spark是Apache开源社区的一个分布式计算引擎，基于内存计算，所以速度要快于hadoop.

下载

  1. 地址spark.apache.org

安装

  1. 复制一台单独的虚拟机，名c

  2. 修改其ip，192.168.56.200

  3. 修改其hostname为c，hostnamectl set-hostname c

  4. 修改/etc/hosts加入对本机的解析

  5. 重启网络服务 systemctl restart network

  6. 上传spark安装文件到root目录

  7. 解压spark到/usr/local下，将其名字修改为spark

本地运行模式

使用spark-submit提交job

  1. cd /usr/local/spark

  2. ./bin/spark-submit --class org.apache.spark.examples.SparkPi ./examples/jars/spark-examples_2.11-2.1.0.jar 10000

使用spark-shell进行交互式提交

  1. 创建root下的文本文件hello.txt

  2. ./bin/spark-shell

  3. 再次连接一个terminal，用jps观察进程，会看到spark-submit进程

  4. sc

  5. sc.textFile("/root/hello.txt")

  6. val lineRDD = sc.textFile("/root/hello.txt")

  7. lineRDD.foreach(println)

  8. 观察网页端情况

  9. val wordRDD = lineRDD.flatMap(line => line.split(" "))

  10. wordRDD.collect

  11. val wordCountRDD = wordRDD.map(word => (word,1))

  12. wordCountRDD.collect

  13. val resultRDD = wordCountRDD.reduceByKey((x,y)=>x+y)

  14. resultRDD.collect

  15. val orderedRDD = resultRDD.sortByKey(false)

  16. orderedRDD.collect

  17. orderedRDD.saveAsTextFile("/root/result")

  18. 观察结果

  19. 简便写法：sc.textFile("/root/hello.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).sortByKey().collect

使用local模式访问hdfs数据

  1. start-dfs.sh

  2. spark-shell执行：sc.textFile("hdfs://192.168.56.100:9000/hello.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).sortByKey().collect （可以把ip换成master，修改/etc/hosts）

  3. sc.textFile("hdfs://192.168.56.100:9000/hello.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).sortByKey().saveAsTextFile("hdfs://192.168.56.100:9000/output1")

spark standalone模式

  1. 在master和所有slave上解压spark

  2. 修改master上conf/slaves文件，加入slave

  3. 修改conf/spark-env.sh，export SPARK_MASTER_HOST=master

  4. 复制spark-env.sh到每一台slave

  5. cd /usr/local/spark

  6. ./sbin/start-all.sh

  7. 在c上执行：./bin/spark-shell --master spark://192.168.56.100:7077 (也可以使用配置文件)

  8. 观察http://master:8080

spark on yarn模式