Spark知识点总结
一、Spark入门基础知识
1.1、什么是Spark
Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。
1.2、Spark内置模块
a、Spark Core:包含任务调度、内存管理、错误恢复、与存储系统交互等模块,含了对弹性分布式数据集RDD的API
b、Spark SQL:Spark用来操作结构化数据的程序包
c、Spark Streaming:Spark提供对实时数据进行流式计算组件。提供数据流的API,与Spark Core中的 RDD API高度对应。
d、Spark MLlib:提供常见的机器学习功能的程序库
e、Spark GraphX:主要用于图形并行计算和图挖掘系统的组件
1.3、Spark特点
a、快:百倍于hadoop,基于内存
b、易用:支持多种语言(java、python、scala)
c、通用:Spark SQL、Spark Streaming、Spark MLlib、Spark GraphX可在同一应用无缝对接
d、兼容性:方便与其他开元产品融合,比如hadoop的Yarn
1.4、 Spark运行模式
部署Spark集群大体上分为两种模式:单机模式与集群模式
(1)**Local模式:**在本地部署单个Spark服务
(2)Standalone模式:Spark自带的任务调度模式。(国内常用)
(3)YARN模式:Spark使用Hadoop的YARN组件进行资源与任务调度。(国内常用)
(4)Mesos模式:Spark使用Mesos平台进行资源与任务的调度。
1.5、Spark的安装及配置
(1)Local模式:解压后默认
(2)Standalone模式:a、standalone-client;b、standalone-cluster:
#进入Spark的配置目录/opt/module/spark-standalone/conf修改slave文件,添加work节点
[atguigu@hadoop102 conf]$ mv slaves.template slaves
[atguigu@hadoop102 conf]$ vim slaves
hadoop102
hadoop103
hadoop104
#修改spark-env.sh文件,添加master节点
[atguigu@hadoop102 conf]$ vim spark-env.sh
SPARK_MASTER_HOST=hadoop102
SPARK_MASTER_PORT=7077
#修改spark-default.conf文件,配置日志存储路径(写),并分发
[atguigu@hadoop102 conf]$ vi spark-defaults.conf
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:8020/directory
#修改spark-env.sh文件,配置历史服务器:
[atguigu@hadoop102 conf]$ vi spark-env.sh
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory
-Dspark.history.retainedApplications=30"
[atguigu@hadoop102 conf]$ vim spark-env.sh
#若配置高可用,必须注释掉如下内容:
#SPARK_MASTER_HOST=hadoop102
#SPARK_MASTER_PORT=7077
#添加上如下内容。配置由Zookeeper管理Master,在Zookeeper节点中自动创建/spark目录,用于管理:
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104
-Dspark.deploy.zookeeper.dir=/spark"
#添加如下代码
#Zookeeper3.5的AdminServer默认端口是8080,和Spark的WebUI冲突
export SPARK_MASTER_WEBUI_PORT=8989
#分发各个节点
(3)YARN模式:
[atguigu@hadoop102 hadoop]$ vim yarn-site.xml#在Hadoop中配置yarn
<!--是否启动一个线程检查每个任务正使用的物理内存量,如果任务超出分配值,则直接将其杀掉,默认是true -->
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<!--是否启动一个线程检查每个任务正使用的虚拟内存量,如果任务超出分配值,则直接将其杀掉,默认是true -->
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
[atguigu@hadoop102 conf]$ xsync /opt/module/hadoop-3.1.3/etc/hadoop/yarn-site.xml
#保存并获取文件绝对路径
#修改/opt/module/spark-yarn/conf/spark-env.sh,添加YARN_CONF_DIR配置,保证后续运行任务的路径都变成集群路径
[atguigu@hadoop102 conf]$ mv spark-env.sh.template spark-env.sh
[atguigu@hadoop102 conf]$ vim spark-env.sh
YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop
#修改spark-default.conf文件,配置日志存储路径(写)
[atguigu@hadoop102 conf]$ vim spark-defaults.conf
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:8020/directory
#修改spark-env.sh文件,添加如下配置:
[atguigu@hadoop102 conf]$ vim spark-env.sh
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory
-Dspark.history.retainedApplications=30"
1.6、Spark运行流程
a、YarnClient
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gUCXmwsv-1607690546568)(E:\个人理解笔记\杂\spark\12.bmp)]
b、YarnCluster
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7atozmXu-1607690546571)(E:\个人理解笔记\杂\spark\22.bmp)]
1.7、Spark端口号总结
1)Spark查看当前Spark-shell运行任务情况端口号:4040
2)Spark Master内部通信服务端口号:7077 (类比于Hadoop的8020(9000)端口)
3)Spark Standalone模式Master Web端口号:8080(类比于Hadoop YARN任务运行情况查看端口号:8088)
4)Spark历史服务器端口号:18080 (类比于Hadoop历史服务器端口号:19888)
1.8、Spark代码依赖支持
<dependencies>#spark-core 版本
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.12</artifactId>
<version>3.0.0</version>
</dependency>
</dependencies>
<build>
<finalName>WordCount</finalName>
<plugins>
<plugin>
<groupId>net.alchim31.maven</groupId>#scala支持
<artifactId>scala-maven-plugin</artifactId>
<version>3.4.6</version>
<executions>
<execution>
<goals>
<goal>compile</goal>
<goal>testCompile</goal>
</goals>
</execution>
</executions>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>#打包插件
<version>3.0.0</version>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
1.9、Spark解决运行中会打印日志文件
可以在项目的resources目录中创建log4j.properties文件,文件内容如下
log4j.rootCategory=ERROR, console
log4j.appender.console=org.apache.log4j.ConsoleAppender
log4j.appender.console.target=System.err
log4j.appender.console.layout=org.apache.log4j.PatternLayout
log4j.appender.console.layout.ConversionPattern=%d{
yy/MM/dd HH:mm:ss} %p %c{
1}: %m%n
# Set the default spark-shell log level to ERROR. When running the spark-shell, the
# log level for this class is used to overwrite the root logger's log level, so that
# the user can have different defaults for the shell and regular Spark apps.
log4j.logger.org.apache.spark.repl.Main=ERROR
# Settings to quiet third party logs that are too verbose
log4j.logger.org.spark_project.jetty=ERROR
log4j.logger.org.spark_project.jetty.util.component.AbstractLifeCycle=ERROR
log4j.logger.org.apache.spark.repl.SparkIMain$exprTyper=ERROR
log4j.logger.org.apache.spark.repl.SparkILoop$SparkILoopInterpreter=ERROR
log4j.logger.org.apache.parquet=ERROR
log4j.logger.parquet=ERROR
# SPARK-9183: Settings to avoid annoying messages when looking up nonexistent UDFs in SparkSQL with Hive support
log4j.logger.org.apache.hadoop.hive.metastore.RetryingHMSHandler=FATAL
log4j.logger.org.apache.hadoop.hive.ql.exec.FunctionRegistry=ERROR
1.10、Spark提交任务重点参数解析
a、–class:运行程序主类
b、–executor-cores:executor内核数,默认1,建议2-5
c、–num-executors:启动executors的数量,默认2
d、executor-memory:executor内存大小,默认1G
e、driver-cores:driver使用内核数,默认1
f、driver-memory:driver内存大小,默认512
二、SparkCore
2.1、什么是RDD及,RDD的五大特点
RDD(Resilient Distributed Dataset)叫做弹性分布式数据集;
a、一组分区:数据集的基本组成单位,标记数据所属哪个分区;
b、一个计算:计算每个分区的函数
c、RDD之间依赖关系
d、一个partitioner,RDD的分片函数:控制分区数据流向(键值对)
e、一个列表:移动数据不如移动计算,存储partitioner优先位置
2.2、 RDD的创建
RDD的创建分为三种:
a、从集合中创建RDD:parallelize、makeRDD
//使用parallelize()创建rdd
val rdd: RDD[Int] = sc.parallelize(Array(1, 2