一、架构设计
- 架构设计图
- 相关术语名次解释
-
RDD(Resilient Distributed DataSet)
弹性分布式数据集,是对数据集在spark存储和计算过程的一种抽象
是一组只读、可分区的分布式数据集合
一个RDD包含多个分区Partition,分区是依照一定的规则的,将具有相同规则的数据记录在一起
横向上可切分并行计算,以分区Partition为切分后的最小存储和计算单元。
纵向上可进行内外存切换使用,即当数据在内存不足时,可以用外存磁盘来补充。 -
Partition(分区)
Partition类似Hadoop的Split,计算是以partition为单位进行的
partition的划分依据有很多,常见的有hash分区、范围分区等,当然也可以自定义,像HDFS文件,划分的方式就和MapReduce一样,以文件的block来划分不同的partition
一个partition交给一个Task去计算处理 -
算子
广义上讲,对任何函数进行某一项操作都可以认为是一个算子
通俗上讲,算子即为映射、关系、交换
Spark算子分为两大类,即为 Transformation和Action类,合计有80多个
MapReduce算子主要分为两个,即为map和reduce两个主要操作的算子,导致灵活性比较差 -
Transformation类算子
操作时延迟计算的,也就是说从一个RDD转换生成另一个RDD的转换操作不是马上执行,需要等到有Action操作的时候才会真正触发运算
细分类:
value数据类型的Transformation算子
key-value数据类型的Transformation -
Action类算子
会触发Spark提交作业(job),并将数据输出Spark系统。 -
窄依赖
如果一个父RDD的每个分区只被子RDD的一个分区使用 ------> 一对一关系 -
宽依赖
如果一个父RDD的每个分区要被子RDD 的多个分区使用 ----> 一对多关系 -
Application
Spark Application的概念和MapReduce中的job或者yarn中的application类似,指的是用户编写的Spark应用程序,包含了一个Driver功能的代码和分布在集群中多个节点上运行的Executor代码
一般是指整个Spark项目从开发、测试、布署、运行的全部。 -
Drive
运行main函数并且创建SparkContext的程序。
称为驱动程序,Driver Program类似于hadoop的wordcount程序中的driver类的main函数。 -
Cluster Manager
集群的资源管理器,在集群上获取资源的服务。如Yarn、Mesos、Spark Standalone等。
以Yarn为例,驱动程序会向Yarn申请计算我这个任务需要多少的内存,多少CPU等,后由Cluster Manager会通过调度告诉驱动程序可以使用,然后驱动程序将任务分配到既定的Worker Node上面执行。 -
WorkerNode
集群中任何一个可以运行spark应用代码的节点。
Worker Node就是物理机器节点,可以在上面启动Executor进程。 -
Task
与Hadoop中的Map Task或者Reduce Task是类同的。
分配到executor上的基本工作单元,执行实际的计算任务。
Task分为两类,即为ShuffleMapTask和ResultTask。
ShuffleMapTask:即为Map任务和发生Shuffle的任务的操作,由Transformation操作组成,其输出结果是为下个阶段任务(ResultTask)进行做准备,不是最终要输出的结果。
ResultTask:即为Action操作触发的Job作业的最后一个阶段任务,其输出结果即为Application最终的输出或存储结果。 -
Job(作业)
Spark RDD里的每个action的计算会生成一个job。
用户提交的Job会提交给DAGScheduler(Job调度器),Job会被分解成Stage去执行,每个Stage由一组相同计算规则的Task组成,该组Task也称为TaskSet,实际交由TaskScheduler去调度Task的机器执行节点,最终完成作业的执行。 -
Stage(阶段)
Stage是Job的组成部分,每个Job可以包含1个或者多个Stage。
Job切分成Stage是以Shuffle作为分隔依据,Shuffle前是一个Stage,Shuffle后是一个Stage。即为按RDD宽窄依赖来划分Stage。
每个Job会被拆分很多组Task,每组任务被称为Stage,也可称TaskSet,一个作业可以被分为一个或多个阶段
- 用户交互方式
- spark-shell:spark命令行方式来操作spark作业。
- spark-submit:通过程序脚本,提交相关的代码、依赖等来操作spark作业。
- spark-sql:通过sql的方式操作spark作业。
- spark-class:最低层的调用方式,其它调用方式多是最终转化到该方式中去提交。
- spark-shell
- spark-shell是一个强大的交互式数据操作与分析的工具
- 启动方式:以本地2个线程来模拟运行spark相关操作,该数量一般与本机的cpu核数相一致为最佳spark-shell --master local[2]
- 相关参数:参数列表获取的方式;spark-shell --help,参数有非常多,使用help命令可进行查看
- java实现spark wordcount示例
5.1开发与测试
配置winutils.exe
- 意义
hadoop基于linux开发和布署运行,故不能将hadoop环境原始运行在windows上。
操作系统环境差异说明
linux环境不需要
windows下运行需要该文件
配置到运行环境当前目录下的null/bin目录下
若为eclipse开发,则配置到项目根目录下的null/bin/下即可
5.2 maven pom配置- 配置项
eclipse-jee版
spark-2.3.2
jdk1.8.x(自spark2.2.0起,jdk1.7将不再支持)
log4j
Pom配置模板:
- 配置项
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>study</groupId>
<artifactId>spark_study</artifactId>
<version>0.1</version>
<properties>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
</properties>
<!-- 首先配置仓库的服务器位置,首选阿里云,也可以配置镜像方式,效果雷同 -->
<repositories>
<repository>
<id>nexus-aliyun</id>
<name>Nexus aliyun</name>
<url>http://maven.aliyun.com/nexus/content/groups/public</url>
</repository>
</repositories>
<dependencies>
<dependency><groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.3.2</version>
<scope>provided</scope>
</dependency>
<!-- log4j依赖添加 -->
<dependency>
<groupId>log4j</groupId>
<artifactId>log4j</artifactId>
<version>1.2.17</version>
<scope>provided</scope>
</dependency>
</dependencies>
<build>
<finalName>spark_study</finalName>
<plugins>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>2.3.2</version>
<configuration>
<source>1.7</source>
<target>1.7</target>
<encoding>UTF-8</encoding>
</configuration>
</plugin>
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>assembly</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
5.3 java操作spark api实现wordcount代码编写
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;
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 scala.Tuple2;
/**
* java版实现的spark word count
*
* @author zel
*
* @date 2020年8月5日
*/
public class SparkWordCount4Java {
public static void main(String[] args) {
/**
* ##总步骤划分#
* 1、初始化spark conf,设置app name
* 2、构建java spark context
* 3、定义输入文件,本地或是hdfs等均可
* 4、构建file rdd,其实质是以文本行为单位的组织形式,也可以称为lines rdd
* 5、lines rdd -> word rdd
* 6、word rdd -> (word,1)的rdd
* 7、(word,1)的rdd -> (word,freq)的rdd
* 8、将(word,freq) rdd -> collect落地形成本地对象数
* 9、将对象数据打印出来
* 10、关闭上下文环境
*/
// 1、初始化spark conf,设置app name
SparkConf conf = new SparkConf();
conf.setAppName("JavaSparkWordCount-4-job011");
// conf.setMaster("yarn-client");
// 2、构建java spark context
JavaSparkContext jsc = new JavaSparkContext(conf);
// 3、定义输入文件,本地或是hdfs等均可
// String localFilePath = "file:D:/temp/input.txt";
if (args == null || args.length != 1) {
System.err.println("传参有误 ,请检查!!!");
System.exit(-1);
}
String localFilePath = args[0];
// 4、构建file rdd=line rdd
JavaRDD<String> fileRDD = jsc.textFile(localFilePath);
// 5、lines rdd -> word rdd
JavaRDD<String> wordRDD = fileRDD
.flatMap(new FlatMapFunction<String, String>() {
@Override
public Iterator<String> call(String line) throws Exception {
return Arrays.asList(line.split("\\s+")).iterator();
}
});
// 6、word rdd -> (word,1)的rdd
JavaPairRDD<String, Integer> kvPairRDD = wordRDD
.mapToPair(new PairFunction<String, String, Integer>() {
@Override
public Tuple2<String, Integer> call(String word)
throws Exception {
return new Tuple2<String, Integer>(word, 1);
}
});
// 7、(word,1)的rdd -> (word,freq)的rdd
JavaPairRDD<String, Integer> wcPairRDD = kvPairRDD
.reduceByKey(new Function2<Integer, Integer, Integer>() {
@Override
public Integer call(Integer v1, Integer v2)
throws Exception {
return v1 + v2;
}
});
// 8、将(word,freq) rdd -> collect落地形成本地对象数
List<Tuple2<String, Integer>> pairList = wcPairRDD.collect();
// 9、将对象数据打印出来
for (Tuple2<String, Integer> tuple2 : pairList) {
System.out.println(tuple2);
}
// 10、关闭上下文环境
jsc.stop();
System.out.println("done!!");
}
}
5.4代码运行
- 直接run as …本地运行
- linux本地运行方式-local-生产环境
开发环境打包:跟之前的maven打包完全一致
编写Shell运行脚本
Linux本地运行输入文件路径可以是Linux本地也可以是hdfs
#! /bin/sh
# 配置成hadoop配置文件存放目录
export HADOOP_CONF_DIR=/usr/hdp/2.5.3.0-37/hadoop/conf
spark-submit \
--class com.spark.demo.JavaWordCount \
--master local \
--driver-memory 512m \
--executor-memory 512m \
--num-executors 2 \
/home/spark/TestFirst/spark_test/script_demo/spark_study.jar \
file:////home/spark/TestFirst/spark_test/script_demo/input.txt
- 集群方式
yarn-client
#! /bin/sh
# 配置成Hadoop配置文件存放目录
export HADOOP_CONF_DIR=/usr/hdp/2.5.3.0-37/hadoop/conf
/usr/hdp/2.5.3.0-37/spark/bin/spark-submit \
--class com.spark.demo.JavaWordCount \
--master yarn-client \ #此处有变化
--driver-memory 512m \
--executor-memory 512m \
--num-executors 2 \
/home/spark/TestFirst/spark_test/script_demo/spark_study.jar \
hdfs://sc-master-v2:8020/tmp/spark/input.txt
运行效果
注意输入路径,不能再为本地路径输入,应改为hdfs等分布式文件系统的路径
yarn-client等于–master设置成yarn,deploy-mode设置成client
- yarn-cluster
#! /bin/sh
# 配置成YARN配置文件存放目录
export HADOOP_CONF_DIR=/usr/hdp/2.5.3.0-37/hadoop/conf
/usr/hdp/2.5.3.0-37/spark/bin/spark-submit \
--class com.tl.job003.spark.demo.JavaWordCount \
--master yarn-cluster \ #此处有变化
--driver-memory 512m \
--executor-memory 512m \
--num-executors 2 \
/home/spark/TestFirst/spark_test/script_demo/spark_study.jar \
hdfs://sc-master-v2:8020/tmp/spark/input.txt
运行效果
注意输入路径,不能再为本地路径输入,应改为hdfs等分布式文件系统的路径
yarn-master等于–master设置成yarn,–deploy-mode设置成master