spark基础知识一

1. spark是什么

  • Apache Spark™ is a unified analytics engine for large-scale data processing.

  • spark是针对于大规模数据处理的统一分析引擎

        spark是在Hadoop基础上的改进,是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架,Spark基于map reduce算法实现的分布式计算,
    拥有Hadoop MapReduce所具有的优点;但不同于MapReduce的是Job中间输出和结果可以保存在内存中,从而不再需要读写HDFS,因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。 spark是基于内存计算框架,计算速度非常之快,但是它仅仅只是涉及到计算,并没有涉及到数据的存储,后期需要使用spark对接外部的数据源,比如hdfs。

2. spark的四大特性

2.1 速度快

  • 运行速度提高100倍

    • Apache Spark使用最先进的DAG调度程序,查询优化程序和物理执行引擎,实现批量和流式数据的高性能。

  • spark比mapreduce快的2个主要原因

    • 1、基于内存

      mapreduce任务后期再计算的时候,每一个job的输出结果会落地到磁盘,后续有其他的job需要依赖于前面job的输出结果,这个时候就需要进行大量的磁盘io操作。性能就比较低。
      ​
      spark任务后期再计算的时候,job的输出结果可以保存在内存中,后续有其他的job需要依赖于前面job的输出结果,这个时候就直接从内存中获取得到,避免了磁盘io操作,性能比较高。
    • 2、进程与线程

      (1)mapreduce任务以进程的方式运行在yarn集群中,比如程序中有100个MapTask,一个task就需要一个进程,这些task要运行就需要开启100个进程。
      ​
      (2)spark任务以线程的方式运行在进程中,比如程序中有100个MapTask,后期一个task就对应一个线程,这里就不在是进程,这些task需要运行,这里可以极端一点:
      只需要开启1个进程,在这个进程中启动100个线程就可以了。
      进程中可以启动很多个线程,而开启一个进程与开启一个线程需要的时间和调度代价是不一样。 开启一个进程需要的时间远远大于开启一个线程。

2.2 易用性

        可以快速去编写spark程序通过 java/scala/python/R/SQL等不同语言

2.3 通用性

  • spark框架不在是一个简单的框架,可以把spark理解成一个生态系统,它内部是包含了很多模块,基于不同的应用场景可以选择对应的模块去使用

    • sparksql

      • 通过sql去开发spark程序做一些离线分析

    • sparkStreaming

      • 主要是用来解决公司有实时计算的这种场景

    • Mlib

      • 它封装了一些机器学习的算法库

    • Graphx

      • 图计算

2.4 兼容性

  • spark程序就是一个计算逻辑程序,这个任务要运行就需要计算资源(内存、cpu、磁盘),哪里可以给当前这个任务提供计算资源,就可以把spark程序提交到哪里去运行

    • standAlone

      • 它是spark自带的集群模式,整个任务的资源分配由spark集群的老大Master负责

    • yarn

      • 可以把spark程序提交到yarn中运行,整个任务的资源分配由yarn中的老大ResourceManager负责

    • mesos

      • 它也是apache开源的一个类似于yarn的资源调度平台。

3. spark集群架构

  • Driver

    • 它会执行客户端写好的main方法,它会构建一个名叫SparkContext对象

      • 该对象是所有spark程序的执行入口

  • Application

    • 就是一个spark的应用程序,它是包含了客户端的代码和任务运行的资源信息

  • ClusterManager

    • 它是给程序提供计算资源的外部服务

      • standAlone

        • 它是spark自带的集群模式,整个任务的资源分配由spark集群的老大Master负责

      • yarn

        • 可以把spark程序提交到yarn中运行,整个任务的资源分配由yarn中的老大ResourceManager负责

      • mesos

        • 它也是apache开源的一个类似于yarn的资源调度平台。

  • Master

    • 它是整个spark集群的老大,负责任务资源的分配

  • Worker

    • 它是整个spark集群的小弟,负责任务计算的节点

  • Executor

    • 它是一个进程,它会在worker节点启动该进程(计算资源)

  • Task

    • spark任务是以task线程的方式运行在worker节点对应的executor进程中

4. spark集群安装部署

  • 事先搭建好zookeeper集群

  • 1、下载安装包

  • 2、规划安装目录

    • /opt/bigdata

  • 3、上传安装包到服务器

  • 4、解压安装包到指定的安装目录

    • tar -zxvf spark-2.3.3-bin-hadoop2.7.tgz -C /opt/bigdata

  • 5、重命名解压目录

    • mv spark-2.3.3-bin-hadoop2.7 spark

  • 6、修改配置文件

    • 进入到spark的安装目录下对应的conf文件夹

      • vim spark-env.sh ( mv spark-env.sh.template spark-env.sh)

        #配置java的环境变量
        export JAVA_HOME=/usr/java/jdk1.8.0_211-amd64
        #配置zk相关信息
        export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER  -Dspark.deploy.zookeeper.url=node1:2181,node2:2181,node3:2181  -Dspark.deploy.zookeeper.dir=/spark"
      • vim slaves ( mv slaves.template salves)

        #指定spark集群的worker节点
        node2
        node3
  • 7、分发安装目录到其他机器

    [root@node1 bigdata]# scp -r spark node2:/opt/bigdata
    [root@node1 bigdata]# scp -r spark node3:/opt/bigdata
    ​
    #3.修改hive安装目录的所属用户和组为hadoop:hadoop
    [root@node1 bigdata]# chown -R hadoop:hadoop spark/
    #4.修改hive安装目录的读写权限
    [root@node1 bigdata]# chmod -R 755  spark/  
    [root@node1 bigdata]# chmod -R g+w spark/
    [root@node1 bigdata]# chmod -R o+w spark/
  • 8、修改spark环境变量

    [root@node1 ~]# vim /etc/profile

    添加如下内容:

    export SPARK_HOME=/opt/bigdata/spark
    export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
  • 9、分发spark环境变量到其他机器(不一般不这样,我的环境配置文件不统一)

    scp /etc/profile node2:/etc
    scp /etc/profile node3:/etc
  • 10、让所有机器的spark环境变量生效

    • 在所有节点执行

      source /etc/profile

5. spark集群的启动和停止

5.1 启动

  • 1、先启动zk

  • 2、启动spark集群

    • 可以在任意一台服务器来执行(条件:需要任意2台机器之间实现ssh免密登录)

[hadoop@node1 sbin]# ./start-all.sh
#位于/opt/bigdata/spark/sbin/

    在哪里启动这个脚本,就在当前该机器启动一个Master进程

    整个集群的worker进程的启动由slaves文件

  后期可以在其他机器单独在启动master

[hadoop@node1 sbin]# ./start-master.sh
#位于/opt/bigdata/spark/sbin/
(1) 如何恢复到上一次活着master挂掉之前的状态?
    在高可用模式下,整个spark集群就有很多个master,其中只有一个master被zk选举成活着的master,其他的多个master都处于standby,同时把整个spark集群的元数据信息通过zk中节点进行保存。
​
    后期如果活着的master挂掉。首先zk会感知到活着的master挂掉,下面开始在多个处于standby中的master进行选举,再次产生一个活着的master,
这个活着的master会读取保存在zk节点中的spark集群元数据信息,恢复到上一次master的状态。整个过程在恢复的时候经历过了很多个不同的阶段,每个阶段都需要一定时间,最终恢复到上个活着的master的状态,
整个恢复过程一般需要1
-2分钟。​
(
2) 在master的恢复阶段对任务的影响?​ a)对已经运行的任务是没有任何影响 由于该任务正在运行,说明它已经拿到了计算资源,这个时候就不需要master。
b) 对即将要提交的任务是有影响 由于该任务需要有计算资源,这个时候会找活着的master去申请计算资源,由于没有一个活着的master,该任务是获取不到计算资源,也就是任务无法运行。

5.2 停止

  • 在处于active Master主节点执

    [hadoop@node1 sbin]# ./stop-all.sh
  • 在处于standBy Master主节点执行

    [hadoop@node1 sbin]# ./stop-master.sh

6. spark集群的web管理界面

  • 当启动好spark集群之后,可以访问这样一个地址

    • http://master主机名:8080

      http://node1:8080
    • 可以通过这个web界面观察到很多信息

      • 整个spark集群的详细信息

      • 整个spark集群总的资源信息

      • 整个spark集群已经使用的资源信息

      • 整个spark集群还剩的资源信息

      • 整个spark集群正在运行的任务信息

      • 整个spark集群已经完成的任务信息

7. 初识spark程序

7.1 普通模式提交 (指定活着的master地址)

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node1:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
examples/jars/spark-examples_2.11-2.3.3.jar \
10
​
####参数说明
--class:指定包含main方法的主类
--master:指定spark集群master地址
--executor-memory:指定任务在运行的时候需要的每一个executor内存大小
--total-executor-cores: 指定任务在运行的时候需要总的cpu核数

7.2 高可用模式提交 (集群有很多个master)

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node1:7077,node2:7077,node3:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
examples/jars/spark-examples_2.11-2.3.3.jar \
10
​
spark集群中有很多个master,并不知道哪一个master是活着的master,即使你知道哪一个master是活着的master,它也有可能下一秒就挂掉,这里就可以把所有master都罗列出来
--master spark://node1:7077,node2:7077,node3:7077
​
后期程序会轮训整个master列表,最终找到活着的master,然后向它申请计算资源,最后运行程序。

8. spark-shell使用

8.1 运行spark-shell --master local[N] 读取本地文件进行单词统计

  • --master local[N]

    • local 表示程序在本地进行计算,跟spark集群目前没有任何关系

    • N 它是一个正整数,表示使用N个线程参与任务计算

    • local[N] 表示本地采用N个线程计算任务

  • spark-shell local[2]

    • 默认会产生一个SparkSubmit进程

      spark-shell local[2]
    scala> sc.textFile("file:///home/hadoop/words").flatMap(x=>x.split(" ")).map(x=>(x,1)).reduceByKey((x,y)=>x+y).collect
    ​
    scala> sc.textFile("/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect

8.2 运行spark-shell --master local[N] 读取HDFS上文件进行单词统计

  • spark整合HDFS

    • 在node1上修改配置文件

      • [hadoop@node1 conf]# vim spark-env.sh

    export HADOOP_CONF_DIR=/opt/bigdata/hadoop-2.7.3/etc/hadoop
    • 分发到其他节点

    scp spark-env.sh node2:/opt/bigdata/spark/conf
    scp spark-env.sh node3:/opt/bigdata/spark/conf
  • spark-shell --master local[2]

    sc.textFile("/user/user.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
    ​
    sc.textFile("hdfs://node1:9000//user/user.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect

8.3 运行spark-shell 指定集群中活着master 读取HDFS上文件进行单词统计

  • spark-shell --master spark://node1:7077 --executor-memory 1g --total-executor-cores 4

    • --master spark://node1:7077

      • 指定活着的master地址

    • --executor-memory 1g

      • 指定每一个executor进程的内存大小

    • --total-executor-cores 4

      • 指定总的executor进程cpu核数

    sc.textFile("hdfs://node1:9000/user/user.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
    ​
    #实现读取hdfs上文件之后,需要把计算的结果保存到hdfs上
    sc.textFile("/user/user.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).saveAsTextFile("/out")

在hdfs查看计算结果:

[hadoop@node1 ~]# hdfs dfs -ls /out
[hadoop@node1 ~]# hdfs dfs -cat /out/part-00000
[hadoop@node1 ~]# hdfs dfs -cat /out/part-00001

9. 通过IDEA开发spark程序

  • 构建maven工程,添加pom依赖

     <dependencies>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.3.3</version>
        </dependency>
    </dependencies><build>
            <sourceDirectory>src/main/scala</sourceDirectory>
            <testSourceDirectory>src/test/scala</testSourceDirectory>
            <plugins>
                <plugin>
                    <groupId>net.alchim31.maven</groupId>
                    <artifactId>scala-maven-plugin</artifactId>
                    <version>3.2.2</version>
                    <executions>
                        <execution>
                            <goals>
                                <goal>compile</goal>
                                <goal>testCompile</goal>
                            </goals>
                            <configuration>
                                <args>
                                    <arg>-dependencyfile</arg>
                                    <arg>${project.build.directory}/.scala_dependencies</arg>
                                </args>
                            </configuration>
                        </execution>
                    </executions>
                </plugin>
                <plugin>
                    <groupId>org.apache.maven.plugins</groupId>
                    <artifactId>maven-shade-plugin</artifactId>
                    <version>2.4.3</version>
                    <executions>
                        <execution>
                            <phase>package</phase>
                            <goals>
                                <goal>shade</goal>
                            </goals>
                            <configuration>
                                <filters>
                                    <filter>
                                        <artifact>*:*</artifact>
                                        <excludes>
                                            <exclude>META-INF/*.SF</exclude>
                                            <exclude>META-INF/*.DSA</exclude>
                                            <exclude>META-INF/*.RSA</exclude>
                                        </excludes>
                                    </filter>
                                </filters>
                                <transformers>
                                    <transformer implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
                                        <mainClass></mainClass>
                                    </transformer>
                                </transformers>
                            </configuration>
                        </execution>
                    </executions>
                </plugin>
            </plugins>
     </build>
  • 创建 src/main/scala 和 src/test/scala 目录

9.1 利用scala语言开发spark程序实现单词统计--本地运行

  • 代码开发

package com.lowi
​
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
//todo: 利用scala语言开发spark程序实现单词统计
object WordCount {
  def main(args: Array[String]): Unit = {
    //1、构建sparkConf对象 设置application名称和master地址
    val sparkConf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local[2]")
    //2、构建sparkContext对象,该对象非常重要,它是所有spark程序的执行入口
    // 它内部会构建  DAGScheduler和 TaskScheduler 对象
    val sc = new SparkContext(sparkConf)
    //设置日志输出级别
    sc.setLogLevel("warn")
    //3、读取数据文件
    val data: RDD[String] = sc.textFile("E:\\words.txt")
    //4、 切分每一行,获取所有单词
    val words: RDD[String] = data.flatMap(x=>x.split(" "))
    //5、每个单词计为1
    val wordAndOne: RDD[(String, Int)] = words.map(x => (x,1))
    //6、相同单词出现的1累加
    val result: RDD[(String, Int)] = wordAndOne.reduceByKey((x,y)=>x+y)
    //按照单词出现的次数降序排列  第二个参数默认是true表示升序,设置为false表示降序
    val sortedRDD: RDD[(String, Int)] = result.sortBy( x=> x._2,false)
    //7、收集数据打印
    val finalResult: Array[(String, Int)] = sortedRDD.collect()
    finalResult.foreach(println)
    //8、关闭sc
    sc.stop()
  }
}

9.2 利用scala语言开发spark程序实现单词统计--集群运行

  • 代码开发

package com.lowi
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
//todo: 利用scala语言开发spark程序实现单词统计
object WordCountOnSpark {
  def main(args: Array[String]): Unit = {
    //1、构建sparkConf对象 设置application名称
    val sparkConf: SparkConf = new SparkConf().setAppName("WordCountOnSpark")
    //2、构建sparkContext对象,该对象非常重要,它是所有spark程序的执行入口
    // 它内部会构建  DAGScheduler和 TaskScheduler 对象
    val sc = new SparkContext(sparkConf)
    //设置日志输出级别
    sc.setLogLevel("warn")
    //3、读取数据文件
    val data: RDD[String] = sc.textFile(args(0))
    //4、 切分每一行,获取所有单词
    val words: RDD[String] = data.flatMap(x=>x.split(" "))
    //5、每个单词计为1
    val wordAndOne: RDD[(String, Int)] = words.map(x => (x,1))
    //6、相同单词出现的1累加
    val result: RDD[(String, Int)] = wordAndOne.reduceByKey((x,y)=>x+y)
    //7、把计算结果保存在hdfs上
    result.saveAsTextFile(args(1))
    //8、关闭sc
    sc.stop()
  }
}
  • 打成jar包提交到集群中运行

spark-submit \
--master spark://node1:7077,node2:7077 \
--class com.kaikeba.WordCountOnSpark \
--executor-memory 1g  \
--total-executor-cores 4 \
original-spark_class01-1.0-SNAPSHOT.jar \
/words.txt  /out

9.3 利用java语言开发spark程序实现单词统计--本地运行

  • 代码开发

package com.lowi;
​
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import scala.Tuple2;
​
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;
​
//todo: 利用java语言开发spark的单词统计程序
public class JavaWordCount {
    public static void main(String[] args) {
        //1、创建SparkConf对象
        SparkConf sparkConf = new SparkConf().setAppName("JavaWordCount").setMaster("local[2]");
        //2、构建JavaSparkContext对象
        JavaSparkContext jsc = new JavaSparkContext(sparkConf);
        //3、读取数据文件
        JavaRDD<String> data = jsc.textFile("E:\\words.txt");
        //4、切分每一行获取所有的单词   scala:  data.flatMap(x=>x.split(" "))
        JavaRDD<String> wordsJavaRDD = data.flatMap(new FlatMapFunction<String, String>() {
            public Iterator<String> call(String line) throws Exception {
                String[] words = line.split(" ");
                return Arrays.asList(words).iterator();
            }
        });
        //5、每个单词计为1    scala:  wordsJavaRDD.map(x=>(x,1))
        JavaPairRDD<String, Integer> wordAndOne = wordsJavaRDD.mapToPair(new PairFunction<String, String, Integer>() {
            public Tuple2<String, Integer> call(String word) throws Exception {
                return new Tuple2<String, Integer>(word, 1);
            }
        });
        //6、相同单词出现的1累加    scala:  wordAndOne.reduceByKey((x,y)=>x+y)
        JavaPairRDD<String, Integer> result = wordAndOne.reduceByKey(new Function2<Integer, Integer, Integer>() {
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1 + v2;
            }
        });
        //todo java语言,排序方式,只能按照key进行排序,所以需要将次数置为key,作为排序的关键
        //按照单词出现的次数降序 (单词,次数)  -->(次数,单词).sortByKey----> (单词,次数)
        JavaPairRDD<Integer, String> reverseJavaRDD = result.mapToPair(new PairFunction<Tuple2<String, Integer>, Integer, String>() {
            public Tuple2<Integer, String> call(Tuple2<String, Integer> t) throws Exception {
                return new Tuple2<Integer, String>(t._2, t._1);
            }
        });
        JavaPairRDD<String, Integer> sortedRDD = reverseJavaRDD.sortByKey(false).mapToPair(new PairFunction<Tuple2<Integer, String>, String, Integer>() {
            public Tuple2<String, Integer> call(Tuple2<Integer, String> t) throws Exception {
                return new Tuple2<String, Integer>(t._2, t._1);
            }
        });
        //7、收集打印
        List<Tuple2<String, Integer>> finalResult = sortedRDD.collect();
        for (Tuple2<String, Integer> t : finalResult) {
            System.out.println("单词:"+t._1 +"\t次数:"+t._2);
        }
        jsc.stop();
    }
}

 

posted @ 2019-10-05 20:06  小码农成长记  阅读(200)  评论(0编辑  收藏  举报