spark的使用

最新推荐文章于 2024-08-02 19:47:45 发布

鹏飞九万里

最新推荐文章于 2024-08-02 19:47:45 发布

阅读量1.6k

点赞数 1

文章标签： spark

本文链接：https://blog.csdn.net/pengfeijiuwanli/article/details/106166809

版权

Apache Spark

什么是Spark？

Spark是Lightning-fast unified analytics engine- 快如闪电的统一的分析引擎（不参与数据持久化）。

快

（1）Spark基于内存的计算引擎，相比于MapReduce磁盘计算，速度自然快- 大众认知
（2）Spark使用先进的DAG（矢量计算）计算模型，将一个复杂的任务拆分成若干个stage（阶段），
这样复杂的任务Spark只需要一个job即可完成。（如果使用MapReduce计算模型可能需要串连若干个Job）
（3） Spark实现DAG计算将任务划分为若干个阶段，同时也提供了对stage阶段计算数据的缓存能力，这样就极大提升计算效率和容错。

统一：Spark统一大数据常见计算例如：批处理（替代MapReduce）、流处理（替代Storm）、统一SQL（替代了Hive）、Machine Learning（替代Mahout 基于MapReduce计算方案）、支持GraphX存储-图形关系存储（存储数据结构）（替代了早期Neo4j的功能）

Spark VS Hadoop

Spark的诞生仅仅是为了替换早期的Hadoop的MapReduce计算引擎。Spark并没有存储解决方案，在Spark的架构中，底层存储方案依然延续Hadooop的HDFS/Hbase.由于Hadoop的MapReduce是大数据时代出现的第一类大数据分析工具，因为出现比较早仅仅为了满足大数据计算的刚性需求（能够做到对大数据的计算，并且可以保证在一个合理的时间范围内）。因此伴随着科技的进步，互联网的快速发展，人们开始对大数据计算提出了更苛刻要求，例如使用 MapReduce算法去实现 推荐、聚合、分类、回归等科学问题（算法），因为这些算法的实现较为复杂，计算过程比较繁琐，当使用MapReduce计算模型去实现的时候，延迟有无限的放大了,原因有两个：① MapReduce计算阶段过于简单 Map-> Reduce ②MapReduce 计算无法对计算结果缓存，必须将计算数据持久化到磁盘③ 应对复杂计算（迭代计算），MapReduce就变成了名副其实的磁盘迭代计算。

Spark的设计中汲取了Map Reduce的设计经验，在2009 年Spark在加州伯克利AMP实验室诞生，2010年首次开源（同年MapReduce进行一次改革，将classic MapRedcue 升级为Yarn），2013年6开始在Apache孵化，2014年2月份正式成为Apache顶级项目（于此同时有一款当时不怎么出名Apache Flink(流处理)也在2014年12月份也成为Apache顶级项目）。由于Spark计算底层引擎使用批处理计算模型实现，非常容易被广大深受MapReduce计算折磨程序员所接受，所以就导致了Spark 的关注度直线提升（甚至人们忽略Flink存在）。

从上图可以看到Spark是一个基于内存的迭代，使用先进DAG（有向无环图）讲一个任务拆分若干个stage，这样程序就可以极大地利用系统的计算资源，同时使用内存策略缓存数据，实现任务的故障容错。

为何Spark如此欢迎？

不仅如此，人们宣扬Spark的时候提出One Stack ruled them(mapreduce、storm、hive、mahout、neo4j) all.一站式解决方案让人们激动不已。于此同时Spark在架构设计上启动承上启下的作用，企业可以延续一代大数据架构，直接使用Spark接管计算架构，存储和资源管理可以复用，因此平台转变|迁移成本低。

Spark 架构

Map Reduce计算流程

clientNode：程序，Job的入口类

ResourceManager:资源的管理器，负责管理所有NodeManager，负责启动MrAppmaster

NodeManager:负责向ResourceManager汇报自身计算资源（一台物理主机运行NodeManager，该NodeManager默认会将该台物理主机的计算资源抽象成8个等分，一个等分称为Container）。负责启动Container进程（MRAppmaster|YarnChild）

MRAppMaster:一个job任务在启动初期都会先分配一个Container用于去运行MRAppMaster用于检测和管理当前job的计算进程YarnChild

YarnChild:具体负责计算的JVM进程，主要运行Map Task或者Reduice Task.

缺点：

1）任务划分粗糙Map -> Reduce
2 ) MapTask|ReduceTask是通过进程方式实现任务的计算，启动成本太高。
3）MapReduce会将Map阶段的计算中间结果溢写到本地磁盘，在Map节点磁盘IO操作频繁。

MapReduce计算资源是在任务运行过程中MRappMaster动态申请。

Spark 计算流程

Driver:用户的程序，其中包含DAGSchedule和TaskSchedule分别负责任务stage拆分和任务的提交。

ClusterManager:组要负责计算节点管理(Master|ResouceManager)，以及资源的分配。

Executor-进程：Spark的每一个job再启动前期都会申请计算资源（Yarn申请JVM进程Container、Standalone申请Core线程）。

Task: 计算的线程（Spark的计算是以线程为单位）

Spark计算的优点

Spark 使用DAG将任务拆分成若干个阶段，可以实现复杂迭代计算

2）Spark的计算中间结果是可以缓存在计算节点的内存中，加速计算速度

3）Spark使用线程的方式实现计算，实现更细粒度的计算资源管理。

Spark是在计算任务初期，就已经申请到计算资源。可以很好的解决资源竞争的问题（使用Executor进程实现任务的计算隔离）。

Spark 安装

Standalone

主机名和ip的映射关系

[root@CentOS ~]# cat /etc/hosts
127.0.0.1   localhost localhost.localdomain localhost4 localhost4.localdomain4
::1         localhost localhost.localdomain localhost6 localhost6.localdomain6
192.168.221.133 CentOS

关闭防火墙

[root@CentOS ~]# service iptables stop
iptables: Setting chains to policy ACCEPT: filter          [  OK  ]
iptables: Flushing firewall rules:                         [  OK  ]
iptables: Unloading modules:                               [  OK  ]
[root@CentOS ~]# chkconfig iptables off

SSH免密码认证

[root@CentOS ~]# ssh-keygen -t rsa
Generating public/private rsa key pair.
Enter file in which to save the key (/root/.ssh/id_rsa):
Created directory '/root/.ssh'.
Enter passphrase (empty for no passphrase):
Enter same passphrase again:
Your identification has been saved in /root/.ssh/id_rsa.
Your public key has been saved in /root/.ssh/id_rsa.pub.
The key fingerprint is:
d5:fc:7d:65:12:82:c1:02:d3:c2:46:1c:62:78:02:01 root@CentOS
The key's randomart image is:
+--[ RSA 2048]----+
|Eo .o+=+ ..o. .  |
|  o...=.o oo . . |
|   o . . .. o . o|
|         .   . +.|
|        S     . o|
|                .|
|                 |
|                 |
|                 |
+-----------------+
[root@CentOS ~]# ssh-copy-id CentOS
The authenticity of host 'centos (192.168.221.133)' can't be established.
RSA key fingerprint is 15:20:f6:5f:b5:0b:53:b1:cf:9b:09:45:53:ab:f1:a2.
Are you sure you want to continue connecting (yes/no)? yes
Warning: Permanently added 'centos,192.168.221.133' (RSA) to the list of known hosts.
root@centos's password:
Now try logging into the machine, with "ssh 'CentOS'", and check in:

  .ssh/authorized_keys

to make sure we haven't added extra keys that you weren't expecting.

JDK安装配置环境变量

[root@CentOS ~]# rpm -ivh jdk-8u191-linux-x64.rpm
warning: jdk-8u191-linux-x64.rpm: Header V3 RSA/SHA256 Signature, key ID ec551f03: NOKEY
Preparing...                ########################################### [100%]
   1:jdk1.8                 ########################################### [100%]
Unpacking JAR files...
        tools.jar...
        plugin.jar...
        javaws.jar...
        deploy.jar...
        rt.jar...
        jsse.jar...
        charsets.jar...
        localedata.jar...
[root@CentOS ~]# vi .bashrc
JAVA_HOME=/usr/java/latest
PATH=$PATH:$JAVA_HOME/bin
CLASSPATH=.
export JAVA_HOME
export PATH
export CLASSPATH
[root@CentOS ~]# source .bashrc
[root@CentOS ~]# jps
4803 Jps

配置HADOOP环境（HDFS环境即可）

[root@CentOS ~]# tar -zxf hadoop-2.9.2.tar.gz -C /usr/
[root@CentOS ~]# vi .bashrc
HADOOP_HOME=/usr/hadoop-2.9.2
JAVA_HOME=/usr/java/latest
PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
CLASSPATH=.
export HADOOP_HOME
export JAVA_HOME
export PATH
export CLASSPATH
[root@CentOS ~]# source .bashrc
[root@CentOS ~]# vi /usr/hadoop-2.9.2/etc/hadoop/core-site.xml
<!--nn访问入口-->
<property>
    <name>fs.defaultFS</name>
    <value>hdfs://CentOS:9000</value>
</property>
<!--hdfs工作基础目录-->
<property>
    <name>hadoop.tmp.dir</name>
    <value>/usr/hadoop-2.9.2/hadoop-${user.name}</value>
</property>

[root@CentOS ~]# vi /usr/hadoop-2.9.2/etc/hadoop/hdfs-site.xml
<!--block副本因子-->
<property>
    <name>dfs.replication</name>
    <value>1</value>
</property>
<!--配置Sencondary namenode所在物理主机-->
<property>
    <name>dfs.namenode.secondary.http-address</name>
    <value>CentOS:50090</value>
</property>
<!--设置datanode最大文件操作数-->
<property>
        <name>dfs.datanode.max.xcievers</name>
        <value>4096</value>
</property>
<!--设置datanode并行处理能力-->
<property>
        <name>dfs.datanode.handler.count</name>
        <value>6</value>
</property>
[root@CentOS ~]# vi /usr/hadoop-2.9.2/etc/hadoop/slaves
CentOS

配置Spark

[root@CentOS ~]# tar -zxf spark-2.4.3-bin-without-hadoop.tgz -C /usr/
[root@CentOS ~]# mv /usr/spark-2.4.3-bin-without-hadoop/ /usr/spark-2.4.3
[root@CentOS ~]# cd /usr/spark-2.4.3/
[root@CentOS spark-2.4.3]# mv conf/spark-env.sh.template conf/spark-env.sh
[root@CentOS spark-2.4.3]# mv conf/slaves.template conf/slaves
[root@CentOS spark-2.4.3]# vi conf/spark-env.sh
SPARK_WORKER_INSTANCES=2
SPARK_MASTER_HOST=CentOS
SPARK_MASTER_PORT=7077
SPARK_WORKER_CORES=4
SPARK_WORKER_MEMORY=2g
LD_LIBRARY_PATH=/usr/hadoop-2.9.2/lib/native
SPARK_DIST_CLASSPATH=$(hadoop classpath)
export SPARK_MASTER_HOST
export SPARK_MASTER_PORT
export SPARK_WORKER_CORES
export SPARK_WORKER_MEMORY
export LD_LIBRARY_PATH
export SPARK_DIST_CLASSPATH
export SPARK_WORKER_INSTANCES
[root@CentOS spark-2.4.3]# vi conf/slaves
CentOS
[root@CentOS spark-2.4.3]# ./sbin/start-all.sh
starting org.apache.spark.deploy.master.Master, logging to /usr/spark-2.4.3/logs/spark-root-org.apache.spark.deploy.master.Master-1-CentOS.out
CentOS: starting org.apache.spark.deploy.worker.Worker, logging to /usr/spark-2.4.3/logs/spark-root-org.apache.spark.deploy.worker.Worker-1-CentOS.out
[root@CentOS spark-2.4.3]# jps
10752 Jps
7331 DataNode
7572 SecondaryNameNode
7223 NameNode
10680 Worker
10574 Master

安装成功后，可以访问http://ip:8080访问

![https://gitee.com/PengFei-io/pic_bed/raw/master/20200516/b36zWlCBZSpE.png](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9naXRlZS5jb20vUGVuZ0ZlaS1pby9waWNfYmVkL3Jhdy9tYXN0ZXIvMjAyMDA1MTYvYjM2eldsQ0JaU3BFLnBuZw?x-oss-process=image/format,png

测试一下计算环境

[root@CentOS spark-2.4.3]# ./bin/spark-shell  --master spark://CentOS:7077  --deploy-mode client  --total-executor-cores 2
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://CentOS:4040
Spark context available as 'sc' (master = spark://CentOS:7077, app id = app-20190812200525-0000).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.4.3
      /_/

Using Scala version 2.11.12 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_191

最低0.47元/天解锁文章

鹏飞九万里

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
spark的使用

Apache Spark什么是Spark？Spark是Lightning-fast unified analytics engine- 快如闪电的统一的分析引擎（不参与数据持久化）。快（1）Spark基于内存的计算引擎，相比于MapReduce磁盘计算，速度自然快- 大众认知（2）Spark使用先进的DAG（矢量计算）计算模型，将一个复杂的任务拆分成若干个stage（阶段），这样复杂的任务Spark只需要一个job即可完成。（如果使用MapReduce计算模型可能需要串连若干个Job）（3）
复制链接

扫一扫