使用yarn安装spark集群
由于之前已经搭建好了，今天是看视频回顾下，然后做下记录。
之前已经搭建好了Yarn集群，现在在Yarn集群上搭建spark。
1、安装spark
下载源码包：
wget http://mirror.bit.edu.cn/apache/spark/spark-1.3.0/spark-1.3.0.tgz
解压：
tar zxvf spark-1.3.0.tgz
配置：
解压后进去conf文件夹
cp spark-env.sh.template spark-env.sh
修改spark-env.sh文件
export SCALA_HOME=/usr/local/src/scala-2.11.4 export JAVA_HOME=/usr/local/src/jdk1.7.0_45 export HADOOP_HOME=/usr/local/src/hadoop-2.6.1 export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop SPARK_MASTER_IP=master SPARK_LOCAL_DIRS=/usr/local/src/spark-1.6.0-bin-hadoop2.6 SPARK_DRIVER_MEMORY=1G
设置从节点：
cp slaves.template slaves
修改slaves文件
slave1
slave2
设置好之后，保持每个节点都一致，将配置文件分发到每个从节点上
scp slaves root@192.168.181.12:/usr/local/src/spark-1.6.0-bin-hadoop2.6/conf scp slaves root@192.168.181.13:/usr/local/src/spark-1.6.0-bin-hadoop2.6/conf
启动spark
在master节点执行以下命令：
./sbin/start-all.sh
判断是否起送
如果再master节点上执行jps后看到master，在slave节点上执行jps后看到work，基本上就可以判断是启动成功了。
验证spark
本地模式：
./bin/run-example SparkPi 10 --master local[2]
集群模式——standalone（独立集群）
# ./bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://master:7077 lib/spark-examples-1.6.0-hadoop2.6.0.jar 100 集群模式——yarn（与hadoop共享平台） 1）yarn-client：AM（driver）在本地启动并提交作业，更适合交互、调试的方便 2）yarn-cluster：AM（driver）在某一个NM启动并提交作业
# ./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn-cluster lib/sparkexamples-1.6.0-hadoop2.6.0.jar 10
AM：用来管理任务
RM：用来做资源分配
如何判断是哪种模式，就看任务在哪：
yarn-cluster模式：
yarn-client模式：
yarn-client模式更适合调试：
因为任务在本地跑，有一些log日志输出可以实时的在终端反馈。
在spark的app里面，是通过action来区分不同的job的
算子分为两类：action（行动算子）、transformation（转换算子）
job里面stage是通过shuffle来区分的（窄依赖、宽依赖）
stage里包含多个task（线程）
spark任务是多线程模型，Mapreduce是多进程模型
用赊账来理解：中间过程就是转换，结尾就是一个action
spark中task是线程，那么线程的启动就需要进程来实现，这个线程就是executor
一个executor包包含着线程池。
DAG是有向无环图
mapreduce为什么会慢，是因为在中间的环节数据会落地，具体就是在map阶段。
启动spark要涉及一些参数： executor-memory：每个executor内存多大 num-executors：多少个executor进程 executor-cores：每个exector进程，虚拟core cpu资源
算子分为两种： （1）Transformation（转换算子）——转换并不是触发提交，完成作业中间过程处理 延迟计算——懒惰机制 算子细分： a）一对一：map、flatmap b）多对一：union、cartesian c）多对多：groupby d）输出是否是输入子集合：filter、distinct e）cache类：cache、persist（cache是persist中的一种特殊形式）
f）聚集： reduceByKey、combineByKey、PartitionBy
g）连接： join、leftOutJoin、rightOutJoin
（2）Action（行为算子）——触发（sparkcontext：sc）作业，可以将结果输出hdfs、hbase、kafka、console
a）无输出：foreach
b）有输出：saveAsTextFile
c）统计类：count、collect、take
算子细分：
一对一：
多对一：
多对多：
RDD——弹性分布式数据集 RDD是什么？（RDD不是数据，RDD也不存数据，只存储数据的分区信息和读取方法（HDFS、其他RDD）） 1）弹性： a）内存和磁盘之间会同步数据 b）RDD可以变成另一个RDD c）RDD内部存储数据类型丰富 2）依赖（向上依赖） a）顶部RDD——数据源 b）非顶部RDD：记录自己来源于谁——血统（lineage） 宽依赖、窄依赖： 窄依赖：以流水线的方式计算分区 宽依赖：必须计算好父分区的数据，然后进行shuffle 失效问题处理： 窄依赖：只需要计算丢失RDD分区的父分区，不同节点可以并行 宽依赖：单点失效了，可能导致整个RDD所有祖先丢失的分区重新计算 3）怎么读取？ a）有存储级别：判断是否有缓存，缓存-磁盘 b）无存储级别：直接磁盘读
