【Spark-Core】架构、部署、WC-Demo

Spark Core

一、什么是Spark？（官网：http://spark.apache.org）

1、什么是Spark？

*我的翻译：Spark是一个针对大规模数据处理的快速通用引擎。*

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，允许用户将Spark部署在大量廉价硬件之上，形成集群。Spark得到了众多大数据公司的支持，这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于凤巢、大搜索、直达号、百度大数据等业务；阿里利用GraphX构建了大规模的图计算和图挖掘系统，实现了很多生产系统的推荐算法；腾讯Spark集群达到8000台的规模，是当前已知的世界上最大的Spark集群。

2、为什么要学习Spark？

（*）Hadoop的MapReduce计算模型存在的问题：

学习过Hadoop的MapReduce的学员都知道，MapReduce的核心是Shuffle（洗牌）。在整个Shuffle的过程中，至少会产生6次的I/O。下图是我们在讲MapReduce的时候，画的Shuffle的过程。

中间结果输出：基于MapReduce的计算引擎通常会将中间结果输出到磁盘上，进行存储和容错。另外，当一些查询（如：Hive）翻译到MapReduce任务时，往往会产生多个Stage（阶段），而这些串联的Stage又依赖于底层文件系统（如HDFS）来存储每一个Stage的输出结果，而I/O的效率往往较低，从而影响了MapReduce的运行速度。

（*）Spark的最大特点：基于内存

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。

3、Spark的特点：快、易用、通用、兼容性

（*）快

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

（*）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。

（*）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。

另外Spark还可以很好的融入Hadoop的体系结构中可以直接操作HDFS，并提供Hive on Spark、Pig on Spark的框架集成Hadoop。

（*）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。

*二、Spark的体系结构与安装部署*

1、Spark集群的体系结构

*官方的一张图：*

*我自己的一张图：*

2、Spark的安装与部署

Spark的安装部署方式有以下几种模式：

l Standalone

l YARN

l Mesos

l Amazon EC2

*（*）Spark Standalone伪分布的部署*

l 配置文件：conf/spark-env.sh

export JAVA_HOME=/root/training/jdk1.7.0_75

export SPARK_MASTER_HOST=spark81

export SPARK_MASTER_PORT=7077

下面的可以不写，默认

export SPARK_WORKER_CORES=1

export SPARK_WORKER_MEMORY=1024m

l 配置文件：conf/slave

spark81

*（*）Spark Standalone全分布的部署*

l 配置文件：conf/spark-env.sh

export JAVA_HOME=/root/training/jdk1.7.0_75

export SPARK_MASTER_HOST=spark82

 export SPARK_MASTER_PORT=7077

下面的可以不写，默认

export SPARK_WORKER_CORES=1

 export SPARK_WORKER_MEMORY=1024m

l 配置文件：conf/slave

spark83

spark84

*（*）启动Spark集群：start-all.sh*

3、Spark HA的实现

*（*）基于文件系统的单点恢复*

主要用于开发或测试环境。当spark提供目录保存spark Application和worker的注册信息，并将他们的恢复状态写入该目录中，这时，一旦Master发生故障，就可以通过重新启动Master进程（sbin/start-master.sh），恢复已运行的spark Application和worker的注册信息。

基于文件系统的单点恢复，主要是在****spark-e********n.sh****里对SPARK_DAEMON_JAVA_OPTS设置

*配置参数*	*参考值*
spark.deploy.recoveryMode	设置为FILESYSTEM开启单点恢复功能，默认值：NONE
spark.deploy.recoveryDirectory	Spark 保存恢复状态的目录

参考：

export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=FILESYSTEM -Dspark.deploy.recoveryDirectory=/root/training/spark-2.1.0-bin-hadoop2.7/recovery"

​ 测试：

​ 1、在spark82上启动Spark集群

​ 2、在spark83上启动spark shell

​ *MASTER=spark://spark82:7077 spark-shell*

​ 3、在spark82上停止master

​ *stop-master.sh*

​ 4、观察spark83上的输出:

​ 5、在spark82上重启master

​ *start-master.sh*

*（*）基于Zookeeper的Standby Masters*

ZooKeeper提供了一个Leader Election机制，利用这个机制可以保证虽然集群存在多个Master，但是只有一个是Active的，其他的都是Standby。当Active的Master出现故障时，另外的一个Standby Master会被选举出来。由于集群的信息，包括Worker， Driver和Application的信息都已经持久化到ZooKeeper，因此在切换的过程中只会影响新Job的提交，对于正在进行的Job没有任何的影响。加入ZooKeeper的集群整体架构如下图所示。

*配置参数*	*参考值*
spark.deploy.recoveryMode	设置为ZOOKEEPER开启单点恢复功能，默认值：NONE
spark.deploy.zookeeper.url	ZooKeeper集群的地址
spark.deploy.zookeeper.dir	Spark信息在ZK中的保存目录，默认：/spark

l 参考：

export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=bigdata12:2181,bigdata13:2181,bigdata14:2181 -Dspark.deploy.zookeeper.dir=/spark"

l 另外：每个节点上，需要将以下两行注释掉。

l ZooKeeper中保存的信息

*三、执行Spark Demo程序*

1、执行Spark Example程序

（*）示例程序：$SPARK_HOME/examples/jars/spark-examples_2.11-2.1.0.jar

（*）所有的示例程序：$EXAMPLE_HOME/examples/src/main

有Java、Scala等等等

（*）Demo：蒙特卡罗求PI

命令：

spark-submit --master spark://spark81:7077 --class org.apache.spark.examples.SparkPi examples/jars/spark-examples_2.11-2.1.0.jar 100

2、使用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。

*（*******）启动Spark Shell：spark-shell*

也可以使用以下参数：

参数说明：

–master spark://spark81:7077 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

例如：

spark-shell --master spark://spark81:7077 --executor-memory 2g --total-executor-cores 2

*（*）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。

请注意local模式和集群模式的日志区别：

*（*******）在Spark Shell中编写WordCount程序*

程序如下：

sc.textFile("hdfs://192.168.88.111:9000/data/data.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).saveAsTextFile("hdfs://192.168.88.111:9000/output/spark/wc")

说明：

l sc是SparkContext对象，该对象时提交spark程序的入口

l textFile(“hdfs://192.168.88.111:9000/data/data.txt”)是hdfs中读取数据

l flatMap(_.split(" "))先map在压平

l map((_,1))将单词和1构成元组

l reduceByKey(+)按照key进行reduce，并将value累加

l saveAsTextFile(“hdfs://192.168.88.111:9000/output/spark/wc”)将结果写入到hdfs中

3、在IDEA中编写WordCount程序

（）需要的jar包：$SPARK_HOME/jars/.jar

（*）创建Scala Project，并创建Scala Object、或者Java Class

（*）书写源代码，并打成jar包，上传到Linux

*Scala版本***

（*）运行程序：

spark-submit --master spark://spark81:7077 --class mydemo.WordCount jars/wc.jar hdfs://192.168.88.111:9000/data/data.txt hdfs://192.168.88.111:9000/output/spark/wc1

*Java版本（直接输出在屏幕）***

（*）运行程序：

spark-submit --master spark://spark81:7077 --class mydemo.JavaWordCount jars/wc.jar hdfs://192.168.88.111:9000/data/data.txt