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Apache的开源项目之一。
Spark在整个大数据系统中处于中间偏上层的地位，如下图，对hadoop起到了补充作用：

基本概念

Fork/Join框架是Java7提供了的一个用于并行执行任务的框架， 是一个把大任务分割成若干个小任务，最终汇总每个小任务结果后得到大任务结果的框架。

• 第一步分割任务。首先我们需要有一个fork类来把大任务分割成子任务，有可能子任务还是很大，所以还需要不停的分割，直到分割出的子任务足够小。

• 第二步执行任务并合并结果。分割的子任务分别放在双端队列里，然后几个启动线程分别从双端队列里获取任务执行。子任务执行完的结果都统一放在一个队列里，启动一个线程从队列里拿数据，然后合并这些数据。
  具体可参考Fork/Join

  核心概念

• RDD(Resilient Distributed Dataset) 弹性分布数据集介绍
  弹性分布式数据集（基于Matei的研究论文）或RDD是Spark框架中的核心概念。可以将RDD视作数据库中的一张表。其中可以保存任何类型的数据。Spark将数据存储在不同分区上的RDD之中。
  RDD可以帮助重新安排计算并优化数据处理过程。
  此外，它还具有容错性，因为RDD知道如何重新创建和重新计算数据集。
  RDD是不可变的。你可以用变换（Transformation）修改RDD，但是这个变换所返回的是一个全新的RDD，而原有的RDD仍然保持不变。
  RDD支持两种类型的操作：
  • 变换（Transformation）
  • 行动（Action）
    变换：变换的返回值是一个新的RDD集合，而不是单个值。调用一个变换方法，不会有任何求值计算，它只获取一个RDD作为参数，然后返回一个新的RDD。变换函数包括：map，filter，flatMap，groupByKey，reduceByKey，aggregateByKey，pipe和coalesce。
    行动：行动操作计算并返回一个新的值。当在一个RDD对象上调用行动函数时，会在这一时刻计算全部的数据处理查询并返回结果值。
    行动操作包括：reduce，collect，count，first，take，countByKey以及foreach。
• 共享变量（Shared varialbes）
  • 广播变量（Broadcast variables）
  • 累加器（Accumulators）
• Master/Worker/Driver/Executor
  
  • Master：1. 接受Worker的注册请求，统筹记录所有Worker的CPU、Memory等资源，并跟踪Worker结点的活动状态；2. 接受Driver中App的注册请求(这个请求由Driver端的Client发出)，为App在Worker上分配CPU、Memory资源，生成后台Executor进程；之后跟踪Executor和App的活动状态。
  • Worker：负责接收Master的指示，为App创建Executor进程。Worker在Master和Executor之间起着桥梁作用，实际不会参与计算工作。
  • Driver：负责用户侧逻辑处理。
  • Executor：负责计算，接受并执行由App划分的Task任务，并将结果缓存在本地内存或磁盘。

Spark部署

关于Spark的部署网上相关资料很多，这里进行归纳整理

部署环境

• Ubuntu 14.04LTS
• Hadoop:2.7.0
• Java JDK 1.8
• Spark 1.6.1
• Scala 2.11.8

Hadoop安装

由于Spark会利用HDFS和YARN，所以需要提前配置Hadoop，配置教程可以参考：
Setting up a Apache Hadoop 2.7 single node on Ubuntu 14.04
Hadoop安装教程_单机/伪分布式配置_Hadoop2.6.0/Ubuntu14.04

Spark安装

在安装好Hadoop的基础上，搭建Spark，配置教程参考：
Spark快速入门指南 – Spark安装与基础使用

scala安装

Scala作为编写Spark的源生语言，更新速度和支持情况肯定是最好的，而另一方面Scala本身语言中对于面向对象和函数式编程两种思想的糅合，使得该语言具有很多炫酷的语法糖，所以在使用Spark的过程中我采用了Scala语言进行开发。

• Scala最终编译成字节码需要运行在JVM中，所以需要依托于jdk，需要部署jdk
• Eclipse作为一款开发Java的IDE神器，在Scala中当然也可以使用，有两种方式:
  • Eclipse->Help->Install New Software安装Scala Plugins
  • 下载官网已经提供的集成好的Scala IDE
• 基于以上两步已经可以进行Scala开发，需要用到Scala自带的SBT编译的同学可以装下Scala官网下载地址，本人一直使用Maven进行包管理就延续Maven的使用

简单示例：WordCount（Spark Scala）

• 开发IDE：Eclipse Scala
• 包管理：Maven
• 开发语言：Scala

创建Maven项目

1. 
   跳过archetype项目模板的选择
2. 下载模板pom.xml
3. 对maven项目添加Scala属性：
   Right click on project -> configure - > Add Scala Nature.
4. 调整下Scala编译器的版本，与Spark版本对应：
   Right click on project- > Go to properties -> Scala compiler -> update Scala installation version to 2.10.5
5. 从Build Path中移除Scala Library（由于在Maven中添加了Spark Core的依赖项，而Spark是依赖于Scala的，Scala的jar包已经存在于Maven Dependency中）：
   Right click on the project -> Build path -> Configure build path and remove Scala Library Container.
6. 添加package包com.spark.sample
   
7. 创建Object WordCount和SimpleCount，用来作为Spark的两个简单示例

Spark Sample

源码
原理如下图：

参考文献：

1. http://km.oa.com/group/2430/articles/show/181711?kmref=search&from_page=1&no=1&is_from_iso=1
2. http://spark.apache.org/docs/latest/programming-guide.html#resilient-distributed-datasets-rdds
3. http://www.infoq.com/cn/articles/apache-spark-introduction?utm_source=infoq_en&utm_medium=link_on_en_item&utm_campaign=item_in_other_langs
4. http://www.infoq.com/cn/articles/apache-spark-sql
5. http://www.infoq.com/cn/articles/apache-spark-streaming
6. http://www.devinline.com/2016/01/apache-spark-setup-in-eclipse-scala-ide.html
7. https://databricks.gitbooks.io/databricks-spark-reference-applications/content/
8. http://wuchong.me/blog/2015/04/06/spark-on-hbase-new-api/
9. http://colobu.com/2015/01/05/kafka-spark-streaming-integration-summary/
10. http://www.devinline.com/2016/01/apache-spark-setup-in-eclipse-scala-ide.html