，执行命令：
lines = sc.textFile('/home/test.txt')
-
创建出来后，RDD 支持两种类型的操作： 转化操作（
transformation） 和行动操作（action）。转化操作会由一个RDD 生成一个新的RDD。另一方面，行动操作会对RDD 计算出一个结果，并把结果返回到驱动器程序中，或把结果存储到外部存储系统（如HDFS）中。
例2、调用转化操作filter()
- 执行命令：
sparkLines = lines.filter(lambda line: 'spark' in line)
例3、调用行动操作first()
- 执行命令：
sparkLines.first()
转化操作和行动操作的区别在于Spark 计算RDD 的方式不同。虽然你可以在任何时候定义新的RDD，但Spark 只会惰性计算这些RDD。它们只有第一次在一个行动操作中用到时，才会真正计算。这种策略刚开始看起来可能会显得有些奇怪，不过在大数据领域是很有道理的。比如，看看例2和例3，我们以一个文本文件定义了数据，然后把其中包含spark的行筛选出来。如果Spark 在我们运行lines = sc.textFile(...)时就把文件中所有的行都读取并存储起来，就会消耗很多存储空间，而我们马上就要筛选掉其中的很多数据。相反， 一旦Spark 了解了完整的转化操作链之后，它就可以只计算求结果时真正需要的数据。事实上，在行动操作first()中，Spark 只需要扫描文件直到找到第一个匹配的行为止，而不需要读取整个文件。- 如果要显示全部包含
spark的行，执行命令：sparkLines.collect()
- 同样的任务，在Scala的Spark Shell里完成
- 补充练习：利用Spark RDD实现词频统计
- 在spark-shell里完成
- 在pyspark里完成
- 但是执行
wc1.collect()就会报错，目前没有解决问题。
四、搭建Spark Standalone集群
（一）Spark Standalone架构
- Spark Standalone模式为经典的Master/Slave（主/从）架构，资源调度是Spark自己实现的。在Standalone模式中，根据应用程序提交的方式不同，Driver（主控进程）在集群中的位置也有所不同。应用程序的提交方式主要有两种：client和cluster，默认是client。可以在向Spark集群提交应用程序时使用--deploy-mode参数指定提交方式。
1、client提交方式
-
当提交方式为client时，运行架构如下图所示
-
集群的主节点称为Master节点，在集群启动时会在主节点启动一个名为Master的守护进程，类似YARN集群的ResourceManager；从节点称为Worker节点，在集群启动时会在各个从节点上启动一个名为Worker的守护进程，类似YARN集群的NodeManager。
-
Spark在执行应用程序的过程中会启动Driver和Executor两种JVM进程。 -
Driver为主控进程，负责执行应用程序的main()方法，创建SparkContext对象（负责与Spark集群进行交互），提交Spark作业，并将作业转化为Task（一个作业由多个Task任务组成），然后在各个Executor进程间对Task进行调度和监控。通常用SparkContext代表Driver。在上图的架构中，Spark会在客户端启动一个名为SparkSubmit的进程，Driver程序则运行于该进程。
-
Executor为应用程序运行在Worker节点上的一个进程，由Worker进程启动，负责执行具体的Task，并存储数据在内存或磁盘上。每个应用程序都有各自独立的一个或多个Executor进程。在Spark Standalone模式和Spark on YARN模式中，Executor进程的名称为CoarseGrainedExecutorBackend，类似运行MapReduce程序所产生的YarnChild进程，并且同时与Worker、Driver都有通信。
2、cluster提交方式
- 当提交方式为cluster时，运行架构如下图所示
- Standalone cluster提交方式提交应用程序后，客户端仍然会产生一个名为SparkSubmit的进程，但是该进程会在应用程序提交给集群之后就立即退出。当应用程序运行时，Master会在集群中选择一个Worker进程启动一个名为DriverWrapper的子进程，该子进程即为Driver进程，所起的作用相当于YARN集群的ApplicationMaster角色，类似MapReduce程序运行时所产生的MRAppMaster进程。
（二）Spark集群拓扑
1、集群拓扑
- 一个主节点，两个从节点
2、集群角色分配
- Spark Standalone模式的集群搭建需要在集群的每个节点都安装Spark，集群角色分配如下表所示。
| 节点 | 角色 |
|---|---|
| master | Master |
| slave1 | Worker |
| slave2 | Worker |
（三）前提条件：安装配置了分布式Hadoop环境
- 启动hadoop集群
- 访问Hadoop WebUI界面
（四）在master虚拟机上安装配置Spark
1、将spark安装包上传到master虚拟机
- 进入
/opt目录，查看上传的spark安装包
2、将spark安装包解压到指定目录
- 执行命令：
tar -zxvf spark-3.3.2-bin-hadoop3.tgz -C /usr/local
3、配置spark环境变量
- 执行命令：
vim /etc/profile
- 存盘退出后，执行命令：
source /etc/profile，让配置生效
- 查看spark安装目录（
bin、sbin和conf三个目录很重要）
4、编辑spark环境配置文件
- 进入spark配置目录后，执行命令：
cp spark-env.sh.template spark-env.sh与vim spark-env.sh
- 添加三行语句
export JAVA_HOME=/usr/local/jdk1.8.0_231
export SPARK_MASTER_HOST=master
export SPARK_MASTER_PORT=7077
- JAVA_HOME：指定JAVA_HOME的路径。若集群中每个节点在/etc/profile文件中都配置了JAVA_HOME，则该选项可以省略，Spark集群启动时会自动读取。为了防止出错，建议此处将该选项配置上。
- SPARK_MASTER_HOST：指定集群主节点（master）的主机名，此处为master。
- SPARK_MASTER_PORT：指定Master节点的访问端口，默认为7077。
- 存盘退出，执行命令：source spark-env.sh，让配置生效
5、创建slaves文件，添加从节点
- 执行命令：
vim slaves，添加两个从节点主机名
（五）在slave1虚拟机上安装配置Spark
1、把master虚拟机上安装的spark分发给slave1虚拟机
- 执行命令：
scp -r $SPARK_HOME root@slave1:$SPARK_HOME
2、将master虚拟机上环境变量配置文件分发到slave1虚拟机
-
在master虚拟机上，执行命令：
scp /etc/profile root@slave1:/etc/profile
- 在slave1虚拟机上，执行命令：
source /etc/profile，让环境配置生效
3、在slave1虚拟机上让spark环境配置文件生效
- 在slave1虚拟机上，进入spark配置目录，执行命令：
source spark-env.sh
（六）在slave2虚拟机上安装配置Spark
1、把master虚拟机上安装的spark分发给slave2虚拟机
- 执行命令：
scp -r $SPARK_HOME root@slave2:$SPARK_HOME
2、将master虚拟机上环境变量配置文件分发到slave2虚拟机
-
在master虚拟机上，执行命令：
scp /etc/profile root@slave2:/etc/profile
- 在slave2虚拟机上，执行命令：
source /etc/profile，让环境配置生效
3、在slave2虚拟机上让spark环境配置文件生效
- 在slave2虚拟机上，进入spark配置目录，执行命令：
source spark-env.sh
（七）启动Spark Standalone集群
- Spark Standalone集群使用Spark自带的资源调度框架，但一般我们把数据保存在HDFS上，用HDFS做数据持久化，所以Hadoop还是需要配置，但是可以只配置HDFS相关的，而Hadoop YARN不需要配置。启动Spark Standalone集群，不需要启动YARN服务，因为Spark会使用自带的资源调度框架。
1、启动hadoop的dfs服务
- 在master虚拟机上执行命令：
start-dfs.sh
2、启动Spark集群
-
执行命令：
start-all.sh
-
查看
start-all.sh的源码启动Master与Worker的命令
# Start Master
"${SPARK_HOME}/sbin"/start-master.sh
# Start Worker
s"${SPARK_HOME}/sbin"/start-slaves.sh
- 可以看到，当执行start-all.sh命令时，会分别执行start-master.sh命令启动Master，执行start-slaves.sh命令启动Worker。
-
注意，若
spark-evn.sh中配置了SPARK_MASTER_HOST属性，则必须在该属性指定的主机上启动Spark集群，否则会启动不成功；若没有配置SPARK_MASTER_HOST属性，则可以在任意节点上启动Spark集群，当前执行启动命令的节点即为Master节点。 -
启动完毕后，分别在各节点执行
jps命令，查看启动的进程。若在master节点存在Master进程，slave1节点存在Worker进程，slave2节点存在Worker进程，则说明集群启动成功。 - 查看master节点进程
- 查看slave1节点进程
- 查看slave2节点进程
（八）访问Spark的WebUI
-
在浏览器里访问
http://master:8080
- 在浏览器访问
http://slave1:8081
- 在浏览器访问
http://slave2:8081
- 如果要用IP地址来访问，得用浮动IP地址，不能用私有IP地址
- 用私有IP地址访问是不行的 -
http://192.168.1.101:8080/
用浮动IP地址来访问才可以 - 192.168.218.219
- 查看私有云上虚拟机的配置
（九）启动Scala版Spark Shell
-
执行命令：
spark-shell --master spark://master:7077（注意--master，两个-不能少）
- 在
/opt目录里执行命令：vim test.txt
- 在HDFS上创建
park目录，将test.txt上传到HDFS的/park目录
- 读取HDFS上的文件，创建RDD，执行命令：val rdd = sc.textFile("hdfs://master:9000/park/test.txt")（说明：val rdd = sc.textFile("/park/test.txt")读取的依然是HDFS上的文件，绝对不是本地文件）
- 收集rdd的数据，执行命令：
rdd.collec
- 进行词频统计，按单词个数降序排列，执行命令：val wordcount = rdd.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).sortBy(_._2, false)与`wordcount.collect.foreach(println)
（十）提交Spark应用程序
1、提交语法格式
- Spark提供了一个客户端应用程序提交工具
spark-submit，使用该工具可以将编写好的Spark应用程序提交到Spark集群。 - spark-submit的使用格式如下：
$ bin/spark-submit [options] <app jar> [app options] - options表示传递给spark-submit的控制参数；
- app jar表示提交的程序JAR包（或Python脚本文件）所在位置；
- app options表示jar程序需要传递的参数，例如main()方法中需要传递的参数。
2、spark-submit常用参数
- 除了
--master参数外，spark-submit还提供了一些控制资源使用和运行时环境的参数。
3、案例演示 - 提交Spark自带的圆周率计算程序
- 进入Spark安装目录
（1）Standalone模式，采用client提交方式
- 执行下述命令，将Spark自带的求圆周率的程序提交到集群
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://master:7077 \
./examples/jars/spark-examples_2.12-3.3.2.jar
- 提交Spark作业后，观察Spark集群管理界面，其中“Running Applications”列表表示当前Spark集群正在计算的作业，执行几秒后，刷新界面，在Completed Applications表单下，可以看到当前应用执行完毕，返回控制台查看输出信息，出现了“Pi is roughly 3.1424157120785603”，说明Pi值已经被计算完毕。
-
上述命令中的–master参数指定了Master节点的连接地址。该参数根据不同的Spark集群模式，其取值也有所不同，常用取值如下表所示。
| 取值 | 描述 |
| spark://host:port | Standalone模式下的Master节点的连接地址，默认端口为7077 |
| yarn | 连接到YARN集群。若YARN中没有指定ResourceManager的启动地址，则需要在ResourceManager所在的节点上进行应用程序的提交，否则将因找不到ResourceManager而提交失败 |
| local | 运行本地模式，使用1个CPU核心 |
| local [N] | 运行本地模式，使用N个CPU核心。例如，local[2]表示使用两个CPU核心运行程序 |
| local[*] | 运行本地模式，尽可能使用最多的CPU核心 |
- 若不添加–master参数，则默认使用本地模式local[*]运行。
（2）Standalone模式，采用cluster提交方式
- 在Standalone模式下，将Spark自带的圆周率计算程序提交到集群，并且设置Driver进程使用内存为512MB，每个Executor进程使用内存为1GB，每个Executor进程所使用的CPU核心数为2，提交方式为cluster（Driver进程运行在集群的工作节点中），执行命令如下：
bin/spark-submit \
--master spark://master:7077 \
--deploy-mode cluster \
--class org.apache.spark.examples.SparkPi \
--driver-memory 512m \
--executor-memory 1g \
--executor-cores 2 \
./examples/jars/spark-examples_2.12-3.3.2.jar
- 当然可以写成一行。
- 运行成功信息：
Successfully created connection to master/192.168.1.101:7077 after 35 ms (0 ms spent in bootstraps)
- 在Spark WebUI界面上查看运行结果，访问
http://master:8080
- 由于我们是在本机上使用的，使用使用192.168.1.103无法访问
- 单击圈红的
Worker超链接 - (使用slave2：8081进入worker）
- 单击
stdout超链接
（十一）停止Spark集群服务
- 在master节点执行命令：
stop-all.sh
2369
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
