Spark超简单入门
- 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，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。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。
- Spark特点
2.1. 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。
2.2. 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。
2.3. 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（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。
2.4. 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，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。
- Spark集群安装
3.1. 安装
3.1.1. 机器部署
准备两台以上Linux服务器，安装好JDK1.8
3.1.2. 下载Spark安装包
http://www.apache.org/dyn/closer.lua/spark/spark-1.5.2/spark-1.5.2-bin-hadoop2.6.tgz
上传解压安装包
上传spark-1.5.2-bin-hadoop2.6.tgz安装包到Linux上
解压安装包到指定位置
tar -zxvf spark-1.5.2-bin-hadoop2.6.tgz -C /usr/local
3.1.3. 配置Spark
进入到Spark安装目录
cd /usr/local/spark-1.5.2-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
export SPARK_MASTER_IP=server1
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）
server1
server2
server3
保存退出
将配置好的Spark拷贝到其他节点上
scp -r spark-1.5.2-bin-hadoop2.6/ server2:/usr/local/
scp -r spark-1.5.2-bin-hadoop2.6/ server3:/usr/local/
Spark集群配置完毕，目前是1个Master，3个Work，在server1上启动Spark集群
/usr/local/spark-1.5.2-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://server1:8080/
高可用
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：server1，server2是Master；server3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
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=zk1,zk2,zk3 -Dspark.deploy.zookeeper.dir=/spark"
1.在server1节点上修改slaves配置文件内容指定worker节点
2.在server1上执行sbin/start-all.sh脚本，然后在server2上执行sbin/start-master.sh启动第二个Master
- 执行Spark程序
4.1. 执行第一个spark程序
/usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-submit
–class org.apache.spark.examples.SparkPi
–master spark://server1:7077
–executor-memory 1G
–total-executor-cores 2
/usr/local/spark-1.5.2-bin-hadoop2.6/lib/spark-examples-1.5.2-hadoop2.6.0.jar
100
该算法是利用蒙特·卡罗算法求PI
4.2. 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。
4.2.1. 启动spark shell
/usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-shell
–master spark://server1:7077
–executor-memory 2g
–total-executor-cores 2
参数说明：
–master spark://server1:7077 指定Master的地址
–executor-memory 2g 指定每个worker可用内存为2G。好像最好只能512m，设置了256m报无法连接错误
–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
4.2.2. 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://server1:9000/words.txt
3.在spark shell中用scala语言编写spark程序
sc.textFile(“hdfs://node1.itcast.cn:9000/words.txt”).flatMap(.split(" "))
.map((,1)).reduceByKey(+).saveAsTextFile(“hdfs://node1.itcast.cn:9000/out”)
4.使用hdfs命令查看结果
hdfs dfs -ls hdfs://server1:9000/out/p*
说明：
sc是SparkContext对象，该对象时提交spark程序的入口
textFile(hdfs://server1:9000/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://server1:9000/out”)将结果写入到hdfs中
4.3. 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。
6.配置Maven的pom.xml
4.0.0
com.xicent
myspark
1.0-SNAPSHOT
UTF-8
org.scala-lang
scala-library
s c a l a . v e r s i o n < / v e r s i o n > < / d e p e n d e n c y > < d e p e n d e n c y > < g r o u p I d > o r g . a p a c h e . s p a r k < / g r o u p I d > < a r t i f a c t I d > s p a r k − c o r e 2 . 10 < / a r t i f a c t I d > < v e r s i o n > 1.5.2 < / v e r s i o n > < / d e p e n d e n c y > < d e p e n d e n c y > < g r o u p I d > o r g . a p a c h e . s p a r k < / g r o u p I d > < a r t i f a c t I d > s p a r k − s t r e a m i n g 2 . 10 < / a r t i f a c t I d > < v e r s i o n > 1.5.2 < / v e r s i o n > < / d e p e n d e n c y > < d e p e n d e n c y > < g r o u p I d > o r g . a p a c h e . h a d o o p < / g r o u p I d > < a r t i f a c t I d > h a d o o p − c l i e n t < / a r t i f a c t I d > < v e r s i o n > 2.6.2 < / v e r s i o n > < / d e p e n d e n c y > < / d e p e n d e n c i e s > < b u i l d > < s o u r c e D i r e c t o r y > s r c / m a i n / s c a l a < / s o u r c e D i r e c t o r y > < t e s t S o u r c e D i r e c t o r y > s r c / t e s t / s c a l a < / t e s t S o u r c e D i r e c t o r y > < p l u g i n s > < p l u g i n > < g r o u p I d > n e t . a l c h i m 31. m a v e n < / g r o u p I d > < a r t i f a c t I d > s c a l a − m a v e n − p l u g i n < / a r t i f a c t I d > < v e r s i o n > 3.2.0 < / v e r s i o n > < e x e c u t i o n s > < e x e c u t i o n > < g o a l s > < g o a l > c o m p i l e < / g o a l > < g o a l > t e s t C o m p i l e < / g o a l > < / g o a l s > < c o n f i g u r a t i o n > < a r g s > < a r g > − m a k e : t r a n s i t i v e < / a r g > < a r g > − d e p e n d e n c y f i l e < / a r g > < a r g > {scala.version}
org.apache.maven.plugins
maven-surefire-plugin
2.18.1
false
true
/Test.
/Suite.
org.apache.maven.plugins
maven-shade-plugin
2.3
package
shade
:
META-INF/.SF
META-INF/.DSA
META-INF/*.RSA
cn.kris.spark.WordCount
7.将src/main/java和src/test/java分别修改成src/main/scala和src/test/scala，与pom.xml中的配置保持一致
8.新建一个scala class，类型为Object
9.编写spark程序
package wordcount
import org.apache.spark.{SparkConf, SparkContext}
object sparkwordcount {
def main(args: Array[String]): Unit = {
// 创建SparkConfig并设置AppName
val config = new SparkConf().setAppName(“WordCount”)
// 创建SparkContext，SparkContext是spark app提交的入口
val sc = new SparkContext(config)
// 使用sc创建RDD并执行相应的transformation和action。降序
sc.textFile(args(0)).flatMap(.split("\t")).map((,1)).reduceByKey(+,1).sortBy(_._2,false).saveAsTextFile(args(1))
// 停止sc，结束该任务
sc.stop()
}
}
10.使用Maven打包：首先修改pom.xml中的main class
点击idea右侧的Maven Project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-2.6.1/sbin/start-dfs.sh
启动spark
/usr/local/spark-1.5.2-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）
…/bin/spark-submit --master spark://server1:7077 --executor-memory 512m --total-executor-cores 1 --class wordcount.sparkwordcount myspark-1.0-SNAPSHOT.jar hdfs://server1:9000/spark/input/hello4.txt hdfs://server1:9000/spark/output2/wc
查看程序执行结果
hdfs dfs -cat hdfs://node1.itcast.cn:9000/out/part-00000
(hello,6)
(tom,3)
(kitty,2)
(jerry,1)