大数据-spark概述

1.  Spark概述

1.1.   什么是Spark（官网：http://spark.apache.org）

Spark是一种快速、通用、可扩展的大数据分析引擎。目前，Spark生态系统已经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。

1.2.   为什么要学Spark

中间结果输出： 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。

1.3.  Spark特点

1.3.1.  快

DAG（计算路径的有向无环图）执行引擎，可以通过基于内存来高效处理数据流。

1.3.2.  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。

1.3.3.  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（SparkSQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。

2.  Spark集群安装

2.1.  安装

2.1.1.   机器部署

准备两台以上Linux服务器，安装好JDK

2.1.2.  下载Spark安装包

上传spark-安装包到Linux上

解压安装包到指定位置

tar -zxvf spark-2.1.0-bin-hadoop2.6.tgz -C/usr/local

2.1.3.  配置Spark

进入到Spark安装目录

cd /usr/local/spark-2.1.0-bin-hadoop2.6

进入conf目录并重命名并修改spark-env.sh.template文件

cd conf/

mv spark-env.sh.template spark-env.sh

vi spark-env.sh

在该配置文件中添加如下配置

export JAVA_HOME=/usr/java/jdk1.8.0_111

export SPARK_MASTER_IP=node1.edu360.cn

export SPARK_MASTER_PORT=7077

保存退出

重命名并修改slaves.template文件

mv slaves.template slaves

vi slaves

在该文件中添加子节点所在的位置（Worker节点）

node2.edu360.cn

node3.edu360.cn

node4.edu360.cn

保存退出

将配置好的Spark拷贝到其他节点上

scp -r spark-2.1.0-bin-hadoop2.6/node2.edu360.cn:/usr/local/

scp -r spark-2.1.0-bin-hadoop2.6/node3.edu360.cn:/usr/local/

scp -r spark-2.1.0-bin-hadoop2.6/node4.edu360.cn:/usr/local/

Spark集群配置完毕，目前是1个Master，3个Work，在node1.edu360.cn上启动Spark集群

/usr/local/spark-2.1.0-bin-hadoop2.6/sbin/start-all.sh

启动后执行jps命令，主节点上有Master进程，其他子节点上有Work进行，登录Spark管理界面查看集群状态（主节点）：http://node1.edu360.cn:8080/

到此为止，Spark集群安装完毕，但是有一个很大的问题，那就是Master节点存在单点故障，要解决此问题，就要借助zookeeper，并且启动至少两个Master节点来实现高可靠，配置方式比较简单：

Spark集群规划：node1，node2是Master；node3，node4，node5是Worker

安装配置zk集群，并启动zk集群

停止spark所有服务，修改配置文件spark-env.sh，在该配置文件中删掉SPARK_MASTER_IP并添加如下配置

exportSPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER-Dspark.deploy.zookeeper.url=zk1,zk2,zk3-Dspark.deploy.zookeeper.dir=/spark"

1.在node1节点上修改slaves配置文件内容指定worker节点

2.在node1上执行sbin/start-all.sh脚本，然后在node2上执行sbin/start-master.sh启动第二个Master

3.  执行Spark程序

3.1.  执行第一个spark程序

/usr/local/spark-2.1.0-bin-hadoop2.6/bin/spark-submit\

--class org.apache.spark.examples.SparkPi \

--master spark://node1.edu360.cn:7077 \

--executor-memory 1G \

--total-executor-cores 2 \

/usr/local/spark-2.1.0-bin-hadoop2.6/lib/spark-examples-2.1.0-hadoop2.6.0.jar\

100

该算法是利用蒙特·卡罗算法求PI

3.2.  启动Spark Shell

spark-shell是Spark自带的交互式Shell程序，方便用户进行交互式编程，用户可以在该命令行下用scala编写spark程序。

3.2.1.  启动spark shell

/usr/local/spark-2.1.0-bin-hadoop2.6/bin/spark-shell\

--master spark://node1.edu360.cn:7077 \

--executor-memory 2g \

--total-executor-cores 2

参数说明：

--masterspark://node1.edu360.cn:7077 指定Master的地址

--executor-memory 2g 指定每个worker可用内存为2G

--total-executor-cores 2 指定整个集群使用的cup核数为2个

注意：

如果启动spark shell时没有指定master地址，但是也可以正常启动spark shell和执行spark shell中的程序，其实是启动了spark的local模式，该模式仅在本机启动一个进程，没有与集群建立联系。

Spark Shell中已经默认将SparkContext类初始化为对象sc。用户代码如果需要用到，则直接应用sc即可

3.2.2.  在spark shell中编写WordCount程序

1.首先启动hdfs

2.向hdfs上传一个文件到hdfs://node1.edu360.cn:9000/words.txt

3.在spark shell中用scala语言编写spark程序

sc.textFile("hdfs://node1.edu360.cn:9000/words.txt").flatMap(_.split(""))

.map((_,1)).reduceByKey(_+_).saveAsTextFile("hdfs://node1.edu360.cn:9000/out")

 

4.使用hdfs命令查看结果

hdfs dfs -ls hdfs://node1.edu360.cn:9000/out/p*

说明：

sc是SparkContext对象，该对象时提交spark程序的入口

textFile(hdfs://node1.edu360.cn:9000/words.txt)是hdfs中读取数据

flatMap(_.split(" "))先map在压平

map((_,1))将单词和1构成元组

reduceByKey(_+_)按照key进行reduce，并将value累加

saveAsTextFile("hdfs://node1.edu360.cn:9000/out")将结果写入到hdfs中

3.3.  在IDEA中编写WordCount程序

spark shell仅在测试和验证我们的程序时使用的较多，在生产环境中，通常会在IDE中编制程序，然后打成jar包，然后提交到集群，最常用的是创建一个Maven项目，利用Maven来管理jar包的依赖。

1.创建一个项目

2.选择Maven项目，然后点击next

3.填写maven的GAV，然后点击next

4.填写项目名称，然后点击finish

5.创建好maven项目后，点击Enable Auto-Import

6.配置Maven的pom.xml

<properties>     <maven.compiler.source>1.8</maven.compiler.source>     <maven.compiler.target>1.8</maven.compiler.target>     <scala.version>2.11.8</scala.version>     <spark.version>2.2.0</spark.version>     <hadoop.version>2.8.0</hadoop.version>     <encoding>UTF-8</encoding> </properties> <dependencies>     <!-- 导入scala的依赖-->     <dependency>         <groupId>org.scala-lang</groupId>         <artifactId>scala-library</artifactId>         <version>${scala.version}</version>     </dependency>     <!-- 导入spark的依赖-->     <dependency>         <groupId>org.apache.spark</groupId>         <artifactId>spark-core_2.11</artifactId>         <version>${spark.version}</version>     </dependency>     <!-- 指定hadoop-client API的版本-->     <dependency>         <groupId>org.apache.hadoop</groupId>         <artifactId>hadoop-client</artifactId>         <version>${hadoop.version}</version>     </dependency> </dependencies> <build>     <pluginManagement>         <plugins>             <!-- 编译scala的插件-->             <plugin>                 <groupId>net.alchim31.maven</groupId>                 <artifactId>scala-maven-plugin</artifactId>                 <version>3.2.2</version>             </plugin>             <!-- 编译java的插件-->             <plugin>                 <groupId>org.apache.maven.plugins</groupId>                 <artifactId>maven-compiler-plugin</artifactId>                 <version>3.5.1</version>             </plugin>         </plugins>     </pluginManagement>     <plugins>         <plugin>             <groupId>net.alchim31.maven</groupId>             <artifactId>scala-maven-plugin</artifactId>             <executions>                 <execution>                     <id>scala-compile-first</id>                     <phase>process-resources</phase>                     <goals>                         <goal>add-source</goal>                         <goal>compile</goal>                     </goals>                 </execution>                 <execution>                     <id>scala-test-compile</id>                     <phase>process-test-resources</phase>                     <goals>                         <goal>testCompile</goal>                     </goals>                 </execution>             </executions>         </plugin>         <plugin>             <groupId>org.apache.maven.plugins</groupId>             <artifactId>maven-compiler-plugin</artifactId>             <executions>                 <execution>                     <phase>compile</phase>                     <goals>                         <goal>compile</goal>                     </goals>                 </execution>             </executions>         </plugin>         <!-- 打jar插件-->         <plugin>             <groupId>org.apache.maven.plugins</groupId>             <artifactId>maven-shade-plugin</artifactId>             <version>2.4.3</version>             <executions>                 <execution>                     <phase>package</phase>                     <goals>                         <goal>shade</goal>                     </goals>                     <configuration>                         <filters>                             <filter>                                 <artifact>*:*</artifact>                                 <excludes>                                     <exclude>META-INF/*.SF</exclude>                                     <exclude>META-INF/*.DSA</exclude>                                     <exclude>META-INF/*.RSA</exclude>                                 </excludes>                             </filter>                         </filters>                     </configuration>                 </execution>             </executions>         </plugin>     </plugins> </build>

 

7.新建一个scala class，类型为Object

  

8.编写spark程序

val conf =new SparkConf().setAppName("WordCount").setMaster("local[4]") //sparkContext是spark程序执行的入口 val sc =new SparkContext(conf) //使用SparkContext创建RDD //告诉spark以后从哪里读取数据（不会立即读取数据，是lazy） //sc.textFile(args(0)).flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).sortBy(_._2, false).saveAsTextFile(args(1)) val lines: RDD[String] = sc.textFile(args(0)) //切分压平数据 val words: RDD[String] = lines.flatMap(_.split(" ")) //将单词和一组合在一起 val wordAndOne: RDD[(String, Int)] = words.map((_,1)) //按key进行聚合 val reduced: RDD[(String, Int)] = wordAndOne.reduceByKey(_+_) //排序 val sorted: RDD[(String, Int)] = reduced.sortBy(_._2,false) //产生结果（将数据保存到hdfs中） sorted.saveAsTextFile(args(1)) //释放资源 sc.stop() 9.

 

10.使用Maven打包：首先修改pom.xml中的main class

点击idea右侧的MavenProject选项

点击Lifecycle,选择clean和package，然后点击Run Maven Build

11.选择编译成功的jar包，并将该jar上传到Spark集群中的某个节点上

 

12.首先启动hdfs和Spark集群

启动hdfs

/usr/local/hadoop-2.6.5/sbin/start-dfs.sh

启动spark

/usr/local/spark-2.1.0-bin-hadoop2.6/sbin/start-all.sh

13.使用spark-submit命令提交Spark应用（注意参数的顺序）

/usr/local/spark-2.1.0-bin-hadoop2.6/bin/spark-submit\

--class cn.itcast.spark.WordCount \

--master spark://node1.edu360.cn:7077 \

--executor-memory 2G \

--total-executor-cores 4 \

/root/spark-mvn-1.0-SNAPSHOT.jar \

hdfs://node1.edu360.cn:9000/words.txt \

hdfs://node1.edu360.cn:9000/out

查看程序执行结果

hdfs dfs -cathdfs://node1.edu360.cn:9000/out/part-00000