spark内存计算框架(1)

1. spark是什么

• Apache Spark™ is a unified analytics engine for large-scale data processing.

• spark是针对于``大规模数据处理`的统一分析引擎

• spark是在Hadoop基础上的改进，是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架，Spark基于map reduce算法实现的分布式计算，拥有Hadoop MapReduce所具有的优点；

• 但不同于MapReduce的是Job中间输出和结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法

• spark是基于内存计算框架，计算速度非常之快，但是它仅仅只是涉及到计算，并没有涉及到数据的存储，后期需要使用spark对接外部的数据源，比如hdfs

2. spark的四大特性

2.1 速度快

• 运行速度提高100倍

• Apache Spark使用最先进的DAG调度程序，查询优化程序和物理执行引擎，实现批量和流式数据的高性能

• spark比mapreduce快的2个主要原因 :

  • 1、基于内存

    • mapreduce任务后期再计算的时候，每一个job的输出结果会落地到磁盘，后续有其他的job需要依赖于前面job的输出结果，这个时候就需要进行大量的磁盘io操作。性能就比较低
    • spark任务后期再计算的时候，job的输出结果可以保存在内存中，后续有其他的job需要依赖于前面job的输出结果，这个时候就直接从内存中获取得到，避免了磁盘io操作，性能比较高
    • spark程序在shuffle阶段产生的数据都会落地到磁盘中

  • 2、进程与线程

    • mapreduce任务以进程的方式运行在yarn集群中，比如程序中有100个MapTask，一个task就需要一个进程，这些task要运行就需要开启100个进程。

    • spark任务以线程的方式运行在进程中，比如程序中有100个MapTask，后期一个task就对应一个线程，这里就不在是进程，这些task需要运行，这里可以极端一点：只需要开启1个进程，在这个进程中启动100个线程就可以了。进程中可以启动很多个线程，而开启一个进程与开启一个线程需要的时间和调度代价是不一样。 开启一个进程需要的时间远远大于开启一个线程。

2.2 易用性

• 可以快速去编写spark程序通过java/scala/python/R/SQL等不同语言

2.3 通用性

• spark框架不在是一个简单的框架，可以把spark理解成一个生态系统，它内部是包含了很多模块，基于不同的应用场景可以选择对应的模块去使用
  • sparksql :通过sql去开发spark程序做一些离线分析
  • sparkStreaming : 主要是用来解决公司有实时计算的这种场景
  • Mlib :它封装了一些机器学习的算法库
  • Graphx :图计算

2.4 兼容性

• spark程序就是一个计算逻辑程序，这个任务要运行就需要计算资源（内存、cpu、磁盘），哪里可以给当前这个任务提供计算资源，就可以把spark程序提交到哪里去运行
  • standAlone
    • 它是spark自带的独立运行模式，整个任务的资源分配由spark集群的老大Master负责
  • yarn
    • 可以把spark程序提交到yarn中运行，整个任务的资源分配由yarn中的老大ResourceManager负责
  • mesos
    • 它也是apache开源的一个类似于yarn的资源调度平台

3. spark集群架构

• Driver

  • 它会执行客户端写好的main方法，它会构建一个名叫SparkContext对象
  • 该对象是所有spark程序的执行入口

• Application

  • 就是一个spark的应用程序，它是包含了客户端的代码和任务运行的资源信息

• ClusterManager

  • 它是给程序提供计算资源的外部服务
    • standAlone : 它是spark自带的集群模式，整个任务的资源分配由spark集群的老大Master负责
    • yarn : 可以把spark程序提交到yarn中运行，整个任务的资源分配由yarn中的老大ResourceManager负责
    • mesos : 它也是apache开源的一个类似于yarn的资源调度平台

• Master

  • 它是整个spark集群的主节点，负责任务资源的分配

• Worker

  • 它是整个spark集群的从节点，负责任务计算的节点

• Executor

  • 它是一个进程，它会在worker节点启动该进程（计算资源）

• Task

  • spark任务是以task线程的方式运行在worker节点对应的executor进程中

4. spark集群安装部署

• 事先搭建好zookeeper集群

• 1、下载安装包

  • https://archive.apache.org/dist/spark/spark-2.3.3/spark-2.3.3-bin-hadoop2.7.tgz

• 2、规划安装目录

  • /zsc/install

• 3、上传安装包到服务器

• 4、解压安装包到指定的安装目录

  • tar -zxvf spark-2.3.3-bin-hadoop2.7.tgz -C /zsc/install

• 5、重命名解压目录

  • mv spark-2.3.3-bin-hadoop2.7 spark

• 6、修改配置文件

  • 进入到spark的安装目录下对应的conf文件夹

    • vim spark-env.sh ( mv spark-env.sh.template spark-env.sh)

      #配置java的环境变量
      export JAVA_HOME=/zsc/install/jdk1.8.0_141
      #配置zk相关信息
      export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER  -Dspark.deploy.zookeeper.url=node01:2181,node02:2181,node03:2181  -Dspark.deploy.zookeeper.dir=/spark"
      

    • vim slaves ( mv slaves.template slaves)

      #指定spark集群的worker节点
      node02
      node03
      

• 7、分发安装目录到其他机器

  scp -r /zsc/install/spark node02:/zsc/install
  scp -r /zsc/install/spark node03:/zsc/install
  

• 8、修改spark环境变量

  • vim /etc/profile

    export SPARK_HOME=/zsc/install/spark
    export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
    

• 9、分发spark环境变量到其他机器

  scp /etc/profile node02:/etc
  scp /etc/profile node03:/etc
  

• 10、让所有机器的spark环境变量生效

  • 在所有节点执行 source /etc/profile

5. spark集群的启动和停止

5.1 启动

• 1、先启动zk
• 2、启动spark集群
  • 可以在任意一台服务器来执行（条件：需要任意2台机器之间实现ssh免密登录）
    • $SPARK_HOME/sbin/start-all.sh
    • 在哪里启动这个脚本，就在当前该机器启动一个Master进程
    • 整个集群的worker进程的启动由slaves文件决定
  • 后期可以在其他机器单独在启动master
    • $SPARK_HOME/sbin/start-master.sh

• 如何恢复到上一次活着master挂掉之前的状态?

  • 在高可用模式下，整个spark集群就有很多个master，其中只有一个master被zk选举成活着的master，其他的多个master都处于standby，同时把整个spark集群的元数据信息通过zk中节点进行保存
  • 后期如果活着的master挂掉。首先zk会感知到活着的master挂掉，下面开始在多个处于standby中的master进行选举，再次产生一个活着的master，这个活着的master会读取保存在zk节点中的spark集群元数据信息，恢复到上一次master的状态。整个过程在恢复的时候经历过了很多个不同的阶段，每个阶段都需要一定时间，最终恢复到上个活着的master的转态，整个恢复过程一般需要1-2分钟

• 在master的恢复阶段对任务的影响?

  • 对已经运行的任务是没有任何影响 : 由于该任务正在运行，说明它已经拿到了计算资源，这个时候就不需要master

  • 对即将要提交的任务是有影响 : 由于该任务需要有计算资源，这个时候会找活着的master去申请计算资源，由于没有一个活着的master,该任务是获取不到计算资源，也就是任务无法运行

5.2 停止

• 在处于active Master主节点执行

  • $SPARK_HOME/sbin/stop-all.sh

• 在处于standBy Master主节点执行

  • $SPARK_HOME/sbin/stop-master.sh

6. spark集群的web UI

• 当启动好spark集群之后，可以访问 : http://node01:8080
• 我们可以通过web界面观察到很多信息
  • 整个spark集群的详细信息
  • 整个spark集群总的资源信息
  • 整个spark集群已经使用的资源信息
  • 整个spark集群还剩的资源信息
  • 整个spark集群正在运行的任务信息
  • 整个spark集群已经完成的任务信息
  • 等等

7. 初识spark程序

7.1 普通模式提交 (指定活着的master地址)

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
examples/jars/spark-examples_2.11-2.3.3.jar \
10


####参数说明
--class：指定包含main方法的主类
--master：指定spark集群master地址
--executor-memory：指定任务在运行的时候需要的每一个executor内存大小
--total-executor-cores： 指定任务在运行的时候需要总的cpu核数

7.2 高可用模式提交 (集群有很多个master）

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077,node02:7077,node03:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
examples/jars/spark-examples_2.11-2.3.3.jar \
10

# spark集群中有很多个master，并不知道哪一个master是活着的master，即使你知道哪一个master是活着的master，它也有可能下一秒就挂掉，这里就可以把所有master都罗列出来:
# --master spark://node01:7077,node02:7077,node03:7077
# 后期程序会轮训整个master列表，最终找到活着的master，然后向它申请计算资源，最后运行程序

8. spark-shell使用

8.1 运行spark-shell --master local[N] 读取本地文件进行单词统计

• –master local[N]

  • local 表示程序在本地进行计算，跟spark集群目前没有任何关系
  • N 它是一个正整数，表示使用N个线程参与任务计算
  • local[N] 表示本地采用N个线程计算任务

• spark-shell --master local[2] : 默认会产生一个SparkSubmit进程

  sc.textFile("file:///home/hadoop/words.txt").flatMap(x=>x.split(" ")).map(x=>(x,1)).reduceByKey((x,y)=>x+y).collect
  
  sc.textFile("file:///home/hadoop/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
  

8.2 运行spark-shell --master local[N] 读取HDFS上文件进行单词统计

• spark整合HDFS

  • 在node01上修改配置文件
  • vim spark-env.sh

  export HADOOP_CONF_DIR=/zsc/install/hadoop-2.6.0-cdh5.14.2/etc/hadoop
  

  • 分发到其他节点

  scp spark-env.sh node02:/zsc/install/spark/conf
  scp spark-env.sh node03:/zsc/install/spark/conf
  

• spark-shell --master local[2]

  sc.textFile("/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
  
  sc.textFile("hdfs://node01:8020/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
  

8.3 运行spark-shell 指定集群中活着master 读取HDFS上文件进行单词统计

• spark-shell --master spark://node01:7077 --executor-memory 1g --total-executor-cores 4

  • –master spark://node01:7077 : 指定活着的master地址
  • –executor-memory 1g : 指定每一个executor进程的内存大小
  • –total-executor-cores 4 : 指定总的executor进程cpu核数

  sc.textFile("hdfs://node01:8020/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
  
  //实现读取hdfs上文件之后，需要把计算的结果保存到hdfs上
  sc.textFile("/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).saveAsTextFile("/out")
  

9. 使用IDEA开发spark程序

• 构建maven工程，添加pom依赖

   <dependencies>
      <dependency>
          <groupId>org.apache.sparkgroupId>
          <artifactId>spark-core_2.11artifactId>
          <version>2.3.3version>
      dependency>
  dependencies>
  
  
   <build>
          <sourceDirectory>src/main/scalasourceDirectory>
          <testSourceDirectory>src/test/scalatestSourceDirectory>
          <plugins>
              <plugin>
                  <groupId>net.alchim31.mavengroupId>
                  <artifactId>scala-maven-pluginartifactId>
                  <version>3.2.2version>
                  <executions>
                      <execution>
                          <goals>
                              <goal>compilegoal>
                              <goal>testCompilegoal>
                          goals>
                          <configuration>
                              <args>
                                  <arg>-dependencyfilearg>
                                  <arg>${project.build.directory}/.scala_dependenciesarg>
                              args>
                          configuration>
                      execution>
                  executions>
              plugin>
              <plugin>
                  <groupId>org.apache.maven.pluginsgroupId>
                  <artifactId>maven-shade-pluginartifactId>
                  <version>2.4.3version>
                  <executions>
                      <execution>
                          <phase>packagephase>
                          <goals>
                              <goal>shadegoal>
                          goals>
                          <configuration>
                              <filters>
                                  <filter>
                                      <artifact>*:*artifact>
                                      <excludes>
                                          <exclude>META-INF/*.SFexclude>
                                          <exclude>META-INF/*.DSAexclude>
                                          <exclude>META-INF/*.RSAexclude>
                                      excludes>
                                  filter>
                              filters>
                              <transformers>
                                  <transformer implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
                                      <mainClass>mainClass>
                                  transformer>
                              transformers>
                          configuration>
                      execution>
                  executions>
              plugin>
          plugins>
   build>
  

• 创建 src/main/scala 和 src/test/scala 目录
  

9.1 利用scala语言开发spark程序实现单词统计–本地运行

package com.zsc

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

//todo: 利用scala语言开发spark程序实现单词统计
object WordCount {
  def main(args: Array[String]): Unit = {
    //1、构建sparkConf对象 设置application名称和master地址
    val sparkConf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local[2]")

    //2、构建sparkContext对象,该对象非常重要，它是所有spark程序的执行入口
    // 它内部会构建  DAGScheduler和 TaskScheduler 对象
    val sc = new SparkContext(sparkConf)

    //设置日志输出级别
    sc.setLogLevel("warn")

    //3、读取数据文件
    val data: RDD[String] = sc.textFile("D:\\words.txt")

    //4、 切分每一行，获取所有单词
    val words: RDD[String] = data.flatMap(x=>x.split(" "))

    //5、每个单词计为1
    val wordAndOne: RDD[(String, Int)] = words.map(x => (x,1))

    //6、相同单词出现的1累加
    val result: RDD[(String, Int)] = wordAndOne.reduceByKey((x,y)=>x+y)

    //按照单词出现的次数降序排列  第二个参数默认是true表示升序，设置为false表示降序
    val sortedRDD: RDD[(String, Int)] = result.sortBy( x=> x._2,false)

    //7、收集数据打印
    val finalResult: Array[(String, Int)] = sortedRDD.collect()
    finalResult.foreach(println)

    //8、关闭sc
    sc.stop()
  }
}

9.2 利用scala语言开发spark程序实现单词统计–集群运行

package com.zsc;
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

//todo: 利用scala语言开发spark程序实现单词统计
object WordCountOnSpark {
  def main(args: Array[String]): Unit = {
    //1、构建sparkConf对象 设置application名称
    val sparkConf: SparkConf = new SparkConf().setAppName("WordCountOnSpark")

    //2、构建sparkContext对象,该对象非常重要，它是所有spark程序的执行入口
    // 它内部会构建  DAGScheduler和 TaskScheduler 对象
    val sc = new SparkContext(sparkConf)

    //设置日志输出级别
    sc.setLogLevel("warn")

    //3、读取数据文件
    val data: RDD[String] = sc.textFile(args(0))

    //4、 切分每一行，获取所有单词
    val words: RDD[String] = data.flatMap(x=>x.split(" "))

    //5、每个单词计为1
    val wordAndOne: RDD[(String, Int)] = words.map(x => (x,1))

    //6、相同单词出现的1累加
    val result: RDD[(String, Int)] = wordAndOne.reduceByKey((x,y)=>x+y)

    //7、把计算结果保存在hdfs上
    result.saveAsTextFile(args(1))

    //8、关闭sc
    sc.stop()
  }
}

• 打成jar包提交到集群中运行

spark-submit \
--master spark://node01:7077,node02:7077 \
--class com.kaikeba.WordCountOnSpark \
--executor-memory 1g  \
--total-executor-cores 4 \
original-spark_class01-1.0-SNAPSHOT.jar \
/words.txt  /out

9.3 利用java语言开发spark程序实现单词统计–本地运行

package com.zsc

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;

//todo: 利用java语言开发spark的单词统计程序
public class JavaWordCount {
    public static void main(String[] args) {
        //1、创建SparkConf对象
        SparkConf sparkConf = new SparkConf().setAppName("JavaWordCount").setMaster("local[2]");

        //2、构建JavaSparkContext对象
        JavaSparkContext jsc = new JavaSparkContext(sparkConf);

        //3、读取数据文件
        JavaRDD<String> data = jsc.textFile("D:\\words.txt");

        //4、切分每一行获取所有的单词   scala:  data.flatMap(x=>x.split(" "))
        JavaRDD<String> wordsJavaRDD = data.flatMap(new FlatMapFunction<String, String>() {
            public Iterator<String> call(String line) throws Exception {
                String[] words = line.split(" ");
                return Arrays.asList(words).iterator();
            }
        });

        //5、每个单词计为1    scala:  wordsJavaRDD.map(x=>(x,1))
        JavaPairRDD<String, Integer> wordAndOne = wordsJavaRDD.mapToPair(new PairFunction<String, String, Integer>() {
            public Tuple2<String, Integer> call(String word) throws Exception {
                return new Tuple2<String, Integer>(word, 1);
            }
        });

        //6、相同单词出现的1累加    scala:  wordAndOne.reduceByKey((x,y)=>x+y)
        JavaPairRDD<String, Integer> result = wordAndOne.reduceByKey(new Function2<Integer, Integer, Integer>() {
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1 + v2;
            }
        });

        //按照单词出现的次数降序 (单词，次数)  -->(次数,单词).sortByKey----> (单词，次数)
        JavaPairRDD<Integer, String> reverseJavaRDD = result.mapToPair(new PairFunction<Tuple2<String, Integer>, Integer, String>() {
            public Tuple2<Integer, String> call(Tuple2<String, Integer> t) throws Exception {
                return new Tuple2<Integer, String>(t._2, t._1);
            }
        });

        JavaPairRDD<String, Integer> sortedRDD = reverseJavaRDD.sortByKey(false).mapToPair(new PairFunction<Tuple2<Integer, String>, String, Integer>() {
            public Tuple2<String, Integer> call(Tuple2<Integer, String> t) throws Exception {
                return new Tuple2<String, Integer>(t._2, t._1);
            }
        });

        //7、收集打印
        List<Tuple2<String, Integer>> finalResult = sortedRDD.collect();

        for (Tuple2<String, Integer> t : finalResult) {
            System.out.println("单词："+t._1 +"\t次数："+t._2);
        }

        jsc.stop();
    }
}