spark基础知识（1）

一、大数据架构

并发计算：

并行计算：

很少会说并发计算，一般都是说并行计算，但是并行计算用的是并发技术。并发更偏向于底层。并发通常指的是单机上的并发运行，通过多线程来实现。而并行计算的范围更广，他是散布到集群上的分布式计算。

Spark内存计算比hadoop快100倍，磁盘计算快10倍，在worker节点主要基于内存进行计算，避免了不必要的磁盘io。

二、Spark模块

Spark是没有分布式存储的，必须借助hadoop的HDFS等。资源管理工具自带的是Standalone也支持hadoop的YARN。Spark最底层是SparkCore（内核位于执行引擎之上，所有功能都在其上进行构建），SparkCore集成了最原始的计算功能，基于SparkCore这种底层的API上层主要有四个，Spark SQL, Spark streaming, Mlib, Graphx

三、Spark部署三种模式

1. standalone独立模式

2. Hadoop yarn

3. Spark in mapreduce

Spark独立集群模式

独立部署，实质就是手动通过脚本一一启动所需要的进程，例如master进程，work进程。

在spark/bin目录下，提供了相应脚本，

start-master.sh // 启动master进程

start-slave.sh  // 启动单个work进程

start-slaves.sh // 启动所有work进程

start-all.sh    // 启动所有进程，在master上执行

stop-xxx.sh   //  对应的停止进程

Spark独立集群配置

① [spark-env.sh]

Spark/conf/spark-env.sh

② [slaves]

S02

S03

S04

③ spark-default.conf 也不用动

④ 分发文件

cd /soft

xsync.sh spark-2.1.0-bin-hadoop2.7

xsync.sh spark

su root

xsync.sh /etc/profile

⑤ 重启电脑

⑥ 启动spark集群

[s201]

./start-master.sh

[s202, s203, s204]

./start-slave.sh spark://s201:7077

⑦ 进入webUI界面

http://s201:8080/

Spark-shell连接到spark集群的模式

Spark-shell –master spark://s201:7077  #standalone模式，需要启动进程（前提是你已经搭建好了集群）但是缺点是，如果你在master上运行本地文件，必须传到其他work节点上，而如果是hadoop的hdfs文件就所有worker都可以访问

Spark-shell –master spark://ip:port  #mesos模式

Yarn                            #结合hadoop，使用yarn资源调度框架

Spark-shell                 #本地模式

 

四、SparkRDD

Spark版本查看spark-submit –version

单独在主节点上运行 spark-shell –master spark://s201:7077

1.  RDD基础

RDD resilient distributed dataset弹性式分布数据集

rdd里面是没有数据的，只是一些计算法则，有每个切片的计算函数，还有分区列表。你在每个分区上进行什么样的操作，这些操作封装起来就是rdd.

①是不可变，如果运行rdd的节点故障，driver就可以重建rdd并指派到新的节点。计算过程中数据一直是静态的。（RDD存的是变换过程，变换的函数，上下互相变换依赖的链条 ）

②是分布式的。将大的RDD切割成小的rdd，分发到worker节点上运行，每个worker都有自己环境，最终组装结果。Spark在系统或其他运行故障后会有自己的机制进行恢复（可容错所以叫弹性式）

④驻留在内存。Spark高速的原因

⑤RDD是强类型

⑥RDD两种操作类型

Transformations:从前一个RDD，产生一个新的RDD，例如filter操作

Action:基于RDD计算一个结果/返回值给driver/存储文件导存储系统上。Count/take/first

⑦使用parallelize（）创建RDD

Sc.parallelize(1 to 10, 3)产生3条切片

2. sparkConf

①设置spark参数，key-value对

②手动设置优先于系统属性

3. sparkContext

org.apache.spark.SparkContext

SparkContext，spark上下文，驱动程序Driver，是spark程序的主入口，类似于main函数，负责连接到spark的集群，可用创建RDD，在集群上创建累加器和广播变量。

每个虚拟机jvm只能激活一个Spark上下文对象，创建新的spark上下文对象时，必须stop原来的。

val rdd = sc.textFile(“d:/2.txt”)

rdd.flatMap(line => line.split(“ “).map(w=>(w, 1)).reduceByKey((a, b)=>a+b).collect()

4.读取文件sparkContext.textFile

Spark-shell下

Val lines = sc.textFile(“/user/ubuntu/xx.txt”) #读取hdfs文件，hadoop集群启动起来

Val lines = sc.textFile(“file：///home/ubuntu/xx.txt”) #读取本地文件

Lines.take(2) #提取前两行

Lines.first()

Val rdd2 = lines.filter(x => x.contains(“0000”))

每个spark应用由driver构成，由它启动各种并行操作。driver含有main函数和分布式数据集，并对他们应用各种操作。Spark-shell本身就是driver（包含Main）。

Driver通过sparkContext访问spark对象，代表和spark集群的连接

运行程序时，驱动程序需要管理一些叫做excuter的节点，如果是在分布式集群运行，则如下图spark在分布式上的执行主键所示。（在工作节点上有excutor执行线条，有若干task，task之间还可以相互通信）

Spark-shell（本身就是驱动）下默认使用local模式运行spark程序，没有用到spark集群。类似于Hadoop的本地模式。Spark-shell是可以带参的，

Spark-shell –master local[1] #1表示你要打算开启1个线程来模拟spark集群

spark-shell --master local[4] #4表示4个线程，并发度

val lines = sc.textFile("file:///D:/borrowCardJson.txt"，3) #3表示分区数minpatition

val rdd2 = lines.map(x=>{val tname=Thread.currentThread().getName; println(tname + ":" + x);x})

rdd2.count()

附注：scala命令界面退出 :quit

停止spark stop()

五、使用maven编译和运行scala的spark程序

①编写scala源码

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

object wcApp{

def main(args:Array[String]){

val conf = new SparkConf().setAppName("wordCount")

val sc = new SparkContext(conf)

val lines = sc.textFile("file:///D:/borrowCardJson.txt")

val words = lines.flatMap(x => x.split(","))

val counts = words.map(word => (word, 1)).reduceByKey((x, y) => x+y)

counts.saveAsTextFile("file:///D:/output.txt")

}

}

六. 调度相关核心概念

[Job]

//ActiveJob，在DAG运行job, 有两种类型，Result job和map-stage job.

Result job计算ResultStage来执行action

Map-stage job在以一个stage提交前，计算shuffleMapStage的output，并可以用作查询计划以及提交给下一阶段前查看map输出的统计内容，可以使用finalStage字段进行两种job类型的区分

[Stage]

在job中计算中间的结果的task集合，每个task在同一RDD的每个分区上计算同一函数。Stage是通过shuffle边界，引入一个障碍（必须等到前一完成后才能提取Output）

有两种stage，ResultStage和shuffleMapStage

ResultStage是执行action的final的stage

ShuffleMapStage是为shuffle过程将map的output进行write的

[task]

单独的工作单元，发送给一台主机。

[cache tracking]

DAG调度器分析出被缓存的RDD，以避免重复计算，也会记住在map阶段以及产生了output的shuffle避免重复map过程

[preferred location]

DAG调度器基于底层RDD的首选位置、缓存的配置或者shuffle的数据参数得到首选位置，并计算task的运行地点。

[cleanup]

Job完成后数据结构被清除防止内存泄漏。

taskset  //task集合

stage   //task集合

调度器

三级调度

1. DAGScheduler  //有向五环图调度器 stage

2.TaskScheduler  //任务调度器.Taskset调度任务，依赖于SchedulerBackend

//TaskSchedulerImp1 任务调度器就这一个 后台调度器有好几种实现

3.SchedulerBackend  //后台调度器

//LocalSchedulerBackend针对本地模式调试

//CoarseGrainedSchedulerBackend粗粒度

//StandaloneSchedulerBackend继承于CoarseGrainedSchedulerBackend

4. SchedulableBuilder  //调度构建器  FIFO和Fair两种

例如 RDD.collect()

①首先collect()里面，启动SparkContext的runjob方法，最终调用到DAG调度器runjob方法，参数仍然有rdd、分区数、resultHandler(结果处理器)，在DAG的runjob方法里面用了submitJob，DAG调度器把RDD封装成事件放到队列里面(DAGSchedulerEventProcessLoop)。然后有线程开启轮寻这个队列。轮寻后再次将结果给DAG调度器，使用里面封装的方法handleJobSubmitted，该方法里面有createResultStage(因为DAG是面向阶段的，必须在RDD里面找出阶段)，然后再submitStage，然后submitMissingTask(stage)，串行化rdd(将任务变成字节数组)以便分发到各节点（广播走），多个分区映射成多个任务shuffleMapTask。

②接着进入任务调度器TaskScheduler，taskScheduler.submitTasks(TaskSet)提交任务集，将任务集交给任务集管理器TaskSetManager

③进入第三层调度 SchedulerBackend 后台调度器，走的localEndPoint，走到rpc，分发消息，分发线程轮寻dispathcher.MessageLoop()，开启分线程运行各个作业threadpool，最终走到spark.executor，使用内部的rpc（远程过程调用）用于和driver通讯。Spark.ececutor启动launchTask(taskId, taskName, serializedTask…)

④进入分线程处理，反序列化 Task.run,再shuffleMapTask.run.Task()反序列化广播变量，然后调用shuffleWrite.write()处理我们程序里面自己写的代码。

七、在spark集群上对hdfs文件进行单词统计

1. 启动zk

[s202, s203, s204]

zkServer.sh start

2. 启动hadoop集群

[s201]

只启动hdfs即可

hdfs haadmin -transtionToActive –forcemanul nnl  //强行切换active态

查看下 http:s201:50070

3. 启动spark集群

[s201]

Cd soft/spark/sbin目录下，./start-all.shell

查看下 http:s201:8080

4.  准备文件 在HDFS上面放个文件

hdfs dfs -put words /user/centos

5. Spark-shell –master spark://s201:7077

6. 在shell环境下编写单词统计的wordCount程序

八、导出spark应用成jar，提交spark集群上执行

有两种方法，一种是IDEA 打可执行jar 包，

https://blog.csdn.net/freecrystal_alex/article/details/78296851

IntellIJ IDEA 中配置Maven

https://www.cnblogs.com/phpdragon/p/7216626.html

https://blog.csdn.net/westos_linux/article/details/78968012

另一种是idea maven 打可执行jar 包

https://www.cnblogs.com/seaspring/p/5615976.html

在pom.xml文件中<build><plugins>后加入两个插件org.apache.maven.plugins和net.alchim31.maven

在你jar包所在文件下，使用spark-submit，后面添加各种参数，如果依赖第三方包用--jars

Spark Application基于python编写以后，如何提交spark运行呢？ 一样用spark-submit，

把该python文件上传到hdfs文件系统上去 ，spark安装目录相同文件夹

需要修改下spark环境变量为运行的集群地址，os.environ['SPARK_HOME'] = '/opt/cdh-5.3.6/spark-1.6.1-bin-2.5.0'

.setMaster就不用指定了，通过程序来指定

bin/spark-submit  spark://so21:7077  /opt/cdh-5.3.6/spark-1.6.1-bin-2.5.0/spark_wordCount.py