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