1. Spark初始
    1. 什么是Spark

    Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行计算框架,Spark拥有Hadoop MapReduce所具有的优点;但不同于MapReduce的是Job中间输出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MapReduce的算法。

    Spark是Scala编写,方便快速编程。

    1. 总体技术栈讲解

    2. Spark演变历史
    3. Spark与MapReduce的区别
  • 都是分布式计算框架,Spark基于内存,MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上,Spark中除了基于内存计算外,还有DAG有向无环图来切分任务的执行先后顺序。
  1. Spark运行模式
  • Local

    多用于本地测试,如在eclipse,idea中写程序测试等。

  • Standalone

    Standalone是Spark自带的一个资源调度框架,它支持完全分布式。

  • Yarn

    Hadoop生态圈里面的一个资源调度框架,Spark也是可以基于Yarn来计算的。

  • Mesos

    资源调度框架。

  • 要基于Yarn来进行资源调度,必须实现AppalicationMaster接口,Spark实现了这个接口,所以可以基于Yarn。
  1. SparkCore
    1. RDD
  • 概念

    RDD(Resilient Distributed Dateset),弹性分布式数据集。

  • RDD的五大特性:
  1. RDD是由一系列的partition组成的。
  2. 函数是作用在每一个partition(split)上的。
  3. RDD之间有一系列的依赖关系。
  4. 分区器是作用在K,V格式的RDD上。
  5. RDD提供一系列最佳的计算位置。
  • RDD理解图:

  • 注意:
    • textFile方法底层封装的是读取MR读取文件的方式,读取文件之前先split,默认split大小是一个block大小。
    • RDD实际上不存储数据,这里方便理解,暂时理解为存储数据。
    • 什么是K,V格式的RDD?
      • 如果RDD里面存储的数据都是二元组对象,那么这个RDD我们就叫做K,V格式的RDD。
    • 哪里体现RDD的弹性(容错)?
      • partition数量,大小没有限制,体现了RDD的弹性。
      • RDD之间依赖关系,可以基于上一个RDD重新计算出RDD。
    • 哪里体现RDD的分布式?
      • RDD是由Partition组成,partition是分布在不同节点上的。
    • RDD提供计算最佳位置,体现了数据本地化。体现了大数据中"计算移动数据不移动"的理念。
  1. Spark任务执行原理

以上图中有四个机器节点,Driver和Worker是启动在节点上的进程,运行在JVM中的进程。

  • Driver与集群节点之间有频繁的通信。
  • Driver负责任务(tasks)的分发和结果的回收。任务的调度。如果task的计算结果非常大就不要回收了。会造成oom。
  • Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM进程。
  • Master是Standalone资源调度框架里面资源管理的主节点。也是JVM进程。

 

  1. Spark代码流程
    1. 创建SparkConf对象
  • 可以设置Application name。
  • 可以设置运行模式及资源需求。
  1. 创建SparkContext对象
  2. 基于Spark的上下文创建一个RDD,对RDD进行处理。
  3. 应用程序中要有Action类算子来触发Transformation类算子执行。
  4. 关闭Spark上下文对象SparkContext。
  1. Transformations转换算子
  • 概念:

Transformations类算子是一类算子(函数)叫做转换算子,如map,flatMap,reduceByKey等。Transformations算子是延迟执行,也叫懒加载执行。

  • Transformation类算子:
  • filter

    过滤符合条件的记录数,true保留,false过滤掉。

     

  • map

    将一个RDD中的每个数据项,通过map中的函数映射变为一个新的元素。

    特点:输入一条,输出一条数据。

     

  • flatMap

    先map后flat。与map类似,每个输入项可以映射为0到多个输出项。

     

  • sample

    随机抽样算子,根据传进去的小数按比例进行又放回或者无放回的抽样。

     

  • reduceByKey

    将相同的Key根据相应的逻辑进行处理。

  • sortByKey/sortBy

    作用在K,V格式的RDD上,对key进行升序或者降序排序。

  1. Action行动算子
  • 概念:

Action类算子也是一类算子(函数)叫做行动算子,如foreach,collect,count等。Transformations类算子是延迟执行,Action类算子是触发执行。一个application应用程序中有几个Action类算子执行,就有几个job运行。

  • Action类算子
  • count

    返回数据集中的元素数。会在结果计算完成后回收到Driver端。

     

  • take(n)

    返回一个包含数据集前n个元素的集合。

     

  • first

    first=take(1),返回数据集中的第一个元素。

     

  • foreach

    循环遍历数据集中的每个元素,运行相应的逻辑。

     

  • collect

将计算结果回收到Driver端。

  • 思考:一千万条数据量的文件,过滤掉出现次数多的记录,并且其余记录按照出现次数降序排序。

    文件:

代码:

  1. 控制算子
  • 概念:

控制算子有三种,cache,persist,checkpoint,以上算子都可以将RDD持久化,持久化的单位是partition。cache和persist都是懒执行的。必须有一个action类算子触发执行。checkpoint算子不仅能将RDD持久化到磁盘,还能切断RDD之间的依赖关系。

  • cache

默认将RDD的数据持久化到内存中。cache是懒执行。

  • 注意:chche () = persist()=persist(StorageLevel.Memory_Only)
  • 测试cache文件:

文件:见"NASA_access_log_Aug95"文件。

测试代码:

SparkConf conf = new SparkConf();

conf.setMaster("local").setAppName("CacheTest");

JavaSparkContext jsc = new JavaSparkContext(conf);

JavaRDD<String> lines = jsc.textFile("./NASA_access_log_Aug95");

 

lines = lines.cache();

long
startTime = System.currentTimeMillis();

long
count = lines.count();

long
endTime = System.currentTimeMillis();

System.out.println("共"+count+ "条数据,"+"初始化时间+cache时间+计算时间="+

(endTime-startTime));

        

long
countStartTime = System.currentTimeMillis();

long
countrResult = lines.count();

long
countEndTime = System.currentTimeMillis();

System.out.println("共"+countrResult+ "条数据,"+"计算时间="+ (countEndTime-

countStartTime));

        

jsc.stop();

 

  • persist:

可以指定持久化的级别。最常用的是MEMORY_ONLY和MEMORY_AND_DISK。"_2"表示有副本数。

持久化级别如下:

  • cache和persist的注意事项:
  1. cache和persist都是懒执行,必须有一个action类算子触发执行。
  2. cache和persist算子的返回值可以赋值给一个变量,在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。
  3. cache和persist算子后不能立即紧跟action算子。

    错误:rdd.cache().count() 返回的不是持久化的RDD,而是一个数值了。

  • checkpoint

checkpoint将RDD持久化到磁盘,还可以切断RDD之间的依赖关系。

  • checkpoint 的执行原理:
  1. 当RDD的job执行完毕后,会从finalRDD从后往前回溯。
  2. 当回溯到某一个RDD调用了checkpoint方法,会对当前的RDD做一个标记。
  3. Spark框架会自动启动一个新的job,重新计算这个RDD的数据,将数据持久化到HDFS上。
  • 优化:对RDD执行checkpoint之前,最好对这个RDD先执行cache,这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以,省去了重新计算这一步。
  • 使用:

SparkConf conf = new SparkConf();

conf.setMaster("local").setAppName("checkpoint");

JavaSparkContext sc = new JavaSparkContext(conf);

sc.setCheckpointDir("./checkpoint");

JavaRDD<Integer> parallelize = sc.parallelize(Arrays.asList(1,2,3));

parallelize.checkpoint();

parallelize.count();

sc.stop();

 

  1. 集群搭建以及测试
    1. 搭建
  • Standalone

1).下载安装包,解压

2).改名

3).进入安装包的conf目录下,修改slaves.template文件,添加从节点。保存。

4).修改spark-env.sh

SPARK_MASTER_IP:master的ip

SPARK_MASTER_PORT:提交任务的端口,默认是7077

SPARK_WORKER_CORES:每个worker从节点能够支配的core的个数

SPARK_WORKER_MEMORY:每个worker从节点能够支配的内存数

5).同步到其他节点上

6).启动集群

进入sbin目录下,执行当前目录下的./start-all.sh

7).搭建客户端

将spark安装包原封不动的拷贝到一个新的节点上,然后,在新的节点上提交任务即可。

注意:

  • 8080是Spark WEBUI界面的端口,7077是Spark任务提交的端口。
  • 修改master的WEBUI端口:
    • 修改start-master.sh即可。

    • 也可以在Master节点上导入临时环境变量,只是作用于之后的程序,重启就无效了。

    删除临时环境变量:

  • yarn

    1). 1,2,3,4,5,7步同standalone。

    2).在客户端中配置:

  1. 测试

    PI案例:

    Standalone提交命令:

./spark-submit

--master spark://node1:7077

--class org.apache.spark.examples.SparkPi ../lib/spark-examples-1.6.0-hadoop2.6.0.jar 10000

 

YARN提交命令:

./spark-submit

--master yarn

--class org.apache.spark.examples.SparkPi ../lib/spark-examples-1.6.0-hadoop2.6.0.jar 10000

Spark-day01的更多相关文章

  1. Spark(一)【spark-3.0安装和入门】

    目录 一.Windows安装 1.安装 2.使用 二.Linux安装 Local模式 1.安装 2.使用 yarn模式 1.安装 2.使用 3.spark的历史服务器集成yarn 一.Windows安 ...

  2. 大数据学习——spark笔记

    变量的定义 val a: Int = 1 var b = 2 方法和函数 区别:函数可以作为参数传递给方法 方法: def test(arg: Int): Int=>Int ={ 方法体 } v ...

  3. Spark Core知识点复习-1

    Day1111 Spark任务调度 Spark几个重要组件 Spark Core RDD的概念和特性 生成RDD的两种类型 RDD算子的两种类型 算子练习 分区 RDD的依赖关系 DAG:有向无环图 ...

  4. Spark踩坑记——Spark Streaming+Kafka

    [TOC] 前言 在WeTest舆情项目中,需要对每天千万级的游戏评论信息进行词频统计,在生产者一端,我们将数据按照每天的拉取时间存入了Kafka当中,而在消费者一端,我们利用了spark strea ...

  5. Spark RDD 核心总结

    摘要: 1.RDD的五大属性 1.1 partitions(分区) 1.2 partitioner(分区方法) 1.3 dependencies(依赖关系) 1.4 compute(获取分区迭代列表) ...

  6. spark处理大规模语料库统计词汇

    最近迷上了spark,写一个专门处理语料库生成词库的项目拿来练练手, github地址:https://github.com/LiuRoy/spark_splitter.代码实现参考wordmaker ...

  7. Hive on Spark安装配置详解(都是坑啊)

    个人主页:http://www.linbingdong.com 简书地址:http://www.jianshu.com/p/a7f75b868568 简介 本文主要记录如何安装配置Hive on Sp ...

  8. Spark踩坑记——数据库(Hbase+Mysql)

    [TOC] 前言 在使用Spark Streaming的过程中对于计算产生结果的进行持久化时,我们往往需要操作数据库,去统计或者改变一些值.最近一个实时消费者处理任务,在使用spark streami ...

  9. Spark踩坑记——初试

    [TOC] Spark简介 整体认识 Apache Spark是一个围绕速度.易用性和复杂分析构建的大数据处理框架.最初在2009年由加州大学伯克利分校的AMPLab开发,并于2010年成为Apach ...

  10. Spark读写Hbase的二种方式对比

    作者:Syn良子 出处:http://www.cnblogs.com/cssdongl 转载请注明出处 一.传统方式 这种方式就是常用的TableInputFormat和TableOutputForm ...

随机推荐

  1. php连接数据库插入数据

    <form action="updata.php" method="post"> 姓名:<input type="text" ...

  2. python图像翻转

    准备跟着台湾的一个机器学习课程好好学学python,链接在这http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML16.html 该课程开始有一个作业,叫做HW0 ...

  3. MySQL数据库 字段操作 多表关系(更新中...)

    外键 (foreign key) ## 外键 ```mysql # 作者(author):id,name,sex,age,mobile, detail_id # 作者详情(author_detail) ...

  4. js 获取复选框 和 并改变状态

    function checkAll() { var checkbox = document.getElementById('vegeids');// var boxes = document.getE ...

  5. 2019-1-29-dotnet-使用-Qpush-快速从电脑到手机推送文字

    title author date CreateTime categories dotnet 使用 Qpush 快速从电脑到手机推送文字 lindexi 2019-01-29 16:22:56 +08 ...

  6. UVA11722 Jonining with Friend

    Joining with Friend You are going from Dhaka to Chittagong by train and you came to know one of your ...

  7. nginx、php-fpm启动脚本

    Nginx官方启动脚本 //service nginx stop|start|restart|reloadtouch /etc/init.d/nginx chmod nginxvi /etc/init ...

  8. springmvc框架使用拦截器实现301永久重定向,其实用过滤器应该是更好

    做seo的朋友提出要求 所有不带www.的访问需要301到带www的域名,以集中权重 可以使用过滤器检查servername带不带www,也可以使用拦截器 不会配置过滤器,所以先用拦截器实现吧,不过我 ...

  9. 【洛谷P1204】【USACO1.2】挤牛奶Milking Cows

    P1204 [USACO1.2]挤牛奶Milking Cows 题目描述 三个农民每天清晨5点起床,然后去牛棚给3头牛挤奶.第一个农民在300秒(从5点开始计时)给他的牛挤奶,一直到1000秒.第二个 ...

  10. 模拟15 题解(waiting)

    T1 60%算法 定义f[i][j]表示枚举到i位置,已经使用过了j个队, $f[i][j]+=f[i-1][t] ( t \in [max(0,j-k),j])$滚动一下 这是个O(n^3)的,考虑 ...