spark学习

Spark概述

Spark定义

spark是一种基于内存的快速、通用、可扩展S的大数据分析计算引擎

Spark Core 中提供了Spark最基础核心的功能 Spark SQL是Spark用来操作结构化数据的组件 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和Hadoop

Spark和Hadoop 的根本差异是多个作业之间的数据通信问题 : Spark 多个作业之间数据通信是基于内存，而 Hadoop 是基于磁盘。

Hadoop mapreduce在并行运行的苏剧可复用场景存在很多计算效率问题，Spark在Hadoop的MapReduce计算框架基础上而诞生，大大加快了数据分析，数据挖掘和读写速度，将计算单元缩小到更适合并行计算和重复使用的RDD计算模型

Spark是一个分布式数据快速分析项目，核心技术就是弹性分布式数据集RDD，提供了比MR丰富的模型，可以快速在内存中对数据集进行多次迭代，来支持复杂的数据挖掘算法和图像计算算法

Spark只有在shuffle的时候会将数据写入磁盘当中，而Hadoop的MR作业需要依赖磁盘交互，Spark的缓存机制比HDFS的更高效

Spark核心模块

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运行环境

本地模式

将Hadoop2.7.6的压缩包解压到指定目录文件夹，在bin文件下添加winutils.exe

在idea添加依赖,Scala相应的插件也要下载，下载后重启idea就好了

 <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.11.12</version>
        </dependency>
​
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-compiler</artifactId>
            <version>2.11.12</version>
        </dependency>
​
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-reflect</artifactId>
            <version>2.11.12</version>
        </dependency>
        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.40</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core -->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.4.5</version>
        </dependency>
    </dependencies>
    <build>
        <plugins>
            <!-- Java Compiler -->
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.1</version>
                <configuration>
                    <source>1.8</source>
                    <target>1.8</target>
                </configuration>
            </plugin>
​
            <!-- Scala Compiler -->
            <plugin>
                <groupId>org.scala-tools</groupId>
                <artifactId>maven-scala-plugin</artifactId>
                <version>2.15.2</version>
                <executions>
                    <execution>
                        <goals>
                            <goal>compile</goal>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
​
        </plugins>
    </build>
​

简单的测试一下本地运行是否成功

package sparkcore
​
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
​
object Demo01WordCount {
  def main(args: Array[String]): Unit = {
    /**
      * 1、创建是spark的环境
      */
​
    //spark配置文件对象
    val conf = new SparkConf()
​
    //任务名
    conf.setAppName("wc")
​
    //指定运行方法local：本地运行
    conf.setMaster("local")
​
    //创建spark上下文对象，spark入口
    val sc = new SparkContext(conf)
​
    /**
      * RDD:弹性的分布式数据集
      * 可以理解为一个集合
      */
    //1、读取数据
    val linesRDD: RDD[String] = sc.textFile("data/words.txt")
​
    //2、将单词切分出来
    val wordsRDD: RDD[String] = linesRDD.flatMap(line => line.split(","))
​
    //3、按照单词进行分组
    val groupRDD: RDD[(String, Iterable[String])] = wordsRDD.groupBy(word => word)
​
    //4、统计单词的数量
    val countRDD: RDD[(String, Int)] = groupRDD.map {
      case (word: String, ws: Iterable[String]) =>
        //计算单词的数量
        val count: Int = ws.size
        (word, count)
    }
​
    //5、整理数据
    val resultRDD: RDD[String] =countRDD.map {
      case (word: String, count: Int) =>
        word + "\t" + count
    }
    //5、保存数据
    resultRDD.saveAsTextFile("data/wc")
  }
​
}
​

 

在说RDD之前先复习一遍mapreduce