一.Spark 架构设计
- 架构设计图
二.相关术语名词解释
- RDD (Resilient Distributed DataSet)
- 弹性分布式数据集,是对数据集在spark存储和计算过程中的一种抽象。
- 是一组只读、可分区的的分布式数据集合。
- 一个RDD 包含多个分区Partition(类似于MapReduce中的InputSplit),分区是依照一定的规则的,将具有相同规则的属性的数据记录放在一起。
- 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,提供了一种划分数据的方式。
- opartition的划分依据有很多,常见的有Hash分区、范围分区等,也可以自己定义的,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
- 英文简称:Operator,简称op
- 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、变换。
- MapReduce算子,主要分为两个,即为Map和Reduce两个主要操作的算子,导致灵活可用性比较差。
- Spark算子,分为两大类,即为Transformation和Action类,合计有80多个。
- Transformation类算子
- 操作是延迟计算的,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Transfromation算子
- 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。
- Driver
- 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。
- Executor
- Application运行在Worker节点上的一个进程,该进程负责运行Task,并且负责将数据存在内存或者磁盘上,每个Application都有各自独立专享的一批Executor。
- Executor即为spark概念的资源容器,类比于yarn的container容器,真正承载Task的运行与管理,以多线程的方式运行Task,更加高效快速。
- 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
三.saprk运行模式
四.spark用户的交互方式
最主要使用的是spark-shell,spark-submit,spark-sql
- spark-shell:spark命令行方式来操作spark作业。
- 多用于简单的学习、测试、简易作业操作。
- spark-submit:通过程序脚本,提交相关的代码、依赖等来操作spark作业。
- 最多见的提交任务的交互方式,简单易用、参数齐全。
- spark-sql:通过sql的方式操作spark作业。
- sql相关的学习、测试、生产环境研发均可以使用该直接操作交互方式。
- 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。
- 直接使用较少
- sparkR,sparkPython:通过其它非java、非scala语言直接操作spark作业的方式。
- R、python语言使用者的交互方式。
五.spark-shell
- 启动方式
- 前置环境:已将spark-shell等交互式脚本已加入系统PATH变量,可在任意位置使用。
- 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]
- 示例
# 启动
spark-shell --master local[2]
# 构建一个列表并输出
scala> var list = List(1,2,3,4)
list: List[Int] = List(1, 2, 3, 4)
scala> list.foreach(println)
1
2
3
4
# 通过scala list构建一个rdd,并进行基本操作
scala> var listRDD = sc.parallelize(List(1,2,3,4))
listRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:24
scala> listRDD.count
res2: Long = 4
scala> listRDD.first
res3: Int = 1
# 通过本地文件构建RDD
scala> var localFileRDD = sc.textFile("file:///home/job018/fujunhua/data/a.txt")
localFileRDD: org.apache.spark.rdd.RDD[String] = file:///home/job018/fujunhua/data/a.txt MapPartitionsRDD[2] at textFile at <console>:24
# 通过hdfs文件构建RDD
scala> var hdfsFileRDD = sc.textFile("hdfs:///user/fujunhua/data/a.txt")
hdfsFileRDD: org.apache.spark.rdd.RDD[String] = hdfs:///user/fujunhua/data/a.txt MapPartitionsRDD[4] at textFile at <console>:24
# 对rdd进行字符串过滤操作
scala> localFileRDD.filter(x=>x=="tom").foreach(println)
tom
# 求最大值
scala> listRDD.reduce((a,b)=>if(a>b) a else b)
res5: Int = 4
# 对输入进行wodcount计算-无排序
scala> var rdd1 = sc.parallelize(List("a","b","c","a","c"))
rdd1: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[6] at parallelize at <console>:24
scala> rdd1.map(word=>(word,1)).reduceByKey((a,b)=>a+b).collect().foreach(println)
(b,1)
(a,2)
(c,2)
# 对输入进行wodcount计算-有排序(false就是降序输出)
scala> rdd1.map(word=>(word,1)).reduceByKey((a,b)=>a+b).sortBy(_._2,false).collect().foreach(println)
(a,2)
(c,2)
(b,1)
六.spark-submit
- 最常用的通过程序脚本,提交相关的代码、依赖等来操作spark作业的方式。
- 启动方式
- spark-submit提交任务的模板
spark-submit \
--class <main-class> \
--master <master-url> \
--jars jar_list_by_comma \
--conf <key>=<value> \
... # other options
<application-jar> \
[application-arguments]
-
参数说明
-
关于–master取值的特别说明
七.java实现 spark wordcount
- 配置winutils.exe
- 作用
- 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
- 作用
- maven pom配置
<?xml version="1.0" encoding="UTF-8"?>
<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/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>com.antg</groupId>
<artifactId>spark-wc</artifactId>
<version>1.0-SNAPSHOT</version>
<properties>
<maven.compiler.source>8</maven.compiler.source>
<maven.compiler.target>8</maven.compiler.target>
</properties>
<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_wc</finalName>
<plugins>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>2.3.2</version>
<configuration>
<source>1.8</source>
<target>1.8</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>
- 代码
package com.antg.main;
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;
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;
/**
* @Description: java版实现 spark wc
* @Author 子兔Antg
* @Date 2021/11/18
**/
public class WordCount {
public static void main(String[] args) {
//1. 初始化 spark conf 设置app name
SparkConf conf = new SparkConf();
conf.setAppName("fjh-java-spark-wc");
conf.setMaster("local[*]");
//2. 构建spark content
JavaSparkContext jsc = new JavaSparkContext(conf);
//3. 定义输入文件
if (args == null || args.length != 1) {
System.err.println("参数错误");
System.exit(1);
}
String filePath = args[0];
//4. 构建rdd
JavaRDD<String> rdd = jsc.textFile(filePath);
//5. lines rdd -> word rdd
JavaRDD<String> wordRDD = rdd.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!!");
}
}
注意 : 如果报错类找不到,就将pom中的<scope>provided</scope>
注释掉
八.运行方式
-
本地运行
- 直接run主类即可
-
linux本地方式-local-生产环境
- mvn clean package
- 上传
- 编写shell
#! /bin/sh
# 配置成hadoop配置文件存放目录
export HADOOP_CONF_DIR=/usr/hdp/3.1.0.0-78/hadoop/conf
spark-submit \
--class com.antg.main.WordCount \
--master local \
--driver-memory 512m \
--executor-memory 512m \
--num-executors 2 \
/home/job018/fujunhua/myjar/spark_wc-jar-with-dependencies.jar \
file:///home/job018/fujunhua/data/a.txt
-
结果
-
集群方式
- 注意:这里不可以使用本地文件了,只能用hdfs文件
- yarn-client
#! /bin/sh
# 配置成hadoop配置文件存放目录
export HADOOP_CONF_DIR=/usr/hdp/3.1.0.0-78/hadoop/conf
spark-submit \
--class com.antg.main.WordCount \
--master yarn-client \
--driver-memory 512m \
--executor-memory 512m \
--num-executors 2 \
/home/job018/fujunhua/myjar/spark_wc-jar-with-dependencies.jar \
hdfs:///user/fujunhua/data/a.txt
-
结果
-
yarn-cluster
#! /bin/sh
# 配置成hadoop配置文件存放目录
export HADOOP_CONF_DIR=/usr/hdp/3.1.0.0-78/hadoop/conf
spark-submit \
--class com.antg.main.WordCount \
--master yarn-cluster \
--driver-memory 512m \
--executor-memory 512m \
--num-executors 2 \
/home/job018/fujunhua/myjar/spark_wc-jar-with-dependencies.jar \
hdfs:///user/fujunhua/data/a.txt
- 结果
-
这里的输出结果仅可以再日志中查看