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

  • https://archive.apache.org/dist/spark/spark-2.3.3/spark-2.3.3-bin-hadoop2.7.tgz

  • spark-2.3.3-bin-hadoop2.7.tgz

• 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();
    }
}