Spark学习笔记：Spark基础

目录

 

Spark基础

1.Spark基础入门

（1）什么是Spark

（2）Spark生态圈

（3）Spark的特点与MapReduce对比

2.Spark体系结构与安装部署

（1）Spark体系结构

（2）Spark的安装与部署

（3）Spark HA的实现

3.执行Spark Demo

（1）Spark-submit

（2）Spark-shell

（3）Spark实现WordCount

（4）Spark WordCount的Java版本

（5）Spark WordCount的Scala版本

4.Spark运行机制及原理分析

---

Spark基础

1.Spark基础入门

（1）什么是Spark

Spark是用于大规模数据处理的统一分析引擎

（2）Spark生态圈

           Spark Core：内核
           Spark SQL：用于处理结构化数据的组件，类似Hive
           Spark Streaming：用于处理流式数据的组件，类似Storm
           Spark MLLib：机器学习
           Spark Graphx: 图计算

（3）Spark的特点与MapReduce对比

Spark的特点
1.基于内存，所以速度快，但同时也是缺点，因为Spark没有对内存进行管理，容易OOM（out of memory内存溢出），可以用Java Heap Dump对内存溢出问题进行分析
2.可以使用Scala、Java、Python、R等语言进行开发
3.兼容Hadoop

Spark与MapReuce对比
1.MapReduce最大的缺点，Shuffle过程中会有很多I/O开销，可以看到这里有6个地方会产生IO，而Spark只会在1和6的地方产生I/O，其他的过程都在内存中进行

2.Spark是MapReduce的替代方案，兼容Hive、HDFS、融入到Hadoop

2.Spark体系结构与安装部署

（1）Spark体系结构

1.主从架构：存在单点故障的问题，因此需要实现HA
2.Spark体系结构图

Driver Program可以理解为是客户端，而右边的可以理解为服务器端。 Cluster Manager是主节点，主节点并不负责真正任务的执行，任务的执行由Worker Node完成。
这是一张更详细的架构图

如果要搭建全分布模式，至少需要两个worker
要实现HA的话，则必须借助ZooKeeper

（2）Spark的安装与部署

Spark伪分布模式的部署

解压 tar -zxvf spark-2.2.0-bin-hadoop2.6.tgz -C ~/training/
注意：由于Hadoop和Spark的脚本有冲突，设置环境变量的时候，只能设置一个
核心配置文件:  conf/spark-env.sh
         export JAVA_HOME=/root/training/jdk1.8.0_144
         export SPARK_MASTER_HOST=bigdata111
         export SPARK_MASTER_PORT=7077      
从节点的地址：slaves文件中填入主机名即可，注意hosts文件里要有对ip的解析
启动Spark集群  sbin/start-all.sh，这里我个人是给这个文件做了一个软链接start-spark.sh，因为hadoop下的启动脚本也是start-all.sh，会有冲突
Web界面：主机名:8080

Spark全分布模式的部署

全分布式的部署与伪分布式类似，在每个节点上都解压压缩包，修改conf/spark-env.sh
在主节点上的slaves文件中填入从节点的主机名
然后在每个节点上启动集群即可

（3）Spark HA的实现

1.基于文件系统的单点恢复

适用于开发和测试环境                                                                                                                                                      
恢复目录：保存集群的运行信息                                                                                                                                               
在spark-env.sh中 增加                                                                                                                                          

export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=FILESYSTEM -Dspark.deploy.recoveryDirectory=/root/training/spark-2.2.0-bin-hadoop2.6/recovery"

如果有运行的任务，任务信息就会被写入到恢复目录下
当节点宕掉重启之后， Spark就可以从恢复目录中的文件获取之前的状态并进行恢复

2.基于zookeeper实现Standby Master

zookeeper的功能：数据同步、选举的功能、分布式锁（秒杀）
启动zookeeper，运行zkServer.sh，然后会选举出zookeeper集群的leader和follower，节点状态可以通过zkServer.sh status查看

zookeeper数据同步功能
启动zookeeper后，在随意一个节点的zkCli.sh（即zk shell）中输入create /node001 helloworld
在其他节点的shell中get /node001都可以看得见这个虚数据helloworld

zookeeper选举功能
每个zookeeper集群都会有一个leader，其他都是follower，当leader节点宕机了，其他的follower会选举出leader

zookeeper实现Standby Master
在spark-env.sh中增加

export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=bigdata112:2181,bigdata113:2181,bigdata114:2181 -Dspark.deploy.zookeeper.dir=/mysparkHA"

其中Dspark.deploy.zookeeper.url参数是zookeeper集群每个节点的地址，之前有提到zookeeper需要有三个节点以上

注释下面的两行
#export SPARK_MASTER_HOST=bigdata112
#export SPARK_MASTER_PORT=7077
配置好后在两台机器上启动spark-master，在web界面上就会发现一个是ALIVE，一个是StandBy

3.执行Spark Demo

（1）Spark-submit

Spark-submit可以提交任务到Spark集群执行，也可以提交到hadoop的yarn集群执行

这里运行了一个蒙特卡罗求圆周率的Demo，运行1000次

spark-submit --master spark://centos:7077 --class org.apache.spark.examples.SparkPi /opt/software/spark-2.2.0-bin-hadoop2.6/examples/jars/spark-examples_2.11-2.2.0.jar 1000

--master后面跟spark的地址，然后用--class指定类和jar包，以及运行次数

（2）Spark-shell

Spark-shell是Spark自带的交互式程序，方便用户进行交互式变成，用户可以在该命令行下用scala编写spark程序。
Spark-shell有两种运行模式：本地模式和集群模式
本地模式：不连接到集群，在本地直接执行Spark任务（local模式）
直接运行spark-shell

集群模式：连接到集群，在集群执行任务
集群模式下的shell将作为一个独立的Application链接到Master上
运行spark-shell --master spark://centos:7077

Spark的Web上可以看见

（3）Spark实现WordCount

Spark可以集成到HDFS，读取HDFS里的文件

先做一个测试文件data.txt，上传到HDFS上

执行WordCount

进行单步分析

可以看到一个String类型的RDD，用来存储文本信息，但这个时候并不会真正的执行

执行rdd1.collect之后，才会真正的执行，获取文本文件里的字符串，放进RDD里

flatmap_是表示rdd1里的每个元素，然后使用split方法，间隔符是空格，同样的，要执行collect才算真正执行

map((_,1))是把元素里的每个元素都映射成了(word,1)的kv对，这个语法糖等价于下面这条语句

reduceByKey方法是使用一个相关的函数来合并每个key的value的值的一个算子，前面的下划线可以理解为sum，用来迭代计算和，后面的下划线是每个kv对的value

总结：RDD就是一个集合，存在依赖关系，RDD有些方法不会触发计算，有些会触发计算

（4）Spark WordCount的Java版本

新建Java Project，名为ZSparkDemo，然后在project下新建folder，名为lib，然后把/opt/software/spark-2.2.0-bin-hadoop2.6/jars下的jar包复制到lib文件夹里

代码与注释如下

package demo;

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;

/*
 * 打包成jar包上传到集群环境后，使用spark-submit提交任务
 * spark-submit --master spark://centos:7077 --class demo.JavaWordCount /WordCount.jar hdfs://10.1.130.233:9000/input/data.txt
 */
public class JavaWordCount {

	public static void main(String[] args) {

		// 配置参数,setAppName方法指定app的名字
		// setMaster方法用以设定Master的URL，设为local就会在本地以单线程运行
		// local[4]就会在本地以4核运行，设为"spark://master:7077就会在独立集群上运行，或者不写就会默认在集群运行
		//SparkConf conf = new SparkConf().setAppName("JavaWordCount").setMaster("local");
		SparkConf conf = new SparkConf().setAppName("JavaWordCount");

		// 创建一个SparkContext对象
		JavaSparkContext sc = new JavaSparkContext(conf);

		// 指定路径，读入数据，路径可以是本地路径，也可以是HDFS上的
		// 这个方法返回的是一个Java的RDD，类型是String
		//JavaRDD datas = sc.textFile("hdfs://10.1.130.233:9000/input/data.txt");
		//这里可以不把路径写死，而是将args传入的第一个参数作为路径
		JavaRDD datas = sc.textFile(args[0]);

		// 分词
		// 这里需要实现FlatMapFunction接口，表示要对每个传入的文本所要执行的操作FlatMapFunction
		// 把U改成String，第一个String代表输入的文本，第二个String表示分词后的每个单词
		JavaRDD words = datas.flatMap(new FlatMapFunction() {

			@Override
			// line表示每一行传入的数据
			public Iterator call(String line) throws Exception {
				// 因为split完之后，返回的是一个String类型的数组，所以要用Arrays的asList方法转换成是一个List，然后才能用iterator
				return Arrays.asList(line.split(" ")).iterator();
			}

		});

		// 每个单词记一次数map((单词,1)
		// 这里需要实现PairFunction接口，PairFunction
		// String代表传入的参数，K2,V2相当于MapReduce里Map的输出(Beijing,1)，所以Key是String类型，V是Integer类型
		JavaPairRDD wordOne = words.mapToPair(new PairFunction() {

			@Override
			public Tuple2 call(String word) throws Exception {
				// Beijing --->(Beijing,1)
				return new Tuple2(word, 1);
			}

		});

		// 执行Reduce的操作，把相同单词的value做求和
		// Function2，前面两个Integer表示：两个key相同的value，最后一个Integer表示运算的结果
		JavaPairRDD count = wordOne.reduceByKey(new Function2() {

			@Override
			public Integer call(Integer a, Integer b) throws Exception {
				// TODO Auto-generated method stub
				return a + b;
			}
		});

		// 触发计算
		List> result = count.collect();

		// 输出到Console
		for (Tuple2 r : result) {
			System.out.println(r._1 + ":" + r._2);
		}

		// 停止SparkContext对象
		sc.stop();
	}

}

打包成jar包后上传到集群环境， 通过spark-submit提交到集群运行

spark-submit --master spark://centos:7077 --class demo.JavaWordCount /WordCount.jar hdfs://10.1.130.233:9000/input/data.txt

在集群上运行结果如下 

在Spark WebUI

（5）Spark WordCount的Scala版本

package demo

import org.apache.spark.SparkContext
import org.apache.spark.SparkConf

object WordCount {
  def main(args: Array[String]): Unit = {
    
    //获取Spark配置，setAppName方法用来设置app的名字，setMaster设为local则为在本地运行不提交到集群
    //val conf = new SparkConf().setAppName("WordCount").setMaster("local")
    val conf=new SparkConf().setAppName("WordCount")
    
    //获取SparkContext
    val sc = new SparkContext(conf)

    //textFile指定路径，然后做分词，转换成kv对，再reduceByKey做统计处理
    //val count=sc.textFile("hdfs://centos:9000/input/data.txt").flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
    val count=sc.textFile(args(0)).flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
    
    //将结果保存到HDFS目录下，repartition方法设定只返回一个RDD，saveAsTextFile设定结果保存的地址
    count.repartition(1).saveAsTextFile(args(1))
    
    //触发计算
    val result=count.collect()
    
    //输出结果
    result.foreach(println)
    
    //停止SparkContext对象
    sc.stop()
  }
}

 执行语句

spark-submit --master spark://centos:7077 --class demo.WordCount /WordCount.jar hdfs://centos:9000/input/data.txt hdfs://centos:9000/output/result

运行结果
 在HDFS里也可以看到生成的文件

WordCount流程分析图

4.Spark运行机制及原理分析