Spark3学习入门【基于Java】

Spark 是离线数据处理的一种大数据技术,和Flick相比数据处理要延后,因为Flick是实时数据处理,而Spark需要先读取数据到内存。

Spark的库是基于Scala写的,虽然Scala也是运行在jvm上的,但是Spark提供的Java  api的能力和原生api并不完全相同,据说执行效率也有微弱差异。

但是scala语法比较难,编码也不如Java规范,用的人和企业越来越少。为了更好推广和更好交接,我们也选择Java API。

  • 环境搭建
    • 官方下载
    • maven依赖进来
    • 安装hadoop
  • 小试牛刀
    • 程序运行
    • 任务提交

环境搭建

要用spark的库有两种方法:官方下载或maven依赖。

官方下载

到apache下载网站 Downloads | Apache Spark 点击链接下载

Spark3学习入门【基于Java】_第1张图片

下载后解压到某位置。比如我放在 D:\Programs\spark-3.2.0-bin-hadoop3.2,这里就是SPARK_HOME,可以加到系统的环境变量里。

里面的bin是可执行文件和脚本,jar就是Java的api包:

Spark3学习入门【基于Java】_第2张图片

里面有200+个jar,其中以spark开头的有21个。使用的时候把这个jar目录或者里面特定的jar包引入到项目即可:

Spark3学习入门【基于Java】_第3张图片

maven依赖进来

在上面的下载页面可以同时看到maven的坐标

Spark3学习入门【基于Java】_第4张图片

依赖进来

  1. <dependencies>
  2.     <dependency>
  3.         <groupId>org.apache.sparkgroupId>
  4.         <artifactId>spark-core_2.12artifactId>
  5.         <version>3.2.0version>
  6.     dependency>
  7. dependencies>

spark-core只是spark的核心和最重要的部分,但是它一般不能独立使用。它里面定义了spark的工作流程和算法,比较底层,提供给其他spark模块使用。

安装hadoop

spark不少功能都是依赖hadoop的,因为spark不提供数据存储的能力(它提供的能力是和map-reduce阶段类似的),那它读取的数据通常都是hdfs来的(当然也可以从其他路径来)。为了以后方便,可以提前安装好hadoop。

从spark下载页面可以看到,和我们这个版本搭配的hadoop是版本3.3。

Hadoop下载页面是 Apache Hadoop,下载后解压到特定目录,并添加环境变量HADOOP_HOME。

小试牛刀

  1. 通过IDEA创建一个Maven项目,引入jar包或通过maven导入: <dependencies>
  2.     <dependency>
  3.         <groupId>org.apache.sparkgroupId>
  4.         <artifactId>spark-sql_2.12artifactId>
  5.         <version>3.2.0version>
  6.     dependency>
  7. dependencies>

注意这里引入的是最常用的spark-sql包,解压目录里也能找到。sql模块提供了数据帧和数据集 DataFrame和DataSet的处理,针对的是结构化数据。

> 除了sql模块,还有streaming模块处理流式计算,MLlib处理机器学习,和处理图数据的GraphX。可能有之前就接触过spark的会说RDD,著名的弹性分布式数据集,这个已经过时了,被spark-sql取代

Spark3学习入门【基于Java】_第5张图片

编写程序:

  1. import org.apache.spark.sql.SparkSession;
  2. import org.apache.spark.sql.Dataset;
  3.  
  4. public class SimpleApp {
  5.     public static void main(String[] args) {
  6.         String logFile = "D:\\Programs\\spark-3.2.0-bin-hadoop3.2\\README.md";
  7.         SparkSession spark = SparkSession.builder().appName("Simple Application").master("local").getOrCreate();
  8.         Dataset logData = spark.read().textFile(logFile).cache();
  9. rr
  10.         String a1 = "scala";
  11.         String a2 = "Scala";
  12.         long numAs = logData.filter((org.apache.spark.api.java.function.FilterFunction) s -> s.contains(a1)).count();
  13.         long numBs = logData.filter((org.apache.spark.api.java.function.FilterFunction) s -> s.contains(a2)).count();
  14.  
  15.         System.out.println("Lines with " + a1 + ": " + numAs + ", lines with " + a2 + ": " + numBs);
  16.  
  17.         spark.stop();
  18.     }
  19. }

程序运行

执行上面的main方法就可以看到控制台打印出某个文件里有某个单词的行数。

> 这个程序经过我的改造,官方 Quick Start - Spark 3.2.0 Documentation (apache.org) 给的例子直接运行会报错,连编译都报错。另外只能使用Java8,刚开始使用的java 16总报错也修不好。

任务提交

spark运行的都是一个个任务,需要提交给spark环境。接下来我们把项目打包成jar提交给spark。

执行mvn package,就会在target目录下生成Jar包。拿到它的绝对路径

Spark3学习入门【基于Java】_第6张图片

通过SPARK_HOME\bin\spark-submit.bat来提交:

.\bin\spark-submit --class "SimpleApp" --master local[4] 绝对路径.jar

这样可以执行完并打印计数,但是我本地会报错,执行完的时候要删除零时文件删不掉

在IDEA中可以成功删掉,在cmd中用管理员也删不掉

下一步

接下来开始学习spark sql和spark streaming。

学习网站:Spark SQL and DataFrames - Spark 3.2.0 Documentation (apache.org)

学习视频:尚硅谷大数据Spark教程从入门到精通_哔哩哔哩_bilibili

你可能感兴趣的:(Spark3学习入门【基于Java】)