Spark从入门到精通一----spark简介，spark的4种部署模式--spark2.x集群搭建-standalone集群

版权声明：本文为博主原创文章，未经博主允许不得转载!!

欢迎访问:https://blog.csdn.net/qq_21439395/article/details/82778934

交流QQ: 824203453

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

spark中文官网：http://spark.apachecn.org  

Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，2010年开源，2013年6月成为Apache孵化项目，2014年2月成为Apache顶级项目。目前，Spark生态系统已经发展成为一个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。

 

1. 1. Spark和Hadoop的比较

mapreduce  读 – 处理  - 写磁盘   -  读  - 处理  - 写

spark       读  -- 处理  -- 处理   ---  （需要的时候）写磁盘 ---    - 写

Spark是在借鉴了MapReduce之上发展而来的，继承了其分布式并行计算的优点并改进了MapReduce明显的缺陷，（spark与hadoop的差异）具体如下：

首先，Spark把中间数据放到内存中，迭代运算效率高。MapReduce中计算结果需要落地，保存到磁盘上，这样势必会影响整体速度，而Spark支持DAG图的分布式并行计算的编程框架，减少了迭代过程中数据的落地，提高了处理效率。（延迟加载）

 

其次，Spark容错性高。Spark引进了弹性分布式数据集RDD (Resilient Distributed Dataset) 的抽象，它是分布在一组节点中的只读对象集合，这些集合是弹性的，如果数据集一部分丢失，则可以根据“血统”（即允许基于数据衍生过程）对它们进行重建。另外在RDD计算时可以通过CheckPoint来实现容错。

 

最后，Spark更加通用。mapreduce只提供了Map和Reduce两种操作，Spark提供的数据集操作类型有很多，大致分为：Transformations和Actions两大类。Transformations包括Map、Filter、FlatMap、Sample、GroupByKey、ReduceByKey、Union、Join、Cogroup、MapValues、Sort等多种操作类型，同时还提供Count, Actions包括Collect、Reduce、Lookup和Save等操作。

 

支持的运算平台，支持的开发语言更多。

spark 4 种开发语言：

scala,java,python,R

总结：

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. 1. Spark特点
      1. 快

与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。

1. 1. 1. 易用

Spark支持Java、Python和Scala和R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. 1. 1. 通用

一站式解决方案  离线处理    实时处理（streaming）  sql

Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。

1. 1. 1. 兼容性

Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。

 

1. spark 的部署模式：

1. local              本地模式，只要机器上有spark的安装包， 仅仅是用于测试 

不写master   -- master  local 一个线程 local[2]  local[*]  模拟使用多个线程

1. Standalone   spark自带的集群模式               --master  spark://hdp-01:7077
2. yarn               把spark任务，运行在yarn      --master yarn
3. mesos           把spark任务，运行在mesos资源调度平台上     --master mesos

1. Spark集群安装
   1. 机器准备

准备4台Linux服务器，最低要求2台

hdp-01 192.168.8.11

hdp-02 192.168.8.12

hdp-03 192.168.8.13

hdp-04 192.168.8.14

在hpd-01上安装master  主节点

在hdp-02 hdp-03 hdp-04 上安装worker   从节点

（注意： master和worker可以安装在同一台机器中）

1. 1. 集群环境准备

1，确保集群中各节点的防火墙是关闭的。

查看防火墙状态 # service iptables status 关闭防火墙 # service iptables stop 永久关闭防火墙 # chkconfig iptables off

 

2，确保主节点到各从节点的免密登录配置好了

（注意：从节点之间的免密登录无需配置）

从Master节点到worker节点的免密登录

在master机器上执行： # ssh-keygen # for i in  2 3 4; do ssh-copy-id hdp-0$i; done

 

3，在各节点上安装jdk，确保jdk1.8+ 已安装

注意：安装spark时，无需安装scala

1. 1. 下载Spark安装包

 

1. 1. 上传并解压安装包

上传spark-安装包到Linux上

解压安装包到指定位置

# tar -zxvf spark-2.2.0-bin-hadoop2.7.tgz -C apps/

Spark安装包目录结构：

bin             可执行脚本 conf           配置文件 data                    示例程序使用数据 examples       示例程序 jars                       依赖jar包 LICENSE licenses NOTICE python                  pythonAPI R                                        R语言API README.md RELEASE sbin                      集群管理命令

 

1. 1. 部署standalone集群

进入到Spark安装目录

# cd /root/apps/spark-2.2.0-bin-hadoop2.7

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

# vim spark-env.sh

在该配置文件中添加如下配置

export JAVA_HOME=自己机器的jdk安装目录 export SPARK_MASTER_HOST=自己机器中Master所在的主机名 export SPARK_MASTER_PORT=7077

 

保存退出

重命名并修改slaves.template文件

# mv slaves.template slaves

# vim slaves

思考？为什么要修改slaves配置文件

在该文件中删除localhost，并添加子节点所在的位置（Worker节点）

hdp-02 hdp-03 hdp-04

保存退出

1. 1. 安装包分发

将配置好的Spark安装文件夹 拷贝到其他节点上

单独拷贝：

# scp -r  /root/apps/spark-2.2.0-bin-hadoop2.7/ hdp-02:/root/apps/

批量拷贝：

# cd /root/apps # for i in {2..4};do scp -r spark-2.2.0-bin-hadoop2.7 hdp-0$i:$PWD  ;done

 

Spark集群配置完毕，目前是1个Master，3个Worker，在Master(hdp-01)上启动Spark集群

1. 1. 启停操作
      1. 单独启停

单独启动master和单独启动worker：

在master所在节点启动master

[root@hdp-01 sbin]# ./start-master.sh

在worker节点单独启动一个worker。必须指定master的URL

[root@hdp-02 sbin]# ./start-slave.sh spark://hdp-01:7077

单独启动master,启动众workers(在Master所在节点上执行)：

# start-master.sh

# start-slaves.sh

这里获取的是slaves配置文件中的主机名

 

单独停止：

# stop-slaves.sh

# stop-master.sh

 

1. 1. 1. 批量脚本启停

# start-all.sh

停止：

# stop-all.sh

为了能方便使用，配置一下环境变量：

export SPARK_HOME=/root/apps/spark-2.2.0-bin-hadoop2.7

配置环境变量的注意事项：

hadoop/sbin的目录和spark/sbin可能会有命令冲突：

start-all.sh stop-all.sh

解决方案：

1. 把其中一个框架的sbin从环境变量中去掉；
2. 改名  hadoop/sbin/start-all.sh   --->   start-all-hdp.sh

启动后执行jps命令，主节点上有Master进程，其他子节点上有Worker进程，

登录Spark管理界面查看集群状态（主节点）：http://hdp-01:8080/

到此为止，Spark集群安装完毕。

 

版权声明：本文为博主原创文章，未经博主允许不得转载!!

欢迎访问:https://blog.csdn.net/qq_21439395/article/details/82778934

交流QQ: 824203453