Spark概述详解

Spark概述详解

1. spark概念

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。
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实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。

2.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。

    A.spark是基于内存的运行框架，比hadoop基于磁盘对数据的读取或者处理要快。
    
    B.spark 提供了更高级的执行引擎（DAG），支持数据流的处理与内存计算
    
    C. mapreduce它的作业都是以进程的级别进行运行。启动和运行需要一定的开销的。
      spark是基于线程模型的，也是有线程池的。
   

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。

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）。

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，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。

3.核心组件

SparkCore: 核心部分 包含Spark基本功能（任务调度 内存管理 容错机制等）

SparkSQL: Spark中交互式处理模块

SparkStreaming: Spark中流式数据处理的模块

SparkMLib：Spark机器学习相关模块 => Mahout

SparkGraphX: Spark中图形计算的模块

SparkManagers：集群管理 （HadoopYARN、ApacheMesos、Spark自带的单独调度器）

4. spark与mapreduce的比较

代码繁琐
只能支持map和reduce方法
执行效率低下
不适合迭代多次、交互式、流式的处理
Spark计算的核心思路就是将数据集缓存在内存中加快读取速度，Spark的中间结果放到内存中，一次创建数据集，可以多次迭代运算，减少IO开销。适合运算比较多的ML和DL。

Hadoop MapReduce计算模型是磁盘级的计算，下图是Hadoop权威指南上很经典的一幅关于MapReduce计算过程的截图

Hadoop MapReduce将每个计算任务都划分为Map、Shuffle和Reduce三个阶段，Map的输入和输出要读写磁盘，Reduce的输入和输出也要读写磁盘，这对于通过递归迭代算法来解决的问题，如机器学习和数据挖掘，无疑在性能上产生很大的影响。

Spark内存级计算模型
Spark的DAG(有向无环图作业)，Spark实现了非常精致的作业调度系统，这是Spark的精髓所在.

5. 安装spark集群

1. 下载spark.tgz安装包，解压到安装目录

2. 进入到spark安装目录，进入conf目录并重命名并修改spark-env.sh.template文件
   修改文件：mv spark-env.sh.template spark-env.sh
   vi spark-evn.sh
   在该配置文件中添加如下配置
   export JAVA_HOME=/usr/java/jdk1.7.0_45
   export SPARK_MASTER_IP=master
   export SPARK_MASTER_PORT=7077
   保存退出

3. 重命名并修改slaves.template文件 mv slaves.template slaves
   在该文件中添加子节点所在的位置（Worker节点）vi slaves
   slave1
   slave2
   slave3
   保存退出,将配置好的Spark拷贝到其他节点上

4. Spark集群配置完毕，目前是1个Master，3个Work，在master上启动Spark集群
   启动：/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://master:8080/

5. spark 本地模式运行 : bin/spark-shell --master local[2]

6. 编译spark源码的两种方式

maven编译：
./build/mvn -Pyarn -Phadoop-2.4 -Dhadoop.version=2.4.0 -Phive -Phive-thriftserver -DskipTests clean package

make-distribution编译：
./dev/make-distribution.sh --name custom-spark --tgz -Psparkr -Phadoop-2.4 -Phive -Phive-thriftserver -Pmesos -Pyarn

6. spark shell

1. 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。
2. 启动spark shell
   /usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-shell
   
   –master spark://master:7077 \指定Master的地址
   –executor-memory 2g \指定每个worker可用内存为2G
   –total-executor-cores 2 \指定整个集群使用的cup核数为2个
3. 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. 执行spark程序
   /usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-submit
   
   –class org.apache.spark.examples.SparkPi
   
   –master spark://master: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

7.总结