spark基础

spark基础

---

前言

Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。 Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。

章一、spark基础概念

1.1什么是spark

定义：

spark是一种基于内存的快速、通用、可扩展的大数据分析引擎。

1.2 spark的内置模块

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还对弹性分布式数据集（Resilient Distributed DataSet）即RDD 的定义
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 SQL 方言(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(ML)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。
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

1.3spark的特点

1）快：与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。计算的中间结果是存在于内存中的。
2）易用：Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的Shell，可以非常方便地在这些Shell中使用Spark集群来验证解决问题的方法。
3）通用：Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。减少了开发和维护的人力成本和部署平台的物力成本。
4）兼容性：Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。

章二、spark运行模式

2.1提交流程

重要角色：

Driver（驱动器）

Spark 的驱动器是执行开发程序中的 main 方法的进程。它负责开发人员编写的用来创
建 SparkContext、创建 RDD，以及进行 RDD 的转化操作和行动操作代码的执行。如果你
是用 spark shell，那么当你启动 Spark shell 的时候，系统后台自启了一个 Spark 驱动器程
序，就是在 Spark shell 中预加载的一个叫作 sc 的 SparkContext 对象。如果驱动器程序终
止，那么 Spark 应用也就结束了。主要负责：
1）把用户程序转为任务
2）跟踪 Executor 的运行状况
3）为执行器节点调度任务
4）UI 展示应用运行状况

Executor（执行器）

Spark Executor 是一个工作进程，负责在 Spark 作业中运行任务，任务间相互独立。
Spark 应用启动时，Executor 节点被同时启动，并且始终伴随着整个 Spark 应用的生命周
期而存在。如果有 Executor 节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出
错节点上的任务调度到其他 Executor 节点上继续运行。主要负责：
1）负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程；
2）通过自身的块管理器（Block Manager）为用户程序中要求缓存的 RDD 提供内存式
存储。RDD 是直接缓存在 Executor 进程内的，因此任务可以在运行时充分利用缓存数据加
速运算。

2.2数据流程 （以wordCount为例）

textFile(“input”)：读取本地文件 input 文件夹数据；
flatMap(.split(" "))：压平操作，按照空格分割符将一行数据映射成一个个单词；
map((,1))：对每一个元素操作，将单词映射为元组；
reduceByKey(+)：按照 key 将值进行聚合，相加；
collect：将数据收集到 Driver 端展示。

2.3 集群模式

Standalone（独立集群） 模式

HA高可用配置

Yarn 模式

几种模式对比

案例

package com.lyinl
import 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")
//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 并执行相应的 transformation 和 action
 sc.textFile(args(0)).flatMap(_.split(" ")).map((_, 
1)).reduceByKey(_+_, 1).sortBy(_._2, false).saveAsTextFile(args(1))
//4.关闭连接
 sc.stop()
 } }

maven 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>3.2.2</version>
 <executions>
 <execution>
 <goals>
 <goal>compile</goal>
 <goal>testCompile</goal>
 </goals>
 </execution>
 </executions>
 </plugin>
 </plugins>
</build>
<plugin>
 <groupId>org.apache.maven.plugins</groupId>
 <artifactId>maven-assembly-plugin</artifactId>
 <version>3.0.0</version>
 <configuration>
 <archive>
 <manifest>
 <mainClass>WordCount</mainClass>
 </manifest>
 </archive>
 <descriptorRefs>
 <descriptorRef>jar-withdependencies</descriptorRef>
 </descriptorRefs>
 </configuration>
 <executions>
 <execution>
 <id>make-assembly</id>
 <phase>package</phase>
 <goals>
 <goal>single</goal>
 </goals>
 </execution>
 </executions>
 </plugin>

打包到集群

bin/spark-submit \
--class WordCount \
--master spark://hadoop102:7077 \
WordCount.jar \ /word.txt \
/out