Spark 运行与配置

Spark：0.9版本

集群配置 

spark-env.sh

export JAVA_HOME=
export SPARK_MASTER_IP=
export SPARK_WORKER_CORES=
export SPARK_WORKER_INSTANCES=
export SPARK_WORKER_MEMORY= // Q1：这里的memory与SPARK_MEM有什么区别呢: 这里是说一个worker node上可以用多少内存，下面那个是说启动的Application可以用多少内存
export SPARK_MASTER_PORT=
export SPARK_JAVA_OPTS="-verbose:gc -XX:-PrintGCDetails -XX:+PrintGCTimeStamps”  //最后的参数在新版本中已经修正删除


slaves
xx.xx.xx.2
xx.xx.xx.3
xx.xx.xx.4
xx.xx.xx.5

集群启动

.../sbin/start-all.sh

如果使用HDFS的话需要启动DFS即可

/xx/hadoop-xx.yy/bin/start-dfs.sh

附上几条dfs的命令

hadoop fs -tail /xxx/xx

hadoop fs -ls /xxx/xxx

shell运行

• MASTER=local[4] ADD_JARS=code.jar ./spark-shell   //如果是集群运行最好Master的书写完整，如果是local运行，可以省略，则默认是本地一个线程执行。需要依赖的外部jar包，如果没有可以不写ADD_JARS
• MASTER=spark://host:port
• 指定executor内存：export SPARK_MEM=25g    //这句话可以加在./spark-shell 这个文件中执行，就可以省略这一步了，根据源码显示，如果这里不指定的话，默认是512M

//控制台或者代码中指定，为第一优先级，其次是配置文件中的指定，最后就是默认的512M了

代码

第一部分使用来自sogou lab的数据集 http://www.sogou.com/labs/dl/q.html

数据格式为
访问时间\t用户ID\t[查询词]\t该URL在返回结果中的排名\t用户点击的顺序号\t用户点击的URL
其中，用户ID是根据用户使用浏览器访问搜索引擎时的Cookie信息自动赋值，即同一次使用浏览器输入的不同查询对应同一个用户ID。

20111230000005 57375476989eea12893c0c3811607bcf 奇艺高清 1 1 http://www.qiyi.com/
20111230000005 66c5bb7774e31d0a22278249b26bc83a 凡人修仙传 3 1 http://www.booksky.org/BookDetail.aspx?BookID=1050804&Level=1
20111230000007 b97920521c78de70ac38e3713f524b50 本本联盟 1 1 http://www.bblianmeng.com/
20111230000008 6961d0c97fe93701fc9c0d861d096cd9 华南师范大学图书馆 1 1 http://lib.scnu.edu.cn/
20111230000008 f2f5a21c764aebde1e8afcc2871e086f 在线代理 2 1 http://proxyie.cn/
20111230000009 96994a0480e7e1edcaef67b20d8816b7 伟大导演 1 1 http://movie.douban.com/review/1128960/

val data = sc.textFile("hdfs://xxxxxxx")

data.cache //这句话要在下次action的时候才会执行

data.count //计算有多少行数据

data.map(_.split('\t')(0)).filter(_<'20111230000009').count // (0)是访问数组的语法

data.map(_.split('\t')(3)).filter(_.toInt == 1).count

data.map(_.split('\t')).filter(_(0)<'20111230000009').filter(_(4).toInt == 1).count // (0)是访问数组的语法

data.map(_.split('\t')).filter(_(0)<'20111230000009').filter(_(2).contains("baidu")).count // (0)是访问数组的语法

IDE 运行

XML中主要配置spark core包的mvn 依赖

    4.0.0

    chinahadoop
    chinahadoop
    1.0-SNAPSHOT

    
        
            Akka repository
            http://repo.akka.io/releases
        
    

    
        src/main/scala/
        src/test/scala/

        
            
                org.scala-tools
                maven-scala-plugin
                
                    
                        
                            compile
                            testCompile
                        
                    
                
                
                    2.10.3
                
            

            
                org.apache.maven.plugins
                maven-shade-plugin
                2.2
                
                    
                        package
                        
                            shade
                        
                        
                            
                                
                                    *:*
                                    
                                        META-INF/*.SF
                                        META-INF/*.DSA
                                        META-INF/*.RSA
                                    
                                
                            
                            

                                
                                    reference.conf
                                

                                
                                    
                                        cn.chinahadoop.???
                                    
                                

                            
                        
                    
                
            
        
    

    
        
            org.apache.spark
            spark-core_2.10
            0.9.0-incubating
        

        
            org.apache.hadoop
            hadoop-client
            1.2.1
        

        
            org.apache.spark
            spark-streaming_2.10
            0.9.0-incubating
        

    

Scala代码

package cn.chinahadoop.spark

import org.apache.spark.{SparkContext, SparkConf}
import scala.collection.mutable.ListBuffer
import org.apache.spark.SparkContext._

/**
 * Created by chenchao on 14-3-1.
 */
class Analysis {

}

object Analysis{

  def main(args : Array[String]){

    if(args.length != 3){
      println("Usage : java -jar code.jar dependency_jars file_location save_location")
      System.exit(0)
    }

    val jars = ListBuffer[String]()
    args(0).split(',').map(jars += _)

    val conf = new SparkConf()
    conf.setMaster("spark://server1:8888")
        .setSparkHome("/data/software/spark-0.9.0-incubating-bin-hadoop1")
        .setAppName("analysis")
        .setJars(jars)
        .set("spark.executor.memory","25g")

    val sc = new SparkContext(conf)
    val data = sc.textFile(args(1))

    data.cache

    println(data.count)

    data.filter(_.split(' ').length == 3).map(_.split(' ')(1)).map((_,1)).reduceByKey(_+_)
    .map(x => (x._2, x._1)).sortByKey(false).map( x => (x._2, x._1)).saveAsTextFile(args(2))
  }

}