- Spark概述
1.1. 什么是Spark(官网:http://spark.apache.org)
Spark是一种快速、通用、可扩展的大数据分析引擎,2009年诞生于加州大学伯克利分校AMPLab,2010年开源,2013年6月成为Apache孵化项目,2014年2月成为Apache顶级项目。目前,Spark生态系统已经发展成为一个包含多个子项目的集合,其中包含SparkSQL、Spark Streaming、GraphX、MLlib等子项目,Spark是基于内存计算的大数据并行计算框架。Spark基于内存计算,提高了在大数据环境下数据处理的实时性,同时保证了高容错性和高可伸缩性。
- Spark特点
2.1. 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。
2.2. 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。
2.3. 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。Spark统一的解决方案非常具有吸引力,毕竟任何公司都想用统一的平台去处理遇到的问题,减少开发和维护的人力成本和部署平台的物力成本。
2.4. 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,器,并且可以处理所有Hadoop支持的数据,包括HDFS、HBase和Cassandra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。Spark也可以不依赖于第三方的资源管理和调度器,它实现了Standalone作为其内置的资源管理和调度框架,这样进一步降低了Spark的使用门槛,使得所有人都可以非常容易地部署和使用Spark。此外,Spark还提供了在EC2上部署Standalone的Spark集群的工具。
- Spark集群安装
3.1. 安装
3.1.1. 机器部署
准备两台以上Linux服务器,安装好JDK1.8
3.1.2. 下载Spark安装包
http://www.apache.org/dyn/closer.lua/spark/spark-1.5.2/spark-1.5.2-bin-hadoop2.6.tgz
上传解压安装包
上传spark-1.5.2-bin-hadoop2.6.tgz安装包到Linux上
解压安装包到指定位置
tar -zxvf spark-1.5.2-bin-hadoop2.6.tgz -C /usr/local
3.1.3. 配置Spark
进入到Spark安装目录
cd /usr/local/spark-1.5.2-bin-hadoop2.6
进入conf目录并重命名并修改spark-env.sh.template文件
cd conf/
mv spark-env.sh.template spark-env.sh
vi spark-env.sh
在该配置文件中添加如下配置
export JAVA_HOME=/usr/java/jdk1.8
export SPARK_MASTER_IP=server1
export SPARK_MASTER_PORT=7077
保存退出
重命名并修改slaves.template文件
mv slaves.template slaves
vi slaves
在该文件中添加子节点所在的位置(Worker节点)
server1
server2
server3
保存退出
将配置好的Spark拷贝到其他节点上
scp -r spark-1.5.2-bin-hadoop2.6/ server2:/usr/local/
scp -r spark-1.5.2-bin-hadoop2.6/ server3:/usr/local/
Spark集群配置完毕,目前是1个Master,3个Work,在server1上启动Spark集群
/usr/local/spark-1.5.2-bin-hadoop2.6/sbin/start-all.sh
启动后执行jps命令,主节点上有Master进程,其他子节点上有Work进行,登录Spark管理界面查看集群状态(主节点):http://server1:8080/
高可用
到此为止,Spark集群安装完毕,但是有一个很大的问题,那就是Master节点存在单点故障,要解决此问题,就要借助zookeeper,并且启动至少两个Master节点来实现高可靠,配置方式比较简单:
Spark集群规划:server1,server2是Master;server3是Worker
安装配置zk集群,并启动zk集群
停止spark所有服务,修改配置文件spark-env.sh,在该配置文件中删掉SPARK_MASTER_IP并添加如下配置
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=zk1,zk2,zk3 -Dspark.deploy.zookeeper.dir=/spark"
1.在server1节点上修改slaves配置文件内容指定worker节点
2.在server1上执行sbin/start-all.sh脚本,然后在server2上执行sbin/start-master.sh启动第二个Master
- 执行Spark程序
4.1. 执行第一个spark程序
/usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-submit
–class org.apache.spark.examples.SparkPi
–master spark://server1:7077
–executor-memory 1G
–total-executor-cores 2
/usr/local/spark-1.5.2-bin-hadoop2.6/lib/spark-examples-1.5.2-hadoop2.6.0.jar
100
该算法是利用蒙特·卡罗算法求PI
4.2. 启动Spark Shell
spark-shell是Spark自带的交互式Shell程序,方便用户进行交互式编程,用户可以在该命令行下用scala编写spark程序。
4.2.1. 启动spark shell
/usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-shell
–master spark://server1:7077
–executor-memory 2g
–total-executor-cores 2
参数说明:
–master spark://server1:7077 指定Master的地址
–executor-memory 2g 指定每个worker可用内存为2G。好像最好只能512m,设置了256m报无法连接错误
–total-executor-cores 2 指定整个集群使用的cup核数为2个
注意:
如果启动spark shell时没有指定master地址,但是也可以正常启动spark shell和执行spark shell中的程序,其实是启动了spark的local模式,该模式仅在本机启动一个进程,没有与集群建立联系。
Spark Shell中已经默认将SparkContext类初始化为对象sc。用户代码如果需要用到,则直接应用sc即可
4.2.2. 在spark shell中编写WordCount程序
1.首先启动hdfs
2.向hdfs上传一个文件到hdfs://server1:9000/words.txt
3.在spark shell中用scala语言编写spark程序
sc.textFile(“hdfs://node1.itcast.cn:9000/words.txt”).flatMap(.split(" "))
.map((,1)).reduceByKey(+).saveAsTextFile(“hdfs://node1.itcast.cn:9000/out”)
4.使用hdfs命令查看结果
hdfs dfs -ls hdfs://server1:9000/out/p*
说明:
sc是SparkContext对象,该对象时提交spark程序的入口
textFile(hdfs://server1:9000/words.txt)是hdfs中读取数据
flatMap(_.split(" "))先map在压平
map((_,1))将单词和1构成元组
reduceByKey(+)按照key进行reduce,并将value累加
saveAsTextFile(“hdfs://server1:9000/out”)将结果写入到hdfs中
4.3. 在IDEA中编写WordCount程序
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。
6.配置Maven的pom.xml
4.0.0
com.xicent
myspark
1.0-SNAPSHOT
<maven.compiler.source>1.8</maven.compiler.source>
<maven.compiler.target>1.8</maven.compiler.target>
UTF-8
<scala.version>2.10.6</scala.version>
<scala.compat.version>2.10</scala.compat.version>
org.scala-lang
scala-library
s
c
a
l
a
.
v
e
r
s
i
o
n
<
/
v
e
r
s
i
o
n
>
<
/
d
e
p
e
n
d
e
n
c
y
>
<
d
e
p
e
n
d
e
n
c
y
>
<
g
r
o
u
p
I
d
>
o
r
g
.
a
p
a
c
h
e
.
s
p
a
r
k
<
/
g
r
o
u
p
I
d
>
<
a
r
t
i
f
a
c
t
I
d
>
s
p
a
r
k
−
c
o
r
e
2
.
10
<
/
a
r
t
i
f
a
c
t
I
d
>
<
v
e
r
s
i
o
n
>
1.5.2
<
/
v
e
r
s
i
o
n
>
<
/
d
e
p
e
n
d
e
n
c
y
>
<
d
e
p
e
n
d
e
n
c
y
>
<
g
r
o
u
p
I
d
>
o
r
g
.
a
p
a
c
h
e
.
s
p
a
r
k
<
/
g
r
o
u
p
I
d
>
<
a
r
t
i
f
a
c
t
I
d
>
s
p
a
r
k
−
s
t
r
e
a
m
i
n
g
2
.
10
<
/
a
r
t
i
f
a
c
t
I
d
>
<
v
e
r
s
i
o
n
>
1.5.2
<
/
v
e
r
s
i
o
n
>
<
/
d
e
p
e
n
d
e
n
c
y
>
<
d
e
p
e
n
d
e
n
c
y
>
<
g
r
o
u
p
I
d
>
o
r
g
.
a
p
a
c
h
e
.
h
a
d
o
o
p
<
/
g
r
o
u
p
I
d
>
<
a
r
t
i
f
a
c
t
I
d
>
h
a
d
o
o
p
−
c
l
i
e
n
t
<
/
a
r
t
i
f
a
c
t
I
d
>
<
v
e
r
s
i
o
n
>
2.6.2
<
/
v
e
r
s
i
o
n
>
<
/
d
e
p
e
n
d
e
n
c
y
>
<
/
d
e
p
e
n
d
e
n
c
i
e
s
>
<
b
u
i
l
d
>
<
s
o
u
r
c
e
D
i
r
e
c
t
o
r
y
>
s
r
c
/
m
a
i
n
/
s
c
a
l
a
<
/
s
o
u
r
c
e
D
i
r
e
c
t
o
r
y
>
<
t
e
s
t
S
o
u
r
c
e
D
i
r
e
c
t
o
r
y
>
s
r
c
/
t
e
s
t
/
s
c
a
l
a
<
/
t
e
s
t
S
o
u
r
c
e
D
i
r
e
c
t
o
r
y
>
<
p
l
u
g
i
n
s
>
<
p
l
u
g
i
n
>
<
g
r
o
u
p
I
d
>
n
e
t
.
a
l
c
h
i
m
31.
m
a
v
e
n
<
/
g
r
o
u
p
I
d
>
<
a
r
t
i
f
a
c
t
I
d
>
s
c
a
l
a
−
m
a
v
e
n
−
p
l
u
g
i
n
<
/
a
r
t
i
f
a
c
t
I
d
>
<
v
e
r
s
i
o
n
>
3.2.0
<
/
v
e
r
s
i
o
n
>
<
e
x
e
c
u
t
i
o
n
s
>
<
e
x
e
c
u
t
i
o
n
>
<
g
o
a
l
s
>
<
g
o
a
l
>
c
o
m
p
i
l
e
<
/
g
o
a
l
>
<
g
o
a
l
>
t
e
s
t
C
o
m
p
i
l
e
<
/
g
o
a
l
>
<
/
g
o
a
l
s
>
<
c
o
n
f
i
g
u
r
a
t
i
o
n
>
<
a
r
g
s
>
<
a
r
g
>
−
m
a
k
e
:
t
r
a
n
s
i
t
i
v
e
<
/
a
r
g
>
<
a
r
g
>
−
d
e
p
e
n
d
e
n
c
y
f
i
l
e
<
/
a
r
g
>
<
a
r
g
>
{scala.version}</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.10</artifactId> <version>1.5.2</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming_2.10</artifactId> <version>1.5.2</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>2.6.2</version> </dependency> </dependencies> <build> <sourceDirectory>src/main/scala</sourceDirectory> <testSourceDirectory>src/test/scala</testSourceDirectory> <plugins> <plugin> <groupId>net.alchim31.maven</groupId> <artifactId>scala-maven-plugin</artifactId> <version>3.2.0</version> <executions> <execution> <goals> <goal>compile</goal> <goal>testCompile</goal> </goals> <configuration> <args> <arg>-make:transitive</arg> <arg>-dependencyfile</arg> <arg>
scala.version</version></dependency><dependency><groupId>org.apache.spark</groupId><artifactId>spark−core2.10</artifactId><version>1.5.2</version></dependency><dependency><groupId>org.apache.spark</groupId><artifactId>spark−streaming2.10</artifactId><version>1.5.2</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop−client</artifactId><version>2.6.2</version></dependency></dependencies><build><sourceDirectory>src/main/scala</sourceDirectory><testSourceDirectory>src/test/scala</testSourceDirectory><plugins><plugin><groupId>net.alchim31.maven</groupId><artifactId>scala−maven−plugin</artifactId><version>3.2.0</version><executions><execution><goals><goal>compile</goal><goal>testCompile</goal></goals><configuration><args><arg>−make:transitive</arg><arg>−dependencyfile</arg><arg>{project.build.directory}/.scala_dependencies
org.apache.maven.plugins
maven-surefire-plugin
2.18.1
false
true
/Test.
/Suite.
org.apache.maven.plugins
maven-shade-plugin
2.3
package
shade
:
META-INF/.SF
META-INF/.DSA
META-INF/*.RSA
cn.kris.spark.WordCount
7.将src/main/java和src/test/java分别修改成src/main/scala和src/test/scala,与pom.xml中的配置保持一致
8.新建一个scala class,类型为Object
9.编写spark程序
package wordcount
import org.apache.spark.{SparkConf, SparkContext}
object sparkwordcount {
def main(args: Array[String]): Unit = {
// 创建SparkConfig并设置AppName
val config = new SparkConf().setAppName(“WordCount”)
// 创建SparkContext,SparkContext是spark app提交的入口
val sc = new SparkContext(config)
// 使用sc创建RDD并执行相应的transformation和action。降序
sc.textFile(args(0)).flatMap(.split("\t")).map((,1)).reduceByKey(+,1).sortBy(_._2,false).saveAsTextFile(args(1))
// 停止sc,结束该任务
sc.stop()
}
}
10.使用Maven打包:首先修改pom.xml中的main class
点击idea右侧的Maven Project选项
点击Lifecycle,选择clean和package,然后点击Run Maven Build
11.选择编译成功的jar包,并将该jar上传到Spark集群中的某个节点上
12.首先启动hdfs和Spark集群
启动hdfs
/usr/local/hadoop-2.6.1/sbin/start-dfs.sh
启动spark
/usr/local/spark-1.5.2-bin-hadoop2.6/sbin/start-all.sh
13.使用spark-submit命令提交Spark应用(注意参数的顺序)
…/bin/spark-submit --master spark://server1:7077 --executor-memory 512m --total-executor-cores 1 --class wordcount.sparkwordcount myspark-1.0-SNAPSHOT.jar hdfs://server1:9000/spark/input/hello4.txt hdfs://server1:9000/spark/output2/wc
查看程序执行结果
hdfs dfs -cat hdfs://node1.itcast.cn:9000/out/part-00000
(hello,6)
(tom,3)
(kitty,2)
(jerry,1)