Spark基本概念以及环境搭建

Spark基本概念

一、什么是Spark

Apache Spark是用于大规模数据处理的统一分析引擎。

Spark 是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。

Spark框架是基于Scala语言编写的。

二、Spark 和 Hadoop

Spark和Hadoop有什么关系？

从功能上来说：

Hadoop

• Hadoop是由java语言编写的，在分布式集群当中存储海量数据，并运行分布式应用的开源框架
• 作为 Hadoop 分布式文件系统，HDFS处于Hadoop生态圈的最下层，存储着所有的数据 ，支持着Hadoop的所有服务。它的理论基础源于Google的TheGoogleFileSystem这篇论文，它是GFS的开源实现。
• MapReduce是一种编程模型，Hadoop根据Google的MapReduce论文将其实现，作为Hadoop的分布式计算模型，是Hadoop的核心。基于这个框架，分布式并行程序的编写变得异常简单。综合了HDFS的分布式存储和MapReduce的分布式计算，Hadoop在处理海量数据时，性能横向扩展变得非常容易。
• HBase是对Google的Bigtable的开源实现，但又和Bigtable存在许多不同之处。HBase是一个基于HDFS的分布式数据库，擅长实时地随机读/写超大规模数据集。它也是Hadoop非常重要的组件。

Spark

• Spark是由Scala语言开发的快速、通用、可扩展的大数据分析引擎
• SparkCore中提供了Spark最基础与最核心的功能
• SparkSQL是Spark用来操作结构化数据的组件。通过SparkSQL，用户可以使用SQL或者ApacheHive版本的SQL方言（HQL）来查询数据。
• SparkStreaming是Spark平台上针对实时数据进行流式计算的组件，提供了丰富的处理数据流的API。

Spark 出现的时间相对较晚，主要功能主要是用于数据计算。而 Hadoop 中的HDFS、MapReduce、HBase可以分布式储存、计算。但是由于Spark主要是在内存中进行数据计算，Spark的计算速度会比MapReduce快上很多，也因为内存的问题，导致计算的不稳定。MapReduce计算虽然比较慢，但是计算的很稳定。

三、Spark核心模块

• Apache Spark (Spark Core)

  ​ Spark Core 中提供了 Spark 最基础与最核心的功能，Spark 其他的功能如：Spark SQL，Spark Streaming，GraphX，MLlib 都是在 Spark Core 的基础上进行扩展的

• Spark SQL

  ​ Spark SQL 是 Spark 用来操作结构化数据的组件。通过 Spark SQL，用户可以使用 SQL或者 Apache Hive 版本的 SQL 方言（HQL）来查询数据。

• Spark Streaming

  ​ Spark Streaming 是 Spark 平台上针对实时数据进行流式计算的组件，提供了丰富的处理数据流的 API。

• Spark MLlib

  ​ MLlib 是 Spark 提供的一个机器学习算法库。MLlib 不仅提供了模型评估、数据导入等额外的功能，还提供了一些更底层的机器学习原语。

• Spark GraphX

  ​ GraphX 是 Spark 面向图计算提供的框架与算法库。

Spark环境搭建

一、介绍

Spark的运行环境有Local模式、Standalone 模式、Yarn 模式、K8S & Mesos 模式、Windows 模式。

Standalone 模式、Yarn 模式、K8S & Mesos 模式，这三种模式就不介绍了，有兴趣的可以去官网查看。

二、Local模式和Windows 模式

Local模式

一般用于测试和教学，不适应开发，将下载好的文件，解压缩，进入解压缩后的目录中，运行bin/spark-shell，就启动了本地模式

打开UI界面，如下：

启动之后，会自动创建一个SparkContext对象sc，使用它进行WordCount

sc.textFile("data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect

可以输出WordCount。

Windows 模式

Spark支持Windows 环境运行Spark任务，以后大部分开发工作都是在这个模式下进行的，所以来进行配置一下。

要求：

• scala 2.12.11
• hadoop 2.7.1
• java 最好是1.8.0
• spark 3.0.1

将scala、hadoop、java、spark安装好，都添加到环境变量，接下来配置一下IDEA

1、首先添加scala依赖

2、创建一个maven项目，sparkProject

3、修改pom.xml，添加相关依赖

<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0modelVersion>

    <groupId>org.examplegroupId>
    <artifactId>sparkProjectTextartifactId>
    <version>1.0-SNAPSHOTversion>

    <repositories>
        <repository>
            <id>aliyunid>
            <url>http://maven.aliyun.com/nexus/content/groups/public/url>
        repository>
        <repository>
            <id>apacheid>
            <url>https://repository.apache.org/content/repositories/snapshots/url>
        repository>
        <repository>
            <id>clouderaid>
            <url>https://repository.cloudera.com/artifactory/cloudera-repos/url>
        repository>
    repositories>
    <properties>
        <maven.compiler.source>16maven.compiler.source>
        <maven.compiler.target>16maven.compiler.target>
        <encoding>UTF-8encoding>
        <maven.compiler.source>1.8maven.compiler.source>
        <maven.compiler.target>1.8maven.compiler.target>
        <scala.version>2.12.11scala.version>
        <spark.version>3.0.1spark.version>
        <hadoop.version>2.7.5hadoop.version>
    properties>

    <dependencies>
        
        <dependency>
            <groupId>org.scala-langgroupId>
            <artifactId>scala-libraryartifactId>
            <version>${scala.version}version>
        dependency>

        
        <dependency>
            <groupId>org.apache.sparkgroupId>
            <artifactId>spark-core_2.12artifactId>
            <version>${spark.version}version>
        dependency>

        
        <dependency>
            <groupId>org.apache.sparkgroupId>
            <artifactId>spark-streaming_2.12artifactId>
            <version>${spark.version}version>
        dependency>

        
        <dependency>
            <groupId>org.apache.sparkgroupId>
            <artifactId>spark-streaming-kafka-0-10_2.12artifactId>
            <version>${spark.version}version>
        dependency>

        
        <dependency>
            <groupId>org.apache.sparkgroupId>
            <artifactId>spark-sql_2.12artifactId>
            <version>${spark.version}version>
        dependency>

        
    <build>
        <sourceDirectory>src/main/scalasourceDirectory>
        <plugins>
            
            <plugin>
                <groupId>org.apache.maven.pluginsgroupId>
                <artifactId>maven-compiler-pluginartifactId>
                <version>3.5.1version>
            plugin>
            
            <plugin>
                <groupId>net.alchim31.mavengroupId>
                <artifactId>scala-maven-pluginartifactId>
                <version>3.2.2version>
                <executions>
                    <execution>
                        <goals>
                            <goal>compilegoal>
                            <goal>testCompilegoal>
                        goals>
                        <configuration>
                            <args>
                                <arg>-dependencyfilearg>
                                <arg>${project.build.directory}/.scala_dependenciesarg>
                            args>
                        configuration>
                    execution>
                executions>
            plugin>
            <plugin>
                <groupId>org.apache.maven.pluginsgroupId>
                <artifactId>maven-surefire-pluginartifactId>
                <version>2.18.1version>
                <configuration>
                    <useFile>falseuseFile>
                    <disableXmlReport>truedisableXmlReport>
                    <includes>
                        <include>**/*Test.*include>
                        <include>**/*Suite.*include>
                    includes>
                configuration>
            plugin>
            <plugin>
                <groupId>org.apache.maven.pluginsgroupId>
                <artifactId>maven-shade-pluginartifactId>
                <version>2.3version>
                <executions>
                    <execution>
                        <phase>packagephase>
                        <goals>
                            <goal>shadegoal>
                        goals>
                        <configuration>
                            <filters>
                                <filter>
                                    <artifact>*:*artifact>
                                    <excludes>
                                        <exclude>META-INF/*.SFexclude>
                                        <exclude>META-INF/*.DSAexclude>
                                        <exclude>META-INF/*.RSAexclude>
                                    excludes>
                                filter>
                            filters>
                            <transformers>
                                <transformer
                                        implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
                                    <mainClass>mainClass>
                                transformer>
                            transformers>
                        configuration>
                    execution>
                executions>
            plugin>
        plugins>
    build>

project>

4、新建一个文件夹scala

5、创建包，创建一个scala对象WordCount

import org.apache.spark.{SparkConf, SparkContext}

object WordCount {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("wc").setMaster("local[*]")
    val sc = new SparkContext(conf)

    val lines = sc.textFile("data/word.txt")

    val words = lines.flatMap(_.split(","))

    val wa = words.map((_, 1))

    val res = wa.reduceByKey(_ + _)

    res.foreach(println)

    sc.stop()
  }
}

6、运行一下，没有问题，就可以接下来的开发了