前言
day09,我们学习了scala的泛型、上界与下界、隐式转换。今天开始进入spark的学习,今天主要介绍Spark是什么及其特点、Spark架构、Spark的安装、演示使用scala和java实现的基于spark进行wordcount程序的示例。
spark是什么
Apache Spark是用于大规模数据处理的分析引擎。Spark于2009诞生于伯克利大学,2010年开源,2013年6月成为Apache的孵化项目,2014年2月正式成为apache的顶级项目。spark主要由以下几部分组成:
- Spark Core:spark中最核心,最重要的部分。Spark Streaming。
- Spark SQL:基于Spark Core,类似Hive,一般用于离线数据处理。
- Spark Streaming:基于Spark Core,做实时计算。
- Spark MLlib:数据分析、建模。
- Spark Graphx:图计算。
Spark特点
速度快:Spark的最大特点是速度快,官方的说法是比hadoop快100倍,如下是官方原文截图:
这是个对比是不公平的,因为spark官方做对比的是在逻辑回归情景下,这是拿自己的长处去与hadoop的短处作比较。当然,Spark的运算整体比Hadoop快3~5倍是没问题的。
容易使用:Spark支持Java, Scala, Python, R等语言的API,同时还支持SQL。
功能齐全:Saprk提供Spark Streaming、Spark SQL、Spark MLlib、Spark Graphx等一组组件,支持离线数据处理、实时数据处理、机器学习库、图计算等。
兼容性:Spark可以运行在Hadoop、Apache Mesos、Kubernetes或云上,可以访问不同时的数据源。
Spark架构
如下是官方提供的Spark架构图。
Spark由Mapster、Worker节点组成,它们的功能如下 :
主节点master的功能:
- 管理集群
- 任务分配
- 接收客户端的请求
从节点worker的功能:
- 管理本节点的资源,如CPU、内存等。
- 执行任务的是Executor,所以worker上面会有多个Executor。
Spark的安装
Spark的的安装方式主要分伪分布式、完全分布式两种。
伪分布式
到官网下载安装包,然后解压到安装目录下,这时安装到/opt/module/spark-2.1.0-bin-hadoop2.7目录下。
Spark需要修改的配置文件有两个:
conf/spark-env.sh,修改后的完整配置如下:
export JAVA_HOME=/opt/module/jdk1.8.0_121/ #根据自己机器的jdk安装目录
export SPARK_MASTER_HOST=bigdata121 #Master节点的主机名
export SPARK_MASTER_PORT=7077 #Master的端口
conf/slaves,这个文件配置的是Worker节点的主机名,这里的内容如下:
bigdata121
启动
/opt/module/spark-2.1.0-bin-hadoop2.7/sbin/start-all.sh
启动后,使用jps可以看到Worker及Master进程。
[root@bigdata121 ~]# jps
1159 Worker
1214 Jps
1071 Master
[root@bigdata121 ~]#
并且在浏览器中访问8080端口,可以打开如下的Spark的web界面。
完全分布式
完全分布式的安装与伪分布式基本一样,唯一不同的是conf/slaves这个配置文件不一样,完全分布式的Worker节点有多个,所以conf/slaves配置文件中会有多行,每行对应一台Worker节点的主机名。
基于Spark的worldcount代码实例
scala实现
基于Spark进行wordcount的scala实现worldcount,其核心代码也就一行,非常的简便。
package day20191227
import org.apache.spark.{SparkConf, SparkContext}
/**
* scala的workcount
* @author jinrui
* @date 2019/12/28 13:28
* @version 1.0
*/
object WordCountScala extends App {
/**
* 获取spark环境
* setAppName定义应用程序的名字
* setMaster指定任务运行的模式,
*/
val conf = new SparkConf().setAppName("WordCount").setMaster("local")
val sc = new SparkContext(conf)
//读取数据,通过sc读取数据
val line = sc.textFile("C:\\javacore\\14_bigdata\\workcount.txt")
//word count
val result = line.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
//打印
result.foreach(println)
}
java实现
基于Spark进行wordcount的java代码实现要比scala的实现复杂一些,因为java中没有高阶函数的概念,要调用Spark的API就需要实现其接口。
package day20191227;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;
import scala.Tuple2;
import java.util.Arrays;
import java.util.Iterator;
/**
* java版本的word count
* @author jinrui
* @version 1.0
* @date 2019/12/28 13:51
*/
public class WordCountJava {
public static void main(String[] args) {
//获取spark的环境
SparkConf conf = new SparkConf().setAppName("JAVA").setMaster("local");
JavaSparkContext jsc = new JavaSparkContext(conf);
//读取数据
JavaRDD<String> javardd = jsc.textFile("C:\\javacore\\14_bigdata\\workcount.txt");
/**
* 数据的切分,
* flatMap在scala中是传递一个匿名函数,形成高阶函数,java中是没有高阶函数的
* java中是基于接口,我们要实现spark的接口,形成一个匿名类
*/
JavaRDD word = javardd.flatMap(new FlatMapFunction<String,String>(){
//String s代表的就是读取的一行数据
@Override
public Iterator<String> call(String s){
String[] s1 = s.split(" ");
return Arrays.asList(s1).iterator();
}
});
//数据拼接
JavaPairRDD<String,Integer> javaPairRDD = word.mapToPair(new PairFunction<String,String,Integer>() {
@Override
public Tuple2<String,Integer> call(String s) throws Exception {
return new Tuple2<>(s,1);
}
});
//合并
JavaPairRDD<String,Integer> result = javaPairRDD.reduceByKey(new Function2<Integer, Integer, Integer>() {
@Override
public Integer call(Integer integer, Integer integer2) throws Exception {
return integer + integer2;
}
});
//打印
result.foreach(new VoidFunction<Tuple2<String, Integer>>() {
@Override
public void call(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {
System.out.println(stringIntegerTuple2);
}
});
}
}