Hadoop学习(9)-spark的安装与简单使用

spark和mapreduce差不多，都是一种计算引擎，spark相对于MapReduce来说，他的区别是，MapReduce会把计算结果放

在磁盘，spark把计算结果既放在磁盘中有放在内存中，mapreduce把可能会把一个大任务分成多个stage，瓶颈发生在IO，spark有一个叫DAG（有向无环图）的东西，可以把多个算子都放在一个stage进行合并。

spark shuffle的时候一定会把数据放在磁盘中，因为如果在shuffle的时候数据丢失，代价特别的昂贵

spark和mapreduce最大的区别是，spark可以把中间结果即放在内存，又可以放在磁盘中。
因为现在内存和以前比已经很大了，能放在内存就放在内存里。但mapreduce是把中间结果放在磁盘中的
，磁盘的IO速度太慢了，所以spark比mapreduce快很多了
spark仅仅可以替代的是mapreduce。spark有个很重要的东西是DAG（有向无环图）
可以将多个相同的算子合并到一个stage里面（以后学。。）
spark在shuffle的时候一定是在内存中的，但为了保证数据的安全性，也会把数据写入磁盘，不然恢复的时候代价比较大

spark可以运行在hadoop，yarn，Mesos（Apache的一个资源调度框架），standalone（spark自带的）。。。

spark主节点master，工作节点worker，master可以部署两个，解决单点故障，这时候可以引入zookeeper

安装

首先我们的电脑上要有jdk8以上的版本

还有hadoop的hdfs就行

我们机器的规划可以是两个master，一个zookeeper

我们现在官网上下载一个spark，然后传到你的机器集群中，解压安装到指定目录

然后进入到conf目录

然后修改两个配置文件

vim spark-env.sh

里面含义，指定你的jdk路径，指定你的zookeeper机器都有哪台，指定每台机器的内核数（线程数量），每台机器的使用内存

这里面不用安装scala了，因为spark里面已经安装好了

：r！ echo /root/spark   //小知识在vim里面输出

linux脚本
一个简单的for循环
for i in {5..8}; do echo $i; done
scp的时候如果机器太多可以写个脚本
for i in {1..5}; do scp -r /root/apps/spark/ hdp-0$i:/root/apps/; done

然后修改slaves文件，把你的worker机器给写入进去就行了

然后把你的spark  给拷贝到其他机器上

然后启动的话sbin下有一个start-all.sh

sbin/start-all.sh  启动即可，这个最好首先配置好master上对其他机器的免密登录

master上的网页显示端口是8080，内部通信端口是7077

现在可以试着配置spark的高可用
修改spark-env.sh
export JAVA_HOME=/root/apps/jdk1.8.0_141/
#export SPARK_MASTER_HOST=hdp-01
#export SPARK_MASTER_PORT=7077export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hdp-01:2181,hdp-02:2181,hdp-03:2181,hdp-04:2181 -Dspark.deploy.zookeeper.dir=/root/zk_spark"
export SPARK_WORKER_CORES=8
export SPARK_WORKER_MEMORY=6g

修改后启动你的zookeeper
县启动你的集群
sbin/start-all.sh
然后再一台有zookeeper的机器上在启动一个master
sbin/start-master.sh

提交第一个spark程序
提交一个程序需要一个客户端 人家名字叫sparkSubmit（Driver）
给活跃的master提交任务，
随便找一台机器当做客户端，在安装包里有一个example
[root@hdp-02 spark-2.4.3-bin-hadoop2.7]# bin/spark-submit --master spark://hdp-01:7077 --class org.apache.spark.examples.SparkPi examples/jars/spark-examples_2.11-2.4.3.jar 500
这里只是用了人家的样例，最后数字是采多少样本
在执行任务的时候，master会启动sparksubmit，还有个coarserGrainedExecutorBackend
这个东西是真正执行任务的东西
程序执行完，这几个进程就会被释放。
可以指定参数，可以指定多个master，比如用多大内存，内核数

参数说明：

--master spark://node1.edu360.cn:7077 指定Master的地址

--executor-memory 2g 指定每个worker可用内存为2G

--total-executor-cores 2 指定整个集群使用的cup核数为2个

[root@hdp-02 spark-2.4.3-bin-hadoop2.7]# bin/spark-submit --master spark://hdp-01:7077,hdp-02:7077 --class org.apache.spark.examples.SparkPi --executor-memory 2048mb --total-executor-cores 12 examples/jars/spark-examples_2.11-2.4.3.jar 500

spark shell交互式命令行，方便学习和测试，可以写spark程序，也是一个客户端
启动spark shell
bin/spark-shell,这样启动没有启动master，是local模式运行的，是模拟的
bin/spark-shell --master spark://hdp-01:7077
此时执行spark-shell的机器也会执行subsubmit
workder也会启动coarserGrainedExecutorBackend，即使现在还没有提交任务，他们在准备工作

在spark-shell中提交一个wordcount程序.....scale一句搞定

sc.textFile 指定读取哪里的文件，注意要是所有的机器都能访问的，不能只是本地的，最好是HDFS的
sc.textFile("hdfs://hdp-01:9000/wordcount/input").flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).collect
sc是spark core(RDD)的执行入口

spark都有哪些进程
首先启动master，然后启动worker，worker会向master注册，然后不停发送心跳检测
master，如果只有一个，会把这些信息保存到磁盘，如果有多个，会保存在zookeeper

1.客户端通过命令行参数知道master在哪，并设置一些参数，比如内存资源和内核数，会先添加任务，然后向master申请资源

2.然后master就会在worker里面查找，负责资源调度（就是将executor在哪些worker启动）

3.master和work进行RPC通信，让worker启动executor（将分配的参数传递过去）然后worker启动executor。

4.接下来，executor和客户端sparksubmit进行通信（通过master-》worker-》execotor这样知道客户端在哪）。

5.然后把sparksubmit把真正的计算逻辑生成task发送给executor。

6.然后再executor执行真正的计算逻辑

yarn和spark的standalone调度模式对比
resourcemanager      master 管理子节点，资源调度，接受任务请求
nodemanager            worker 管理当前结点，并管理子进程
yarnchild                    executor 运行真正的计算逻辑的
client sparksubmit     （client+ApplicationMaster）提交任务，管理该任务的executor，并将task提交给集群
ApplicationMaster

用scala语言简单写一个wordcount

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

/
object wordcount {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
    //spark程序的入口
    val sc = new SparkContext(conf)
    //得到在哪开始读取数据
    val lines: RDD[String] = sc.textFile(args())
    //切分压平
    val words: RDD[String] = lines.flatMap(_.split(" "))
    //把每个单词都变成（单词，1）的元组
    val wordAndOne: RDD[(String,Int)] = words.map((_,))
    //然后进行聚合
    val reduced: RDD[(String, Int)] = wordAndOne.reduceByKey(_+_)
    //排序
    val sorts = reduced.sortBy(_._2, false)
    //保存
    sorts.saveAsTextFile(args())
    sc.stop()
  }
}

然后把这个程序打包放到集群中

./spark-submit --master spark://hdp-01:7077 --class test.ScalaWordCount /root/test.jar hdfs://hdp-01:9000/wc hdfs://hdp-01:9000/wcout