Spark基础解析(一)

1、 Spark概述

1.1 什么是Spark

Spark基础解析(一)_第1张图片

1.2Spark内置模块

Spark基础解析(一)_第2张图片
Spark Core:实现了Spark的基本功能,包含任务调度、内存管理、错误恢复、与存储系统交互等模块。Spark Core中还包含了对弹性分布式数据集(Resilient Distributed DataSet,简称RDD)的API定义。

Spark SQL:是Spark用来操作结构化数据的程序包。通过Spark SQL,我们可以使用 SQL或者Apache Hive版本的SQL方言(HQL)来查询数据。Spark SQL支持多种数据源,比如Hive表、Parquet以及JSON等。

Spark Streaming:是Spark提供的对实时数据进行流式计算的组件。提供了用来操作数据流的API,并且与Spark Core中的 RDD API高度对应。

Spark MLlib:提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等,还提供了模型评估、数据 导入等额外的支持功能。

集群管理器:Spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求,同时获得最大灵活性,Spark支持在各种集群管理器(Cluster Manager)上运行,包括Hadoop YARN、Apache Mesos,以及Spark自带的一个简易调度 器,叫作独立调度器。

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。

1.3 Spark特点

Spark基础解析(一)_第3张图片

2、 Spark运行模式

2.1 Spark安装地址

1.官网地址

http://spark.apache.org/

2.2 重要角色

2.2.1 Driver(驱动器)

Spark的驱动器是执行开发程序中的main方法的进程。它负责开发人员编写的用来创建SparkContext、创建RDD,以及进行RDD的转化操作和行动操作代码的执行。如果你是用spark shell,那么当你启动Spark shell的时候,系统后台自启了一个Spark驱动器程序,就是在Spark shell中预加载的一个叫作 sc的SparkContext对象。如果驱动器程序终止,那么Spark应用也就结束了。主要负责:
1)把用户程序转为任务
2)跟踪Executor的运行状况
3)为执行器节点调度任务
4)UI展示应用运行状况

2.2.2 Executor(执行器)

Spark Executor是一个工作进程,负责在 Spark 作业中运行任务,任务间相互独立。Spark 应用启动时,Executor节点被同时启动,并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃,Spark 应用也可以继续执行,会将出错节点上的任务调度到其他Executor节点上继续运行。主要负责:
1)负责运行组成 Spark 应用的任务,并将结果返回给驱动器进程;
2)通过自身的块管理器(Block Manager)为用户程序中要求缓存的RDD提供内存式存储。RDD是直接缓存在Executor进程内的,因此任务可以在运行时充分利用缓存数据加速运算。

2.3 Local模式

2.3.1 概述

Spark基础解析(一)_第4张图片

2.3.2 安装使用

1)上传并解压spark安装包
[wxn@hadoop102 sorfware]$ tar -zxvf spark-2.1.1-bin-hadoop2.7.tgz -C /opt/module/
[wxn@hadoop102 module]$ mv spark-2.1.1-bin-hadoop2.7 spark
2)官方求PI案例
[wxn@hadoop102 spark]$
(1)基本语法
bin/spark-submit
–class
–master
–deploy-mode
–conf =
… # other options

[application-arguments]
(2)参数说明:
–master 指定Master的地址,默认为Local
–class: 你的应用的启动类 (如 org.apache.spark.examples.SparkPi)
–deploy-mode: 是否发布你的驱动到worker节点(cluster) 或者作为一个本地客户端 (client) (default: client)*
–conf: 任意的Spark配置属性, 格式key=value. 如果值包含空格,可以加引号“key=value”
application-jar: 打包好的应用jar,包含依赖. 这个URL在集群中全局可见。 比如hdfs:// 共享存储系统, 如果是 file:// path, 那么所有的节点的path都包含同样的jar
application-arguments: 传给main()方法的参数
–executor-memory 1G 指定每个executor可用内存为1G
–total-executor-cores 2 指定每个executor使用的cup核数为2个

3)结果展示
该算法是利用蒙特·卡罗算法求PI
4)准备文件
[wxn@hadoop102 spark]$ mkdir input
在input下创建3个文件1.txt和2.txt,并输入以下内容
hello wxn
hello spark
5)启动spark-shell

[wxn@hadoop102 spark]$ bin/spark-shell
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
23/09/29 08:50:52 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
23/09/29 08:50:58 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException
Spark context Web UI available at http://192.168.9.102:4040
Spark context available as 'sc' (master = local[*], app id = local-1538232253312).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.1.1
      /_/
         
Using Scala version 2.11.8 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_144)
Type in expressions to have them evaluated.
Type :help for more information.

scala>

开启另一个CRD窗口
[wxn@hadoop102 spark]$ jps
3627 SparkSubmit
4047 Jps
可登录hadoop102:4040查看程序运行
Spark基础解析(一)_第5张图片
6)运行WordCount程序

scala>sc.textFile("input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3), (hive,3), (wxn,3), (hbase,6))

scala>

可登录hadoop102:4040查看程序运行
Spark基础解析(一)_第6张图片
7)WordCount程序分析
提交任务分析:
Spark基础解析(一)_第7张图片
数据流分析:
textFile(“input”):读取本地文件input文件夹数据;
flatMap(.split(" ")):压平操作,按照空格分割符将一行数据映射成一个个单词;
map((
,1)):对每一个元素操作,将单词映射为元组;
reduceByKey(+):按照key将值进行聚合,相加;
collect:将数据收集到Driver端展示。

Spark基础解析(一)_第8张图片

2.4 Standalone模式

2.4.1 概述

构建一个由Master+Slave构成的Spark集群,Spark运行在集群中。
Spark基础解析(一)_第9张图片

2.4.2 安装使用

1)进入spark安装目录下的conf文件夹
[wxn@hadoop102 module]$ cd spark/conf/
2)修改配置文件名称
[wxn@hadoop102 conf]$ mv slaves.template slaves
[wxn@hadoop102 conf]$ mv spark-env.sh.template spark-env.sh
3)修改slave文件,添加work节点:
[wxn@hadoop102 conf]$ vim slaves

hadoop102
hadoop103
hadoop104
4)修改spark-env.sh文件,添加如下配置:

[wxn@hadoop102 conf]$ vim spark-env.sh

SPARK_MASTER_HOST=hadoop102
SPARK_MASTER_PORT=7077

5)分发spark包

[wxn@hadoop102 module]$ xsync spark/

6)启动

[wxn@hadoop102 spark]$ sbin/start-all.sh
[wxn@hadoop102 spark]$ util.sh 
================wxn@hadoop102================
3330 Jps
3238 Worker
3163 Master
================wxn@hadoop103================
2966 Jps
2908 Worker
================wxn@hadoop104================
2978 Worker
3036 Jps

网页查看:hadoop102:8080
注意:如果遇到 “JAVA_HOME not set” 异常,可以在sbin目录下的spark-config.sh 文件中加入如下配置:
export JAVA_HOME=XXXX
7)官方求PI案例

[wxn@hadoop102 spark]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.11-2.1.1.jar \
100

8)启动spark shell

/opt/module/spark/bin/spark-shell \
--master spark://hadoop102:7077 \
--executor-memory 1g \
--total-executor-cores 2
参数:--master spark://hadoop102:7077指定要连接的集群的master
执行WordCount程序
scala>sc.textFile("input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3), (hive,3), (wxn,3), (hbase,6))

scala>

2.4.3 JobHistoryServer配置

1)修改spark-default.conf.template名称
[wxn@hadoop102 conf]$ mv spark-defaults.conf.template spark-defaults.conf
2)修改spark-default.conf文件,开启Log:

[wxn@hadoop102 conf]$ vi spark-defaults.conf
spark.eventLog.enabled           true
spark.eventLog.dir               hdfs://hadoop102:9000/directory

注意:HDFS上的目录需要提前存在。
3)修改spark-env.sh文件,添加如下配置:

[wxn@hadoop102 conf]$ vi spark-env.sh

export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=23080 
-Dspark.history.retainedApplications=30 
-Dspark.history.fs.logDirectory=hdfs://hadoop102:9000/directory"

参数描述:
spark.eventLog.dir:Application在运行过程中所有的信息均记录在该属性指定的路径下;
spark.history.ui.port=23080 WEBUI访问的端口号为23080
spark.history.fs.logDirectory=hdfs://hadoop102:9000/directory 配置了该属性后,在start-history-server.sh时就无需再显式的指定路径,Spark History Server页面只展示该指定路径下的信息
spark.history.retainedApplications=30指定保存Application历史记录的个数,如果超过这个值,旧的应用程序信息将被删除,这个是内存中的应用数,而不是页面上显示的应用数。
4)分发配置文件
[wxn@hadoop102 conf]$ xsync spark-defaults.conf
[wxn@hadoop102 conf]$ xsync spark-env.sh
5)启动历史服务
[wxn@hadoop102 spark]$ sbin/start-history-server.sh
6)再次执行任务

[wxn@hadoop102 spark]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.11-2.1.1.jar \
100

7)查看历史服务
hadoop102:23080

Spark基础解析(一)_第10张图片

2.4.4 HA配置

Spark基础解析(一)_第11张图片
1)zookeeper正常安装并启动
2)修改spark-env.sh文件添加如下配置:

[wxn@hadoop102 conf]$ vi spark-env.sh

注释掉如下内容:
#SPARK_MASTER_HOST=hadoop102
#SPARK_MASTER_PORT=7077
添加上如下内容:
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER 
-Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104 
-Dspark.deploy.zookeeper.dir=/spark"

3)分发配置文件
[wxn@hadoop102 conf]$ xsync spark-env.sh
4)在hadoop102上启动全部节点
[wxn@hadoop102 spark]$ sbin/start-all.sh
5)在hadoop103上单独启动master节点
[wxn@hadoop103 spark]$ sbin/start-master.sh
6)spark HA集群访问

/opt/module/spark/bin/spark-shell \
--master spark://hadoop102:7077,hadoop103:7077 \
--executor-memory 2g \
--total-executor-cores 2

2.5 Yarn模式

2.5.1 概述

Spark客户端直接连接Yarn,不需要额外构建Spark集群。有yarn-client和yarn-cluster两种模式,主要区别在于:Driver程序的运行节点。
yarn-client:Driver程序运行在客户端,适用于交互、调试,希望立即看到app的输出
yarn-cluster:Driver程序运行在由RM(ResourceManager)启动的AP(APPMaster)适用于生产环境。

Spark基础解析(一)_第12张图片
2.5.2 安装使用
1)修改hadoop配置文件yarn-site.xml,添加如下内容:

[wxn@hadoop102 hadoop]$ vi yarn-site.xml
        <!--是否启动一个线程检查每个任务正使用的物理内存量,如果任务超出分配值,则直接将其杀掉,默认是true -->
        
                yarn.nodemanager.pmem-check-enabled</name>
                false</value>
        </property>
        <!--是否启动一个线程检查每个任务正使用的虚拟内存量,如果任务超出分配值,则直接将其杀掉,默认是true -->
        
                yarn.nodemanager.vmem-check-enabled</name>
                false</value>
        </property>

2)修改spark-env.sh,添加如下配置:
[wxn@hadoop102 conf]$ vi spark-env.sh

YARN_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop
3)分发配置文件
[wxn@hadoop102 conf]$ xsync /opt/module/hadoop-2.7.2/etc/hadoop/yarn-site.xml
[wxn@hadoop102 conf]$ xsync spark-env.sh
4)执行一个程序(该程序分析:spark只有一份提交到yarn上能运行(因为standalone模式是一个基于Master和worker的调度工具,因为要启动Master和worker进程因此需要spark(配置文件即jar包)),当提交给yarn,yarn本身是一个集群,此时运行在yarn上只需要有一个提交任务的jar包就够了,此时不涉及到spark的任何进程,中间的driver,executor都是yarn去调度资源启动的,此时本地的jar包只是提交任务,不参与运算,计算的jar是封装好的求pi得jar包)

[wxn@hadoop102 spark]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.11-2.1.1.jar \
100

注意:在提交任务之前需启动HDFS以及YARN集群。
2.5.3 日志查看
1)修改配置文件spark-defaults.conf
添加如下内容:
spark.yarn.historyServer.address=hadoop102:23080
spark.history.ui.port=23080

2)重启spark历史服务

[wxn@hadoop102 spark]$ sbin/stop-history-server.sh 
stopping org.apache.spark.deploy.history.HistoryServer
[wxn@hadoop102 spark]$ sbin/start-history-server.sh 
starting org.apache.spark.deploy.history.HistoryServer, logging to /opt/module/spark/logs/spark-wxn-org.apache.spark.deploy.history.HistoryServer-1-hadoop102.out

3)提交任务到Yarn执行

[wxn@hadoop102 spark]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.11-2.1.1.jar \
100

Yarn模式进入shell命令窗口:[ybb@hadoop102 spark]$ bin/spark-shell --master yarn

Spark基础解析(一)_第13张图片
HistoryServer:是spark得历史日志进程 启动命令:sbin/start-history-server.sh
JobHistoryServe:是yarn的历史日志进程
启动命令:mr-jobhistory-daemon.sh start historyserver
4)Web页面查看日志

Spark基础解析(一)_第14张图片
Spark基础解析(一)_第15张图片

2.6 Mesos模式

Spark客户端直接连接Mesos;不需要额外构建Spark集群。国内应用比较少,更多的是运用yarn调度。

2.7 几种模式对比

Spark基础解析(一)_第16张图片

3、 案例实操

Spark Shell仅在测试和验证我们的程序时使用的较多,在生产环境中,通常会在IDE中编制程序,然后打成jar包,然后提交到集群,最常用的是创建一个Maven项目,利用Maven来管理jar包的依赖。

3.1 编写WordCount程序

1)创建一个Maven项目WordCount并导入依赖


    
        org.apache.spark</groupId>
        spark-core_2.11</artifactId>
        2.1.1</version>
    </dependency>
</dependencies>

        WordCount</finalName>
        

                net.alchim31.maven</groupId>
scala-maven-plugin</artifactId>
                3.2.2</version>
                
                    
                       
                          compile</goal>
                          testCompile</goal>
                       </goals>
                    </execution>
                 </executions>
            </plugin>
        </plugins>
</build>

2)编写代码

package com.wxn

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

object WordCount {

  def main(args: Array[String]): Unit = {

    //1.创建spark配置信息(补全代码快捷键:Ctrl+Alt+V)

    val sparkConf: SparkConf = new SparkConf().setAppName("WordCount")

    //2.初始化与Spark的连接
    val sc: SparkContext = new SparkContext(sparkConf)

    //3.读取文件
    val line: RDD[String] = sc.textFile(args(0))

    //4.将每一行进行切分

    val word: RDD[String] = line.flatMap(_.split(" "))

      //5.将每个单词映射成元组
    val wordToOne: RDD[(String, Int)] = word.map((_,1))

    //6.按照单词将次数累加
    val wordToCount: RDD[(String, Int)] = wordToOne.reduceByKey(_+_)

    //7.将数据保存到文件中
    wordToCount.saveAsTextFile(args(1))

    //8.关闭连接
    sc.stop()
  }

}

3)打包插件


                org.apache.maven.plugins</groupId>
                maven-assembly-plugin</artifactId>
                3.0.0</version>
                
                    
                        
                            WordCount</mainClass>
                        </manifest>
                    </archive>
                    
                        jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                
                    
                        make-assembly</id>
                        package</phase>
                        
                            single</goal>
                        </goals>
                    </execution>
                </executions>
      </plugin>

4)打包到集群测试

bin/spark-submit \
--class WordCount \
--master spark://hadoop102:7077 \
WordCount.jar \
/word.txt \
/out

Yarn模式:
bin/spark-submit 
--master yarn 
--class com.wxn.WordCount 
WordCount.jar 
/input/input 
/sparkout

查看输出数据:

3.2 本地调试

本地调试代码:

package com.wxn

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

object WordCount {

  def main(args: Array[String]): Unit = {

    //1.创建spark配置信息(补全代码快捷键:Ctrl+Alt+V)

    val sparkConf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local[*]")

    //2.初始化与Spark的连接
    val sc: SparkContext = new SparkContext(sparkConf)

    //3.读取文件
    val line: RDD[String] = sc.textFile("data/word.txt")

    //4.将每一行进行切分

    val word: RDD[String] = line.flatMap(_.split(" "))

      //5.将每个单词映射成元组
    val wordToOne: RDD[(String, Int)] = word.map((_,1))

    //6.按照单词将次数累加
    val wordToCount: RDD[(String, Int)] = wordToOne.reduceByKey(_+_)

    //7.将数据保存到文件中
    val result: Array[(String, Int)] = wordToCount.collect()

    //打印数组

    for (elem <- result) {
      println(elem)
    }

    //8.关闭连接
    sc.stop()
  }

}

Spark基础解析(一)_第17张图片
本地Spark程序调试需要使用local提交模式,即将本机当做运行环境,Master和Worker都为本机。运行时直接加断点调试即可。如下:
创建SparkConf的时候设置额外属性,表明本地执行:
val conf = new SparkConf().setAppName(“WC”).setMaster(“local[*]”)
如果本机操作系统是windows,如果在程序中使用了hadoop相关的东西,比如写入文件到HDFS,则会遇到如下异常:
Spark基础解析(一)_第18张图片
出现这个问题的原因,并不是程序的错误,而是用到了hadoop相关的服务,解决办法是将附加里面的hadoop-common-bin-2.7.3-x64.zip解压到任意目录。

在这里插入图片描述
在IDEA中配置Run Configuration,添加HADOOP_HOME变量

Spark基础解析(一)_第19张图片

下面为断点调试显示数据的操作

Spark基础解析(一)_第20张图片
总结:
(一)在使用Local模式的时候只需要启动,spark就可以,没有依赖
(二)在使用Standalone模式只需要启动spark集群就可以,也可以启动JobHistoryServer,没有依赖
(三)在使用HA模式的时候,先要启动zookeeper集群,再启动spark集群
(四)在使用yarn模式的时候,只需要在hdfs上有一份配置文件即可,hadoop103、hadoop104不需要再配置,yarn会自动分配资源和任务,因为在hdfs上hadoop102、hadoop103、hadoop104资源是共享的;启动spark前需要启动hdfs、yarn、historyServer;不需要启动zookeeper;当运行任务,指定master即可,将任务提交到yarn上运行即可。

你可能感兴趣的:(大数据之Spark,spark,大数据,分布式)