Spark超简单入门

  1. 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​。​

  1. 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。

  1. 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

  1. 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

1.8
1.8
UTF-8
2.10.6
2.10



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.spark spark-core_2.10 1.5.2 org.apache.spark spark-streaming_2.10 1.5.2 org.apache.hadoop hadoop-client 2.6.2 src/main/scala src/test/scala net.alchim31.maven scala-maven-plugin 3.2.0 compile testCompile -make:transitive -dependencyfile scala.version</version></dependency><dependency><groupId>org.apache.spark</groupId><artifactId>sparkcore2.10</artifactId><version>1.5.2</version></dependency><dependency><groupId>org.apache.spark</groupId><artifactId>sparkstreaming2.10</artifactId><version>1.5.2</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoopclient</artifactId><version>2.6.2</version></dependency></dependencies><build><sourceDirectory>src/main/scala</sourceDirectory><testSourceDirectory>src/test/scala</testSourceDirectory><plugins><plugin><groupId>net.alchim31.maven</groupId><artifactId>scalamavenplugin</artifactId><version>3.2.0</version><executions><execution><goals><goal>compile</goal><goal>testCompile</goal></goals><configuration><args><arg>make:transitive</arg><arg>dependencyfile</arg><arg>{project.build.directory}/.scala_dependencies






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)

你可能感兴趣的:(spark)