【大数据处理架构】1.spark streaming

1. spark 是什么？

>Apache
Spark 是一个类似hadoop的开源高速集群运算环境与后者不同的是，spark更快（官方的说法是快近100倍）。提供高层JAVA,Scala,PythonI ,R API接口.而且提tools：Spark
SQL for SQL 处理结构化数据, MLlib for
machine learning, GraphX for
graph processing, and Spark
Streaming.

2. spark streaming

Spark Streaming: 构建在Spark上处理Stream数据的框架，主要的原理是将Stream数据分成小的时间片断（几秒），以类似batch批量处理的方式来处理这小部分数据。Spark Streaming构建在Spark上，一方面是由于Spark的低延迟运行引擎（100ms+），尽管比不上专门的流式数据处理软件。也能够用于实时计算，还有一方面相比基于Record的其他处理框架（如Storm）。一部分窄依赖的RDD数据集能够从源数据又一次计算达到容错处理目的。

3. build spark:

1）安装 scala

scala 语言非常简洁，属于函数式语言。其简洁度令人惊讶（代码量仅仅有java的十分之中的一个）值得学习。

http://www.scala-lang.org/download/

下载，解压：tar -zxvf filename loaction

改动环境变量：vim /etc/profile 在PATH后增加scala解压后文件位置。

> export SCALA_HOME =
$/opt/scala/scala-2.11.7

> export SPARK_HOME=$opt/spark/spark-1.4.1

> export PATH=$SCALA_HOME/bin:$PATH:$SPARK_HOME/bin

update( very important or you may failed to change the path) >
source /etc/profile

检測： scala -version

2）安装 spark streaming

下载这个版本号： spark-1.4.1-bin-hadoop2.6.tgz
（一定不要选source code 须要自己编译）

http://spark.apache.org/downloads.html

解压： tar -zxvf filemname location （文件名称太长善用 tab键）

3）几个命令

启动Spark

在Spark执行之前，首先须要让Spark集群启动，假设须要用到hadoop的HDFS的话，也须要把HDFS启动起来。

>cd /docker/opt/spark-1.4.0-bin-hadoop2.6/sbin （注意依据自己的安装文件夹定）

./stop-master.sh

以及 ./start-master.sh

>cd /docker/opt/spark-1.4.0-bin-hadoop2.6/sbin;

./stop-slave.sh;

./start-slave.sh spark://XXXXX

>bin/spark-shell.sh 启动spark shell

在SPARK_HOME/sbin文件夹:

sbin/start-master.sh-在机器上运行脚本。启动 master .

sbin/start-slaves.sh- 启动conf/slaves中指定的每个slave .

sbin/start-all.sh- 同一时候启动master 以及上面所说文件里指定的slave

sbin/stop-master.sh- 停止通过bin/start-master.sh脚本启动的master

sbin/stop-slaves.sh- 停止通过bin/start-slaves.sh启动的slave .

sbin/stop-all.sh- 停止上述的两种启动脚本启动的master和slave

执行：

想在想在spark上跑自己的代码，须要我们打包成jar ，使用 spark-streaming的命令。可是须要用到sbt的tool，我们下一节再介绍。

參考：1. http://spark.apache.org/docs/latest/index.html

2. http://blog.csdn.net/yunlong34574/article/details/39098815

3.http://www.oschina.net/translate/spark-standalone?cmp