01_大数据技术之Spark入门（2.1）

第1章 Spark概述1.1 什么是SparkSpark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。1.2 Spark历史

 

1.3 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。 Spark GraphX：主要用于图形并行计算和图挖掘系统的组件。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。1.4 Spark特点

第2章 Spark运行模式部署Spark集群大体上分为两种模式：单机模式与集群模式大多数分布式框架都支持单机模式，方便开发者调试框架的运行环境。但是在生产环境中，并不会使用单机模式。因此，后续直接按照集群模式部署Spark集群。下面详细列举了Spark目前支持的部署模式。1)Local模式：在本地部署单个Spark服务2)Standalone模式：Spark自带的任务调度模式。(国内常用)3)YARN模式：Spark使用Hadoop的YARN组件进行资源与任务调度。(国内常用)4)Mesos模式：Spark使用Mesos平台进行资源与任务的调度。2.1 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.html2.2 Local模式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。2.2.1 安装使用1)上传并解压Spark安装包[atguigu@hadoop102 sorfware]$ tar -zxvf spark-2.1.1-bin-hadoop2.7.tgz -C /opt/module/[atguigu@hadoop102 module]$ mv spark-2.1.1-bin-hadoop2.7 spark-local2)官方求PI案例[atguigu@hadoop102 spark-local]$ bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master local[2] \./examples/jars/spark-examples_2.11-2.1.1.jar \10--class：表示要执行程序的主类；--master local[2](1)local: 没有指定线程数，则所有计算都运行在一个线程当中，没有任何并行计算(2)local[K]:指定使用K个Core来运行计算，比如local[2]就是运行2个Core来执行(3)local[*]: 自动帮你按照CPU最多核来设置线程数。比如CPU有4核，Spark帮你自动设置4个线程计算。spark-examples_2.11-2.1.1.jar：要运行的程序；10：要运行程序的输入参数(计算圆周率π的次数，计算次数越多，准确率越高)；3)结果展示该算法是利用蒙特·卡罗算法求PI

2.2.2 官方WordCount案例1)需求：读取多个输入文件，统计每个单词出现的总次数。2)需求分析：

3)代码实现：(1)准备文件[atguigu@hadoop102 spark-local]$ mkdir input在input下创建2个文件1.txt和2.txt，并输入以下内容hello atguiguhello spark(2)启动spark-shell[atguigu@hadoop102 spark-local]$ bin/spark-shell

Using Spark's default log4j profile: org/apache/spark/log4j-defaults.propertiesSetting 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 applicable18/09/29 08:50:58 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectExceptionSpark context Web UI available at http://192.168.9.102:4040Spark 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>注意：sc是SparkCore程序的入口；spark是SparkSQL程序入口；master = local[*]表示本地模式运行。(3)再开启一个hadoop102远程连接窗口，发现了一个SparkSubmit进程[atguigu@hadoop102 spark-local]$ jps3627 SparkSubmit4047 Jps运行任务方式说明：spark-submit，是将jar上传到集群，执行Spark任务；spark-shell，相当于命令行工具，本身也是一个Application。(4)登录hadoop102:4040，查看程序运行情况(注意：spark-shell窗口关闭掉，则hadoop102:4040页面关闭)

说明：本地模式下，默认的调度器为FIFO。(5)运行WordCount程序scala>sc.textFile("/opt/module/spark-local/input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect

res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3), (hive,3), (atguigu,3), (hbase,6))注意：只有collect开始执行时，才会加载数据。可登录hadoop102:4040查看程序运行结果

2.3 集群角色2.3.1 Master和Worker

2.3.2 Driver和Executor

2.3.3 通用运行流程总结：Master和Worker是Spark的守护进程，即Spark在特定模式下正常运行所必须的进程。Driver和Executor是临时程序，当有具体任务提交到Spark集群才会开启的程序。2.4 Standalone模式Standalone模式是Spark自带的资源调动引擎，构建一个由Master + Slave构成的Spark集群，Spark运行在集群中。这个要和Hadoop中的Standalone区别开来。这里的Standalone是指只用Spark来搭建一个集群，不需要借助其他的框架。是相对于Yarn和Mesos来说的。2.4.1 安装使用1)集群规划 hadoop102 hadoop103 hadoop104Spark MasterWorker Worker Worker2)再解压一份Spark安装包，并修改解压后的文件夹名称为spark-standalone[atguigu@hadoop102 sorfware]$ tar -zxvf spark-2.1.1-bin-hadoop2.7.tgz -C /opt/module/[atguigu@hadoop102 module]$ mv spark-2.1.1-bin-hadoop2.7 spark-standalone3)进入Spark的配置目录/opt/module/spark-standalone/conf[atguigu@hadoop102 spark-standalone]$ cd conf4)修改slave文件，添加work节点：[atguigu@hadoop102 conf]$ mv slaves.template slaves[atguigu@hadoop102 conf]$ vim slaveshadoop102hadoop103hadoop1045)修改spark-env.sh文件，添加master节点[atguigu@hadoop102 conf]$ mv spark-env.sh.template spark-env.sh[atguigu@hadoop102 conf]$ vim spark-env.sh

SPARK_MASTER_HOST=hadoop102SPARK_MASTER_PORT=70776)分发spark-standalone包[atguigu@hadoop102 module]$ xsync spark-standalone/7)启动spark集群[atguigu@hadoop102 spark-standalone]$ sbin/start-all.sh查看三台服务器运行进程(xcall.sh是以前数仓项目里面讲的脚本)[atguigu@hadoop102 spark-standalone]$ xcall.sh jps================atguigu@hadoop102================3330 Jps3238 Worker3163 Master================atguigu@hadoop103================2966 Jps2908 Worker================atguigu@hadoop104================2978 Worker3036 Jps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=XXXX8)网页查看：hadoop102:8080(master web的端口，相当于hadoop的9870端口) 目前还看不到任何任务的执行信息。9)官方求PI案例[atguigu@hadoop102 spark-standalone]$ bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master spark://hadoop102:7077 \./examples/jars/spark-examples_2.11-2.1.1.jar \10参数：--master spark://hadoop102:7077指定要连接的集群的master10)页面查看http://hadoop102:8080/，发现执行本次任务，默认采用三台服务器节点的总核数24核，每个节点内存1024M。8080：master的webUI4040：application的webUI的端口号

2.4.2 参数说明1)配置Executor可用内存为2G，使用CPU核数为2个[atguigu@hadoop102 spark-standalone]$ bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master spark://hadoop102:7077 \--executor-memory 2G \--total-executor-cores 2 \./examples/jars/spark-examples_2.11-2.1.1.jar \102)页面查看http://hadoop102:8080/

3)基本语法bin/spark-submit \--class <main-class>--master <master-url> \... # other options<application-jar> \[application-arguments]4)参数说明参数 解释 可选值举例--class Spark程序中包含主函数的类 --master Spark程序运行的模式 本地模式：local[*]、spark://hadoop102:7077、Yarn--executor-memory 1G 指定每个executor可用内存为1G 符合集群内存配置即可，具体情况具体分析。--total-executor-cores 2 指定所有executor使用的cpu核数为2个 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 2.4.3 配置历史服务由于spark-shell停止掉后，hadoop102:4040页面就看不到历史任务的运行情况，所以开发时都配置历史服务器记录任务运行情况。1)修改spark-default.conf.template名称[atguigu@hadoop102 conf]$ mv spark-defaults.conf.template spark-defaults.conf2)修改spark-default.conf文件，配置日志存储路径，并分发[atguigu@hadoop102 conf]$ vi spark-defaults.confspark.eventLog.enabled truespark.eventLog.dir hdfs://hadoop102:8020/directory

[atguigu@hadoop102 conf]$ xsync spark-defaults.conf注意：需要启动Hadoop集群，HDFS上的目录需要提前存在。[atguigu@hadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -mkdir /directory3)修改spark-env.sh文件，添加如下配置：[atguigu@hadoop102 conf]$ vi spark-env.sh

export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory -Dspark.history.retainedApplications=30"# 参数1含义：WEBUI访问的端口号为18080# 参数2含义：指定历史服务器日志存储路径# 参数3含义：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[atguigu@hadoop102 conf]$ xsync spark-env.sh5)启动历史服务[atguigu@hadoop102 spark-standalone]$ sbin/start-history-server.sh6)再次执行任务[atguigu@hadoop102 spark-standalone]$ 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 \107)查看Spark历史服务地址：hadoop102:18080

2.4.4 配置高可用(HA)1)高可用原理

2)配置高可用(0)停止集群[atguigu@hadoop102 spark-standalone]$ sbin/stop-all.sh(1)Zookeeper正常安装并启动(基于以前讲的数仓项目脚本)[atguigu@hadoop102 zookeeper-3.4.10]$ zk.sh start(2)修改spark-env.sh文件添加如下配置：[atguigu@hadoop102 conf]$ vi spark-env.sh

注释掉如下内容：#SPARK_MASTER_HOST=hadoop102#SPARK_MASTER_PORT=7077

添加上如下内容。配置由Zookeeper管理Master，在Zookeeper节点中自动创建/spark目录，用于管理：export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104 -Dspark.deploy.zookeeper.dir=/spark"

添加如下代码Zookeeper3.5的AdminServer默认端口是8080，和Spark的WebUI冲突export SPARK_MASTER_WEBUI_PORT=8989(3)分发配置文件[atguigu@hadoop102 conf]$ xsync spark-env.sh(4)在hadoop102上启动全部节点[atguigu@hadoop102 spark-standalone]$ sbin/start-all.sh(5)在hadoop103上单独启动master节点[atguigu@hadoop103 spark-standalone]$ sbin/start-master.sh(6)在启动一个hadoop102窗口，将/opt/module/spark-local/input数据上传到hadoop集群的/input目录[atguigu@hadoop102 spark-standalone]$ hadoop fs -put /opt/module/spark-local/input/ /input(7)Spark HA集群访问[atguigu@hadoop102 spark-standalone]$bin/spark-shell \--master spark://hadoop102:7077,hadoop103:7077 \--executor-memory 2g \--total-executor-cores 2参数：--master spark://hadoop102:7077指定要连接的集群的master(8)执行WordCount程序scala>sc.textFile("hdfs://hadoop102:8020/input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect

res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3), (hive,3), (atguigu,3), (hbase,6))3)高可用测试 (1)查看hadoop102的master进程[atguigu@hadoop102 ~]$ jps5506 Worker5394 Master5731 SparkSubmit4869 QuorumPeerMain5991 Jps5831 CoarseGrainedExecutorBackend(2)Kill掉hadoop102的master进程，页面中观察http://hadoop103:8080/的状态是否切换为active。[atguigu@hadoop102 ~]$ kill -9 5394(3)再启动hadoop102的master进程[atguigu@hadoop102 spark-standalone]$ sbin/start-master.sh2.4.5 运行流程Spark有standalone-client和standalone-cluster两种模式，主要区别在于：Driver程序的运行节点。1)客户端模式[atguigu@hadoop102 spark-standalone]$ bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master spark://hadoop102:7077,hadoop103:7077 \--executor-memory 2G \--total-executor-cores 2 \--deploy-mode client \./examples/jars/spark-examples_2.11-2.1.1.jar \10--deploy-mode client，表示Driver程序运行在本地客户端

2)集群模式模式[atguigu@hadoop102 spark-standalone]$ bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master spark://hadoop102:7077,hadoop103:7077 \--executor-memory 2G \--total-executor-cores 2 \--deploy-mode cluster \./examples/jars/spark-examples_2.11-2.1.1.jar \10

--deploy-mode cluster，表示Driver程序运行在集群

(1)查看http://hadoop102:8989/页面，点击Completed Drivers里面的Worker

(2)跳转到Spark Worker页面，点击Finished Drivers中Logs下面的stdout

(3)最终打印结果如下

2.5 Yarn模式(重点)Spark客户端直接连接Yarn，不需要额外构建Spark集群。2.5.1 安装使用0)停止Standalone模式下的spark集群[atguigu@hadoop102 spark-standalone]$ sbin/stop-all.sh[atguigu@hadoop102 spark-standalone]$ zk.sh stop[atguigu@hadoop103 spark-standalone]$ sbin/stop-master.sh1)为了防止和Standalone模式冲突，再单独解压一份spark[atguigu@hadoop102 software]$ tar -zxvf spark-2.1.1-bin-hadoop2.7.tgz -C /opt/module/2)进入到/opt/module目录，修改spark-2.1.1-bin-hadoop2.7名称为spark-yarn[atguigu@hadoop102 module]$ mv spark-2.1.1-bin-hadoop2.7/ spark-yarn3)修改hadoop配置文件/opt/module/hadoop-2.7.2/etc/hadoop/yarn-site.xml，添加如下内容 因为测试环境虚拟机内存较少，防止执行过程进行被意外杀死，做如下配置[atguigu@hadoop102 hadoop]$ vi yarn-site.xml<!--是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true --><property> <name>yarn.nodemanager.pmem-check-enabled</name> <value>false</value></property>

<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true --><property> <name>yarn.nodemanager.vmem-check-enabled</name> <value>false</value></property>4)分发配置文件[atguigu@hadoop102 conf]$ xsync /opt/module/hadoop-2.7.2/etc/hadoop/yarn-site.xml5)修改/opt/module/spark/conf/spark-env.sh，添加YARN_CONF_DIR配置，保证后续运行任务的路径都变成集群路径[atguigu@hadoop102 conf]$ mv spark-env.sh.template spark-env.sh[atguigu@hadoop102 conf]$ vi spark-env.sh

YARN_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop6)分发spark-yarn[atguigu@hadoop102 module]$ xsync spark-yarn7)启动HDFS以及YARN集群[atguigu@hadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh[atguigu@hadoop103 hadoop-2.7.2]$ sbin/start-yarn.sh8)执行一个程序[atguigu@hadoop102 spark-yarn]$ bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master yarn \./examples/jars/spark-examples_2.11-2.1.1.jar \10参数：--master yarn，表示Yarn方式运行；--deploy-mod表示客户端方式运行程序9)如果运行的时候，抛出如下异常ClassNotFoundException:com.sun.jersey.api.client.config.ClientConfig-原因分析 Spark2中jersey版本是2.22，但是yarn中还需要依赖1.9，版本不兼容-解决方式在yarn-site.xml中，添加 <property> <name>yarn.timeline-service.enabled</name> <value>false</value></property>

10)查看hadoop103:8088页面，点击History，查看历史页面

2.5.2 配置历史服务由于是重新解压的Spark压缩文件，所以需要针对Yarn模式，再次配置一下历史服务器。1)修改spark-default.conf.template名称[atguigu@hadoop102 conf]$ mv spark-defaults.conf.template spark-defaults.conf2)修改spark-default.conf文件，配置日志存储路径，并分发[atguigu@hadoop102 conf]$ vi spark-defaults.confspark.eventLog.enabled truespark.eventLog.dir hdfs://hadoop102:8020/directory

[atguigu@hadoop102 conf]$ xsync spark-defaults.conf3)修改spark-env.sh文件，添加如下配置：[atguigu@hadoop102 conf]$ vi spark-env.sh

export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory -Dspark.history.retainedApplications=30"# 参数1含义：WEBUI访问的端口号为18080# 参数2含义：指定历史服务器日志存储路径# 参数3含义：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[atguigu@hadoop102 conf]$ xsync spark-env.sh2.5.3 配置查看历史日志为了从Yarn上关联到Spark历史服务器，需要配置关联路径。1)修改配置文件/opt/module/spark/conf/spark-defaults.conf添加如下内容：spark.yarn.historyServer.address=hadoop102:18080spark.history.ui.port=180802)同步spark-defaults.conf配置文件[atguigu@hadoop102 conf]$ xsync spark-defaults.conf3)重启Spark历史服务[atguigu@hadoop102 spark]$ sbin/stop-history-server.sh

[atguigu@hadoop102 spark]$ sbin/start-history-server.sh 4)提交任务到Yarn执行[atguigu@hadoop102 spark]$ bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master yarn \./examples/jars/spark-examples_2.11-2.1.1.jar \105)Web页面查看日志：http://hadoop103:8088/cluster

2.5.4 运行流程Spark有yarn-client和yarn-cluster两种模式，主要区别在于：Driver程序的运行节点。yarn-client：Driver程序运行在客户端，适用于交互、调试，希望立即看到app的输出。yarn-cluster：Driver程序运行在由ResourceManager启动的APPMaster适用于生产环境。1)客户端模式(默认)[atguigu@hadoop102 spark-yarn]$ bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master yarn \--deploy-mode client \./examples/jars/spark-examples_2.11-2.1.1.jar \10

2)集群模式[atguigu@hadoop102 spark-yarn]$ bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master yarn \--deploy-mode cluster \./examples/jars/spark-examples_2.11-2.1.1.jar \10(1)查看http://hadoop103:8088/cluster页面，点击History按钮，跳转到历史详情页面

(2)点击Executors->点击driver中的stdout

 

可能碰到的问题:如果在 yarn 日志端无法查看到具体的日志, 则在yarn-site.xml中添加如下配置并启动Yarn历史服务器

<property> <name>yarn.log.server.url</name> <value>http://hadoop204:19888/jobhistory/logs</value></property>注意：hadoop历史服务器也要启动 mr-jobhistory-daemon.sh start historyserver

2.6 Mesos模式(了解)Spark客户端直接连接Mesos；不需要额外构建Spark集群。国内应用比较少，更多的是运用Yarn调度。2.7 几种模式对比模式 Spark安装机器数 需启动的进程 所属者Local 1 无 SparkStandalone 3 Master及Worker SparkYarn 1 Yarn及HDFS Hadoop2.8 端口号总结1)Spark历史服务器端口号：18080 (类比于Hadoop历史服务器端口号：19888)2)Spark Master Web端口号：8080(类比于Hadoop的NameNode Web端口号：9870(50070))3)Spark Master内部通信服务端口号：7077 (类比于Hadoop的8020(9000)端口)4)Spark查看当前Spark-shell运行任务情况端口号：40405)Hadoop YARN任务运行情况查看端口号：8088第3章 WordCount案例实操Spark Shell仅在测试和验证我们的程序时使用的较多，在生产环境中，通常会在IDE中编制程序，然后打成Jar包，然后提交到集群，最常用的是创建一个Maven项目，利用Maven来管理Jar包的依赖。3.1 编写程序1)创建一个Maven项目WordCount，包名为com.atguigu.spark2)输入文件夹准备：在新建的WordCount项目名称上右键=》新建input文件夹=》在input文件夹上右键=》分别新建1.txt和2.txt。每个文件里面准备一些word单词。3)导入项目依赖<dependencies> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.11</artifactId> <version>2.1.1</version> </dependency></dependencies><build> <finalName>WordCount</finalName> <plugins> <plugin> <groupId>net.alchim31.maven</groupId> <artifactId>scala-maven-plugin</artifactId> <version>3.4.6</version> <executions> <execution> <goals> <goal>compile</goal> <goal>testCompile</goal> </goals> </execution> </executions> </plugin> </plugins></build>

注意：如果maven版本为3.2.x，插件下载报错，那么修改插件版本为3.3.24)创建伴生对象WordCount，编写代码package com.atguigu.spark

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

object WordCount {

def main(args: Array[String]): Unit = {

//1.创建SparkConf并设置App名称 val conf = new SparkConf().setAppName("WC").setMaster("local[*]")

//2.创建SparkContext，该对象是提交Spark App的入口 val sc = new SparkContext(conf)

//3.读取指定位置文件:hello atguigu atguigu val lineRdd: RDD[String] = sc.textFile("input")

//4.读取的一行一行的数据分解成一个一个的单词(扁平化)(hello)(atguigu)(atguigu) val wordRdd: RDD[String] = lineRdd.flatMap(line => line.split(" "))

//5. 将数据转换结构：(hello,1)(atguigu,1)(atguigu,1) val wordToOneRdd: RDD[(String, Int)] = wordRdd.map(word => (word, 1))

//6.将转换结构后的数据进行聚合处理 atguigu:1、1 =》1+1 (atguigu,2) val wordToSumRdd: RDD[(String, Int)] = wordToOneRdd.reduceByKey((v1, v2) => v1 + v2)

//7.将统计结果采集到控制台打印 val wordToCountArray: Array[(String, Int)] = wordToSumRdd.collect() wordToCountArray.foreach(println)

//一行搞定 //sc.textFile(args(0)).flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).saveAsTextFile(args(1))

//8.关闭连接 sc.stop() }}5)打包插件<plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-assembly-plugin</artifactId> <version>3.0.0</version> <configuration> <archive> <manifest> <mainClass>com.atguigu.spark.WordCount</mainClass> </manifest> </archive> <descriptorRefs> <descriptorRef>jar-with-dependencies</descriptorRef> </descriptorRefs> </configuration> <executions> <execution> <id>make-assembly</id> <phase>package</phase> <goals> <goal>single</goal> </goals> </execution> </executions></plugin>6)打包到集群测试 (1)点击package打包，然后，查看打完后的jar包

(2)将WordCount.jar上传到/opt/module/spark目录(3)在HDFS上创建，存储输入文件的路径/input[atguigu@hadoop102 spark]$ hadoop fs -mkdir /input(4)上传输入文件到/input路径[atguigu@hadoop102 spark]$ hadoop fs -put /opt/module/spark-local-standalone/input/1.txt /input(5)执行任务[atguigu@hadoop102 spark]$ bin/spark-submit \--class com.atguigu.spark.WordCount \--master yarn \WordCount.jar \/input \/output注意：input和ouput都是HDFS上的集群路径。(6)查询运行结果[atguigu@hadoop102 spark]$ hadoop fs -cat /output/*注意：如果运行发生压缩类没找到，可以参考如下方案解决https://blog.csdn.net/dkcgx/article/details/44833425

3.2 本地调试本地Spark程序调试需要使用Local提交模式，即将本机当做运行环境，Master和Worker都为本机。运行时直接加断点调试即可。如下：package com.atguigu.spark

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

object WordCount {

def main(args: Array[String]): Unit = {

//1.创建SparkConf并设置App名称，设置本地模式运行 val conf = new SparkConf().setAppName("WC").setMaster("local[*]")

//2.创建SparkContext，该对象是提交Spark App的入口 val sc = new SparkContext(conf)

//3.使用sc创建RDD，输入和输出路径都是本地路径 sc.textFile("input").flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).saveAsTextFile("output")

//4.关闭连接 sc.stop() }}3.3 关联源码1)按住ctrl键，点击RDD

2)提示下载或者绑定源码

3)解压资料包中spark-2.1.1.zip到非中文路径。例如解压到：E:\02_software4)点击Attach Sources…按钮，选择源码路径E:\02_software\spark-2.1.1

3.4 异常处理如果本机操作系统是Windows，如果在程序中使用了Hadoop相关的东西，比如写入文件到HDFS，则会遇到如下异常：

出现这个问题的原因，并不是程序的错误，而是用到了hadoop相关的服务，解决办法1.配置HADOOP_HOME环境变量2.在IDEA中配置Run Configuration，添加HADOOP_HOME变量