大数据Spark--入门

Spark 概述

Spark 所需资料
链接：https://pan.baidu.com/s/12iaW68vriL6i-xI1kmr0_g?pwd=m4zc
提取码：m4zc

Spark 是什么

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。

Spark and Hadoop

• 首先从时间节点上来看:
  • Hadoop
    • 2006年1月，Doug Cutting加入Yahoo，领导Hadoop的开发
    • 2008年1月，Hadoop成为Apache顶级项目
    • 2011年1.0正式发布
    • 2012年3月稳定版发布
    • 2013年10月发布2.X (Yarn)版本
  • Spark
    • 2009年，Spark诞生于伯克利大学的AMPLab实验室
    • 2010年，伯克利大学正式开源了Spark项目
    • 2013年6月，Spark成为了Apache基金会下的项目
    • 2014年2月，Spark以飞快的速度成为了Apache的顶级项目
    • 2015年至今，Spark变得愈发火爆，大量的国内公司开始重点部署或者使用Spark
• 从功能上看：
  • Hadoop
    • Hadoop是由java语言编写的，在分布式服务器集群上存储海量数据并运行分布式
      分析应用的开源框架
    • 作为Hadoop 分布式文件系统，HDFS处于Hadoop生态圈的最下层，存储着所有
      的数据，支持着 Hadoop 的所有服务。它的理论基础源于 Google 的TheGoogleFileSystem 这篇论文，它是GFS的开源实现。
    • MapReduce 是一种编程模型，Hadoop根据Google的MapReduce 论文将其实现，
      作为Hadoop 的分布式计算模型，是Hadoop的核心。基于这个框架，分布式并行
      程序的编写变得异常简单。综合了HDFS的分布式存储和MapReduce的分布式计
      算，Hadoop在处理海量数据时，性能横向扩展变得非常容易。
    • HBase是对Google 的Bigtable 的开源实现，但又和Bigtable 存在许多不同之处。
      HBase 是一个基于HDFS的分布式数据库，擅长实时地随机读/写超大规模数据集。
      它也是Hadoop非常重要的组件。
  • Spark
    • Spark是一种由Scala语言开发的快速、通用、可扩展的大数据分析引擎
    • Spark Core 中提供了Spark最基础与最核心的功能
    • Spark SQL是Spark用来操作结构化数据的组件。通过Spark SQL，用户可以使用
      SQL 或者Apache Hive 版本的SQL方言（HQL）来查询数据。
    • Spark Streaming 是 Spark 平台上针对实时数据进行流式计算的组件，提供了丰富的
      处理数据流的API。

Spark and Hadoop

• Hadoop MapReduce 由于其设计初衷并不是为了满足循环迭代式数据流处理，因此在多
  并行运行的数据可复用场景（如：机器学习、图挖掘算法、交互式数据挖掘算法）中存
  在诸多计算效率等问题。所以Spark应运而生，Spark就是在传统的MapReduce 计算框
  架的基础上，利用其计算过程的优化，从而大大加快了数据分析、挖掘的运行和读写速
  度，并将计算单元缩小到更适合并行计算和重复使用的RDD计算模型。
• 机器学习中 ALS、凸优化梯度下降等。这些都需要基于数据集或者数据集的衍生数据
  反复查询反复操作。MR这种模式不太合适，即使多MR串行处理，性能和时间也是一
  个问题。数据的共享依赖于磁盘。另外一种是交互式数据挖掘，MR 显然不擅长。而
  Spark 所基于的scala语言恰恰擅长函数的处理。
• Spark 是一个分布式数据快速分析项目。它的核心技术是弹性分布式数据集（Resilient
  Distributed Datasets），提供了比 MapReduce 丰富的模型，可以快速在内存中对数据集
  进行多次迭代，来支持复杂的数据挖掘算法和图形计算算法。
• Spark和Hadoop的根本差异是多个作业之间的数据通信问题 : Spark多个作业之间数据
  通信是基于内存，而Hadoop是基于磁盘。
• Spark Task 的启动时间快。Spark采用fork线程的方式，而Hadoop采用创建新的进程
  的方式。
• Spark只有在shuffle的时候将数据写入磁盘，而Hadoop中多个MR作业之间的数据交
  互都要依赖于磁盘交互
• Spark的缓存机制比HDFS的缓存机制高效。

Spark 核心模块

• Spark Core
  Spark Core 中提供了 Spark 最基础与最核心的功能，Spark其他的功能如：Spark SQL，Spark Streaming，GraphX, MLlib 都是在 Spark Core 的基础上进行扩展的
• Spark SQL
  Spark SQL 是 Spark 用来操作结构化数据的组件。通过Spark SQL，用户可以使用SQL或者Apache Hive 版本的SQL方言（HQL）来查询数据。
• Spark Streaming
  Spark Streaming 是 Spark 平台上针对实时数据进行流式计算的组件，提供了丰富的处理数据流的API。
• Spark MLlib
  MLlib 是 Spark 提供的一个机器学习算法库。MLlib不仅提供了模型评估、数据导入等额外的功能，还提供了一些更底层的机器学习原语。
• Spark GraphX
  GraphX 是Spark 面向图计算提供的框架与算法库。

Spark 简单上手

创建Maven项目

增加 Scala 插件

Spark 由 Scala 语言开发的，所以本课件接下来的开发所使用的语言也为Scala，咱们当前使用的Spark版本为3.0.0，默认采用的Scala编译版本为2.12，所以后续开发时。我们依然采用这个版本。开发前请保证IDEA开发工具中含有Scala开发插件（在Plugins中进行下载）

增加依赖关系

<dependencies> 
	<dependency> 
		<groupId>org.apache.spark</groupId> 
		<artifactId>spark-core_2.12</artifactId> 
		<version>3.0.0</version> 
	</dependency> 
</dependencies>

WordCount

创建一个WordCount

在该项目路径下创建一个datas包，创建word.txt文件

// 创建Spark运行配置对象 
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("WordCount") 
 
// 创建Spark上下文环境对象（连接对象） 
val sc : SparkContext = new SparkContext(sparkConf) 
 
// 读取文件数据 
val fileRDD: RDD[String] = sc.textFile("datas/word.txt") 
 
// 将文件中的数据进行分词 
val wordRDD: RDD[String] = fileRDD.flatMap( _.split(" ") ) 
 
// 转换数据结构 word => (word, 1) 
val word2OneRDD: RDD[(String, Int)] = wordRDD.map((_,1)) 
 
// 将转换结构后的数据按照相同的单词进行分组聚合 
val word2CountRDD: RDD[(String, Int)] = word2OneRDD.reduceByKey(_+_) 
 
// 将数据聚合结果采集到内存中 
val word2Count: Array[(String, Int)] = word2CountRDD.collect() 
 
// 打印结果 
word2Count.foreach(println) 
 
//关闭Spark连接 
sc.stop() 

执行过程中，会产生大量的执行日志，如果为了能够更好的查看程序的执行结果，可以在项
目的resources目录中创建log4j.properties文件，并添加日志配置信息：

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 nonexistentUDFs in SparkSQL with Hive support
log4j.logger.org.apache.hadoop.hive.metastore.RetryingHMSHandler=FATAL
log4j.logger.org.apache.hadoop.hive.ql.exec.FunctionRegistry=ERROR

异常处理

如果本机操作系统是Windows，在程序中使用了Hadoop相关的东西，比如写入文件到
HDFS，则会遇到如下异常：

Failed to locate the winutils binary in the hadoop binary path

在资料找到WindowsDep查找对应的hadoop版本

在IDEA中配置Run Configuration，添加HADOOP_HOME变量