Spark2.X环境准备、编译部署及运行

 

---

1.Spark概述

Spark 是一个用于大规模数据处理的快速和通用的计算引擎。

在速度方面， Spark 扩展了广泛使用的 MapReduce 计算模型，而且高效地支持更多计算模式，包括交互式查询和流处理。 在处理大规模数据集时，速度是非常重要的。速度快就意味着我们可以进行交互式的数据操作， 否则我们每次操作就需要等待数分钟甚至数小时。

Spark 的一个主要特点是基于内存进行计算，因而更快。不过即使是必须在磁盘上进行的复杂计算， Spark 依然比 MapReduce 更加高效。

2.Spark生态系统

3.Spark学网站

1）databricks 网站

2）spark 官网

3）github 网站

4.Spark2.x源码下载及编译生成版本（安装在节点2-可自选）

1）Spark2.2源码下载到bigdata-pro02.kfk.com节点的/opt/softwares/目录下。

解压

tar -zxf spark-2.2.0.tgz -C /opt/modules/

2）spark2.2编译所需要的环境：Maven3.3.9和Java8

3）Spark源码编译的方式：Maven编译（我们采用此方式）、SBT编译（暂无）和打包编译make-distribution.sh

a）下载Jdk8并安装（如果以前就是此版本则跳过相应步骤）

tar -zxf jdk8u60-linux-x64.tar.gz -C /opt/modules/

b）JAVA_HOME配置/etc/profile

vi /etc/profile

export JAVA_HOME=/opt/modules/jdk1.8.0_60

export PATH=$PATH:$JAVA_HOME/bin

编辑退出之后，使之生效

source /etc/profile

c）如果遇到不能加载当前版本的问题

rpm -qa|grep jdk

rpm -e --nodeps jdk版本

which java 删除/usr/bin/java

d）下载并解压Maven

下载Maven

解压maven

tar -zxf apache-maven-3.3.9-bin.tar.gz -C /opt/modules/

配置MAVEN_HOME

vi /etc/profile

export MAVEN_HOME=/opt/modules/apache-maven-3.3.9

export PATH=$PATH:$MAVEN_HOME/bin

export MAVEN_OPTS="-Xmx2g -XX:MaxPermSize=1024M -XX:ReservedCodeCacheSize=1024M"

编辑退出之后，使之生效

source /etc/profile

#查看maven版本

[kfk@bigdata-pro02 modules]$ mvn -version

Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=1024M; support was removed in 8.0

Apache Maven 3.3.9 (bb52d8502b132ec0a5a3f4c09453c07478323dc5; 2015-11-11T00:41:47+08:00)

Maven home: /opt/modules/apache-maven-3.3.9

Java version: 1.8.0_60, vendor: Oracle Corporation

Java home: /opt/modules/jdk1.8.0_60/jre

Default locale: en_US, platform encoding: UTF-8

OS name: "linux", version: "2.6.32-431.el6.x86_64", arch: "amd64", family: "unix"

e）在/etc/resolv.conf文件中添加如下内容

nameserver 8.8.8.8

nameserver 8.8.4.4

注：这样做主要是为了一会儿能够正常从外网下载我们所需要的依赖。

f）编辑make-distribution.sh内容，可以让编译速度更快

VERSION=2.2.0

SCALA_VERSION=2.11.8

SPARK_HADOOP_VERSION=2.6.0

#支持spark on hive

SPARK_HIVE=1

4）通过make-distribution.sh源码编译spark（时间很长，一个小时以上，而且可能不会一次成功，请保持网络状况良好！）

[kfk@bigdata-pro02 modules]$ cd spark-2.2.0/

[kfk@bigdata-pro02 spark-2.2.0]$ ./dev/make-distribution.sh --name custom-spark --tgz -Phadoop-2.6 -Phive -Phive-thriftserver  -Pyarn

编译成功，历时两个半小时~

#编译完成之后解压

tar -zxf spark-2.2.0-bin-custom-spark.tgz -C /opt/modules/

#重命名

[kfk@bigdata-pro02 modules]$ mv spark-2.2.0-bin-custom-spark/ spark-2.2.0-bin

[kfk@bigdata-pro02 modules]$ ls

apache-maven-3.3.9  hadoop-2.6.0           jdk1.8.0_60         kafka_2.11-0.9.0.0   spark-2.2.0      zookeeper-3.4.5-cdh5.10.0

flume-1.7.0-bin     hbase-0.98.6-cdh5.3.0  kafka_2.11-0.8.2.1  producer.properties  spark-2.2.0-bin

5.scala安装及环境变量设置

1）下载

2）解压

tar -zxf scala-2.11.8.tgz -C /opt/modules/

3）配置环境变量

sudo vi /etc/profile

export SCALA_HOME=/opt/modules/scala-2.11.8

export PATH=$PATH:$SCALA_HOME/bin

4）编辑退出之后，使之生效

source /etc/profile

6.spark2.0本地模式运行测试

1）启动spark-shell测试

/bin/spark-shell

基本操作示例：

scala> val textFile = spark.read.textFile("README.md")

textFile: org.apache.spark.sql.Dataset[String] = [value: string]



scala> textFile.count()

res0: Long = 126



scala> textFile.first()

res1: String = # Apache Spark



scala> val linesWithSpark = textFile.filter(line => line.contains("Spark"))

linesWithSpark: org.apache.spark.sql.Dataset[String] = [value: string]



scala> textFile.filter(line => line.contains("Spark")).count() // How many lines contain "Spark"?

res3: Long = 15

2）词频统计

a）创建一个本地文件test.txt

vi /opt/datas/test.txt

doop storm spark

hbase spark flume

spark rdd spark

hdfs mapreduce spark

hive hdfs solr

spark flink storm

hbase storm es

b）spark-shell 词频统计

./bin/spark-shell

#加载文件内容，形成RDD

scala> val rdd = spark.read.textFile("/opt/datas/test.txt")

rdd: org.apache.spark.sql.Dataset[String] = [value: string]

#以空格为分割单位，形成若干元组

scala> var lines = rdd.flatMap(x => x.split(" ")).collect

lines: Array[String] = Array(doop, storm, spark, hbase, spark, flume, spark, rdd, spark, hdfs, mapreduce, spark, hive, hdfs, solr, spark, flink, storm, hbase, storm, es)

#形成（key, value）元组对

scala> var lines = rdd.flatMap(x => x.split(" ")).map(x => (x,1)).collect

lines: Array[(String, Int)] = Array((doop,1), (storm,1), (spark,1), (hbase,1), (spark,1), (flume,1), (spark,1), (rdd,1), (spark,1), (hdfs,1), (mapreduce,1), (spark,1), (hive,1), (hdfs,1), (solr,1), (spark,1), (flink,1), (storm,1), (hbase,1), (storm,1), (es,1))7.spark

#根据key值进行统计合并

scala> var lines = rdd.flatMap(x => x.split(" ")).map(x => (x,1)).rdd.reduceByKey((a,b) => (a+b)).collect

lines: Array[(String, Int)] = Array((spark,6), (hive,1), (es,1), (flume,1), (doop,1), (flink,1), (mapreduce,1), (solr,1), (rdd,1), (hdfs,2), (storm,3), (hbase,2))

#可以交换原来的key和value的位置

scala> var lines = rdd.flatMap(x => x.split(" ")).map(x => (x,1)).rdd.reduceByKey((a,b) => (a+b)).map(x => (x._2,x._1)).collect

lines: Array[(Int, String)] = Array((6,spark), (1,hive), (1,es), (1,flume), (1,doop), (1,flink), (1,mapreduce), (1,solr), (1,rdd), (2,hdfs), (3,storm), (2,hbase))

#排序

scala> var lines = rdd.flatMap(x => x.split(" ")).map(x => (x,1)).rdd.reduceByKey((a,b) => (a+b)).map(x => (x._2,x._1)).sortByKey().collect

lines: Array[(Int, String)] = Array((1,hive), (1,es), (1,flume), (1,doop), (1,flink), (1,mapreduce), (1,solr), (1,rdd), (2,hdfs), (2,hbase), (3,storm), (6,spark))

#降序排序之后再将key、value顺序换回去

scala> var lines = rdd.flatMap(x => x.split(" ")).map(x => (x,1)).rdd.reduceByKey((a,b) => (a+b)).map(x => (x._2,x._1)).sortByKey().map(x => (x._2,x._1)).collect

lines: Array[(String, Int)] = Array((hive,1), (es,1), (flume,1), (doop,1), (flink,1), (mapreduce,1), (solr,1), (rdd,1), (hdfs,2), (hbase,2), (storm,3), (spark,6))

c）通过web页面查看spark服务情况

bigdata-pro02.kfk.com:4040

---

 以上就是博主为大家介绍的这一板块的主要内容，这都是博主自己的学习过程，希望能给大家带来一定的指导作用，有用的还望大家点个支持，如果对你没用也望包涵，有错误烦请指出。如有期待可关注博主以第一时间获取更新哦，谢谢！同时也欢迎转载，但必须在博文明显位置标注原文地址，解释权归博主所有！