Spark学习笔记（1）—— Spark 介绍，集群安装

1 Spark 介绍

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，允许用户将Spark部署在大量廉价硬件之上，形成集群。Spark得到了众多大数据公司的支持，这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于凤巢、大搜索、直达号、百度大数据等业务；阿里利用GraphX构建了大规模的图计算和图挖掘系统，实现了很多生产系统的推荐算法；腾讯Spark集群达到8000台的规模，是当前已知的世界上最大的Spark集群。

1.1 学习 Spark 的原因

中间结果输出：基于MapReduce的计算引擎通常会将中间结果输出到磁盘上，进行存储和容错。出于任务管道承接的，考虑，当一些查询翻译到MapReduce任务时，往往会产生多个Stage，而这些串联的Stage又依赖于底层文件系统（如HDFS）来存储每一个Stage的输出结果。
Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生态系统，以弥补MapReduce的不足。

1.2 Spark 的特点

1.2.1 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。

1.2.2 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。

1.2.3 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。

1.2.4 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。

2 Spark 集群安装

下载地址https://spark.apache.org/downloads.html

2.1 源码上传到集群

解压

2.2 修改配置文件

2.2.1 spark-env.sh

[hadoop@node1 ~]$ cd /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/
[hadoop@node1 spark-1.6.3-bin-hadoop2.6]$ ll
total 1380
drwxr-xr-x. 2 hadoop hadoop    4096 Nov  3  2016 bin
-rw-r--r--. 1 hadoop hadoop 1343562 Nov  3  2016 CHANGES.txt
drwxr-xr-x. 2 hadoop hadoop     230 Nov  3  2016 conf
drwxr-xr-x. 3 hadoop hadoop      19 Nov  3  2016 data
drwxr-xr-x. 3 hadoop hadoop      79 Nov  3  2016 ec2
drwxr-xr-x. 3 hadoop hadoop      17 Nov  3  2016 examples
drwxr-xr-x. 2 hadoop hadoop     237 Nov  3  2016 lib
-rw-r--r--. 1 hadoop hadoop   17352 Nov  3  2016 LICENSE
drwxr-xr-x. 2 hadoop hadoop    4096 Nov  3  2016 licenses
-rw-r--r--. 1 hadoop hadoop   23529 Nov  3  2016 NOTICE
drwxr-xr-x. 6 hadoop hadoop     119 Nov  3  2016 python
drwxr-xr-x. 3 hadoop hadoop      17 Nov  3  2016 R
-rw-r--r--. 1 hadoop hadoop    3359 Nov  3  2016 README.md
-rw-r--r--. 1 hadoop hadoop     120 Nov  3  2016 RELEASE
drwxr-xr-x. 2 hadoop hadoop    4096 Nov  3  2016 sbin
[hadoop@node1 spark-1.6.3-bin-hadoop2.6]$ cd conf
[hadoop@node1 conf]$ ll
total 36
-rw-r--r--. 1 hadoop hadoop  987 Nov  3  2016 docker.properties.template
-rw-r--r--. 1 hadoop hadoop 1105 Nov  3  2016 fairscheduler.xml.template
-rw-r--r--. 1 hadoop hadoop 1734 Nov  3  2016 log4j.properties.template
-rw-r--r--. 1 hadoop hadoop 6671 Nov  3  2016 metrics.properties.template
-rw-r--r--. 1 hadoop hadoop  865 Nov  3  2016 slaves.template
-rw-r--r--. 1 hadoop hadoop 1292 Nov  3  2016 spark-defaults.conf.template
-rwxr-xr-x. 1 hadoop hadoop 4209 Nov  3  2016 spark-env.sh.template
[hadoop@node1 conf]$ mv spark-env.sh.template spark-env.sh

在配置文件中添加如下配置

export JAVA_HOME=/usr/apps/jdk1.8.0_181-amd64
export SPARK_MASTER_IP=node1
export SPARK_MASTER_PORT=7077

2.2.2 slaves

[hadoop@node1 conf]$ mv slaves.template slaves

添加内容

node2
node3

2.3 将配置好的Spark拷贝到其他节点上

[hadoop@node1 ~]$ scp -r /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/ node2:/home/hadoop/apps
[hadoop@node1 ~]$ scp -r /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/ node3:/home/hadoop/apps

2.4 修改配置文件

/etc/profile

export SPARK_HOME=/home/hadoop/apps/spark-1.6.3-bin-hadoop2.6
export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin

将配置文件发送到 node2,node3

[hadoop@node1 ~]$ sudo scp /etc/profile node2:/etc
[sudo] password for hadoop: 
root@node2's password: 
profile                                                                                    100% 2427     1.7MB/s   00:00    
[hadoop@node1 ~]$ sudo scp /etc/profile node3:/etc
root@node3's password: 
profile       

在三个节点同时 刷新配置文件
source /etc/profile

2.5 启动

[hadoop@node1 ~]$ /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/sbin/start-all.sh
starting org.apache.spark.deploy.master.Master, logging to /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/logs/spark-hadoop-org.apache.spark.deploy.master.Master-1-node1.out
localhost: Warning: Permanently added 'localhost' (ECDSA) to the list of known hosts.
node3: starting org.apache.spark.deploy.worker.Worker, logging to /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/logs/spark-hadoop-org.apache.spark.deploy.worker.Worker-1-node3.out
node2: starting org.apache.spark.deploy.worker.Worker, logging to /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/logs/spark-hadoop-org.apache.spark.deploy.worker.Worker-1-node2.out
localhost: starting org.apache.spark.deploy.worker.Worker, logging to /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/logs/spark-hadoop-org.apache.spark.deploy.worker.Worker-1-node1.out
[hadoop@node1 ~]$ 

2.5.1 http://node1:8080/

3 Spark Shell

 /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/bin/spark-shell --master spark://node1:7077 --total-executor-cores 4 --executor-memory 1g

log4j:WARN No appenders could be found for logger (org.apache.hadoop.metrics2.lib.MutableMetricsFactory).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
Using Spark's repl log4j profile: org/apache/spark/log4j-defaults-repl.properties
To adjust logging level use sc.setLogLevel("INFO")
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 1.6.3
      /_/

Using Scala version 2.10.5 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_181)
Type in expressions to have them evaluated.
Type :help for more information.
Spark context available as sc.
18/10/16 12:04:49 WARN Connection: BoneCP specified but not present in CLASSPATH (or one of dependencies)
18/10/16 12:04:50 WARN Connection: BoneCP specified but not present in CLASSPATH (or one of dependencies)
18/10/16 12:04:54 WARN ObjectStore: Version information not found in metastore. hive.metastore.schema.verification is not enabled so recording the schema version 1.2.0
18/10/16 12:04:54 WARN ObjectStore: Failed to get database default, returning NoSuchObjectException
18/10/16 12:04:57 WARN Connection: BoneCP specified but not present in CLASSPATH (or one of dependencies)
18/10/16 12:04:57 WARN Connection: BoneCP specified but not present in CLASSPATH (or one of dependencies)
18/10/16 12:05:02 WARN ObjectStore: Version information not found in metastore. hive.metastore.schema.verification is not enabled so recording the schema version 1.2.0
18/10/16 12:05:02 WARN ObjectStore: Failed to get database default, returning NoSuchObjectException
SQL context available as sqlContext.

scala> 

4 执行第一个 Spark 程序

利用蒙特·卡罗算法求PI

scala> [hadoop@node1 ~]$ 
[hadoop@node1 ~]$ /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/bin/spark-submit \
> --class org.apache.spark.examples.SparkPi \
> --master spark://node1:7077 \
> --executor-memory 1G \
> --total-executor-cores 2 \
> /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/lib/spark-examples-1.6.3-hadoop2.6.0.jar 100