Spark大数据分析与实战笔记（第二章 Spark基础-04）

每日一句正能量

“春风十里，不如你。”
这句来自现代作家安妮宝贝的经典句子，它表达了对他人的赞美与崇拜。每个人都有着不同的闪光点和特长，在这个世界上，不必去羡慕别人的光芒，自己所拥有的价值是独一无二的。每个人都有无限的潜力和能力，只要勇敢展现自己，就能在人生舞台上绽放光彩。每天鼓励自己，相信自己，发挥自己的优点和才能，你就能成为那道独特的风景，给世界带来不一样的美好。

引言

Spark是一个用于大规模数据处理的高性能分布式计算框架。它提供了一个简单易用的编程模型和丰富的API，可以帮助我们在分布式环境中快速地进行数据处理和分析。

在开始编写自己的Spark程序之前，我们可以先尝试运行Spark官方提供的示例程序来熟悉Spark的基本用法和工作原理。

其中一个经典的官方示例是SparkPi，它通过随机生成的点来估算圆周率π的值。我们可以通过这个程序来了解如何使用Spark进行并行计算和分布式数据处理。

接下来，我们将一步步地体验运行Spark官方示例SparkPi，并观察它在分布式集群上的运行效果。通过这个过程，我们可以更好地理解Spark的运行机制和优势，为编写自己的Spark程序打下良好的基础。让我们开始吧！

章节概要

Spark是一个快速、通用、可扩展的大数据处理引擎，具有高效的内存计算能力和丰富的数据处理功能。在大数据领域中，Spark已经成为一个重要的工具和平台，被广泛应用于数据分析、机器学习、图计算等多个领域。

了解Spark的运行架构和原理，对于高效地使用和优化Spark程序非常重要。Spark的运行架构和原理涉及到数据处理模型、任务调度机制、资源管理策略等多个方面的知识。理解这些知识可以帮助我们更好地理解Spark的工作原理，从而合理地配置和管理计算资源，设计和优化Spark程序。

本章节将深入探讨Spark的运行架构与原理。首先，我们将介绍Spark的基本概念和特点，以及Spark的集群模式和运行模式。然后，我们将详细解析Spark的执行引擎Spark Core，包括其任务划分与调度机制。接着，我们将介绍Spark的数据抽象模块RDD和DataFrame/Dataset，并分析其在数据处理中的作用和原理。此外，本章节还将对Spark的资源管理器和任务调度器进行详细讨论，包括Cluster Manager和DAG调度器的工作原理和实现方式。最后，我们将通过实际的运行架构实例分析，具体了解Spark在不同的集群模式下的运行架构和工作流程。

通过学习本章节内容，读者将能够全面了解Spark的运行架构与原理，掌握Spark程序的设计和优化方法。无论是初学者还是有一定经验的开发者，通过深入学习Spark的运行架构与原理，都能够更好地利用Spark处理大数据任务，并开发出高效、可扩展的Spark应用程序。

2.4 体验第一个Spark程序

2.4.1 运行Spark官方示例SparkPi

Spark集群已经部署完毕,接下来我们使用Spark官方示例SparkPi,体验Spark集群提交任务的流程。首先进入spark目录，执行命令如下。

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop01:7077 \
--executor-memory 1G \
--total-executor-cores 1 \
examples/jars/spark-examples_2.11-2.3.2.jar \
10

上述命令参数表示含义如下:

• 1、–master spark://hadoop01:7077：指定Master的地址是hadoop01节点
• 2、–executor-memory1G：指定每个executor的可用内存为1G
• 3、–total-executor-cores 1：指定每个executor使用的CPU核心数为1个

按【回车键】提交Spark作业后，观察Spark集群管理界面，其中“Running Applications”列表表示当前Spark集群正在计算的作业，执行几秒后，刷新界面，在Completed Applications表单下，可以看到当前应用执行完毕，返回控制台查看输出信息，出现了“Pi is roughly 3.140691140691141”，说明Pi值已经被计算完毕。，如下图所示。


计算出来的结果准确是由参数（命令中最后的10）决定的，这个参数越大，准确度超高。

在高可用模式提交任务时，可能涉及多个Master,在提交任务时,需要让SparkContext指向一个Master列表 ,执行提交任务的命令如下。

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop01:7077,hadoop02:7077,hadoop03:7077 \
--executor-memory 1G \
--total-executor-cores 1 \
examples/jars/spark-examples_2.11-2.3.2.jar \
10

总结

在体验第一个Spark程序之前，确保已经安装好了Spark，并且配置环境变量和启动Spark集群。

首先，在终端中输入以下命令启动Spark集群：

sbin/start-all.sh

接着，创建一个新的Spark应用程序，命名为SparkPi，并在该应用程序中编写代码计算Pi的近似值。

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

object SparkPi {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("SparkPi")
    val sc = new SparkContext(conf)

    val slices = if (args.length > 0) args(0).toInt else 2
    val n = 100000 * slices
    val count = sc.parallelize(1 to n, slices).map { i =>
      val x = Math.random() * 2 - 1
      val y = Math.random() * 2 - 1
      if (x * x + y * y <= 1) 1 else 0
    }.reduce(_ + _)

    println("Pi is roughly " + 4.0 * count / n)

    sc.stop()
  }
}

代码解释：

1. 创建SparkConf对象，设置应用程序的名称为"SparkPi"。
2. 使用SparkConf创建SparkContext对象，该对象将作为Spark应用程序的入口点。
3. 通过命令行参数获取切片的数量（默认为2），计算需要生成的随机点的总数。
4. 使用parallelize方法创建一个RDD，该RDD包含了1到n的数字，并指定了切片的数量。
5. 对每个数字进行映射操作，生成一个随机点，并判断该点是否在圆内。
6. 对所有随机点的结果进行reduce操作，得到圆内点的数量。
7. 根据公式计算Pi的近似值。
8. 打印结果并停止SparkContext。

保存代码到一个文件中，例如"SparkPi.scala"。

接下来，在终端中输入以下命令来编译和打包程序：

$SPARK_HOME/bin/spark-submit --class SparkPi --master spark://<master-url> SparkPi.jar

其中，"“是Spark集群的URL，例如"spark://localhost:7077”。

程序会开始运行，输出Pi的近似值。

最后，可以在Spark集群的Web界面上查看运行日志和结果。

通过体验第一个Spark程序，我们了解了Spark应用程序的基本结构和运行方式。可以进一步学习和探索更复杂的Spark程序，以及使用Spark的其他功能和API。

转载自：https://blog.csdn.net/u014727709/article/details/132240278
欢迎 点赞✍评论⭐收藏，欢迎指正