Spark基础解析（一）

1、 Spark概述

1.1 什么是Spark

1.2Spark内置模块

Spark Core：实现了Spark的基本功能，包含任务调度、内存管理、错误恢复、与存储系统交互等模块。Spark Core中还包含了对弹性分布式数据集(Resilient Distributed DataSet，简称RDD)的API定义。

Spark SQL：是Spark用来操作结构化数据的程序包。通过Spark SQL，我们可以使用 SQL或者Apache Hive版本的SQL方言(HQL)来查询数据。Spark SQL支持多种数据源，比如Hive表、Parquet以及JSON等。

Spark Streaming：是Spark提供的对实时数据进行流式计算的组件。提供了用来操作数据流的API，并且与Spark Core中的 RDD API高度对应。

Spark MLlib：提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。

集群管理器：Spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求，同时获得最大灵活性，Spark支持在各种集群管理器(Cluster Manager)上运行，包括Hadoop YARN、Apache Mesos，以及Spark自带的一个简易调度 器，叫作独立调度器。

Spark得到了众多大数据公司的支持，这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于大搜索、直达号、百度大数据等业务；阿里利用GraphX构建了大规模的图计算和图挖掘系统，实现了很多生产系统的推荐算法。

1.3 Spark特点

2、 Spark运行模式

2.1 Spark安装地址

1．官网地址

http://spark.apache.org/

2.2 重要角色

2.2.1 Driver（驱动器）

Spark的驱动器是执行开发程序中的main方法的进程。它负责开发人员编写的用来创建SparkContext、创建RDD，以及进行RDD的转化操作和行动操作代码的执行。如果你是用spark shell，那么当你启动Spark shell的时候，系统后台自启了一个Spark驱动器程序，就是在Spark shell中预加载的一个叫作 sc的SparkContext对象。如果驱动器程序终止，那么Spark应用也就结束了。主要负责：

1）把用户程序转为任务

2）跟踪Executor的运行状况

3）为执行器节点调度任务

4）UI展示应用运行状况

2.2.2 Executor（执行器）

Spark Executor是一个工作进程，负责在 Spark 作业中运行任务，任务间相互独立。Spark 应用启动时，Executor节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor节点上继续运行。主要负责：

1）负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程；

2）通过自身的块管理器（Block Manager）为用户程序中要求缓存的RDD提供内存式存储。RDD是直接缓存在Executor进程内的，因此任务可以在运行时充分利用缓存数据加速运算。

2.3 Local模式

2.3.1 概述

2.3.2 安装使用

1）上传并解压spark安装包

wxn@hadoop102 sorfware\]$ tar -zxvf spark-2.1.1-bin-hadoop2.7.tgz -C /opt/module/ \[wxn@hadoop102 module\]$ mv spark-2.1.1-bin-hadoop2.7 spark 2）官方求PI案例 \[wxn@hadoop102 spark\]$ （1）基本语法 bin/spark-submit --class --master --deploy-mode --conf = ... # other options \[application-arguments

（2）参数说明：

--master 指定Master的地址，默认为Local

--class: 你的应用的启动类 (如 org.apache.spark.examples.SparkPi)

--deploy-mode: 是否发布你的驱动到worker节点(cluster) 或者作为一个本地客户端 (client) (default: client)*

--conf: 任意的Spark配置属性， 格式key=value. 如果值包含空格，可以加引号"key=value"

application-jar: 打包好的应用jar,包含依赖. 这个URL在集群中全局可见。 比如hdfs:// 共享存储系统， 如果是 file:// path， 那么所有的节点的path都包含同样的jar

application-arguments: 传给main()方法的参数

--executor-memory 1G 指定每个executor可用内存为1G

--total-executor-cores 2 指定每个executor使用的cup核数为2个

3）结果展示

该算法是利用蒙特·卡罗算法求PI

4）准备文件

wxn@hadoop102 spark\]$ mkdir input 在input下创建3个文件1.txt和2.txt，并输入以下内容 hello wxn hello spark 5）启动spark-shell ```powershell [wxn@hadoop102 spark]$ bin/spark-shell Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties Setting default log level to "WARN". To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel). 23/09/29 08:50:52 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable 23/09/29 08:50:58 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException Spark context Web UI available at http://192.168.9.102:4040 Spark context available as 'sc' (master = local[*], app id = local-1538232253312). Spark session available as 'spark'. Welcome to ____ __ / __/__ ___ _____/ /__ _\ \/ _ \/ _ `/ __/ '_/ /___/ .__/\_,_/_/ /_/\_\ version 2.1.1 /_/ Using Scala version 2.11.8 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_144) Type in expressions to have them evaluated. Type :help for more information. scala> ``` 开启另一个CRD窗口 \[wxn@hadoop102 spark\]$ jps 3627 SparkSubmit 4047 Jps 可登录hadoop102:4040查看程序运行  6）运行WordCount程序 ```powershell scala>sc.textFile("input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3), (hive,3), (wxn,3), (hbase,6)) scala> ``` 可登录hadoop102:4040查看程序运行  7）WordCount程序分析 提交任务分析：  数据流分析： textFile("input")：读取本地文件input文件夹数据； flatMap(*.split(" "))：压平操作，按照空格分割符将一行数据映射成一个个单词； map((* ,1))：对每一个元素操作，将单词映射为元组； reduceByKey(*+* )：按照key将值进行聚合，相加； collect：将数据收集到Driver端展示。  ### 2.4 Standalone模式 #### 2.4.1 概述 构建一个由Master+Slave构成的Spark集群，Spark运行在集群中。  #### 2.4.2 安装使用 1）进入spark安装目录下的conf文件夹 \[wxn@hadoop102 module\]$ cd spark/conf/ 2）修改配置文件名称 \[wxn@hadoop102 conf\]$ mv slaves.template slaves \[wxn@hadoop102 conf\]$ mv spark-env.sh.template spark-env.sh 3）修改slave文件，添加work节点： \[wxn@hadoop102 conf\]$ vim slaves hadoop102 hadoop103 hadoop104 4）修改spark-env.sh文件，添加如下配置： ```powershell [wxn@hadoop102 conf]$ vim spark-env.sh SPARK_MASTER_HOST=hadoop102 SPARK_MASTER_PORT=7077 ``` 5）分发spark包 ```powershell [wxn@hadoop102 module]$ xsync spark/ ``` 6）启动 ```powershell [wxn@hadoop102 spark]$ sbin/start-all.sh [wxn@hadoop102 spark]$ util.sh ================wxn@hadoop102================ 3330 Jps 3238 Worker 3163 Master ================wxn@hadoop103================ 2966 Jps 2908 Worker ================wxn@hadoop104================ 2978 Worker 3036 Jps ``` 网页查看：hadoop102:8080 注意：如果遇到 "JAVA_HOME not set" 异常，可以在sbin目录下的spark-config.sh 文件中加入如下配置： export JAVA_HOME=XXXX 7）官方求PI案例 ```powershell [wxn@hadoop102 spark]$ bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master spark://hadoop102:7077 \ --executor-memory 1G \ --total-executor-cores 2 \ ./examples/jars/spark-examples_2.11-2.1.1.jar \ 100 ``` 8）启动spark shell ```powershell /opt/module/spark/bin/spark-shell \ --master spark://hadoop102:7077 \ --executor-memory 1g \ --total-executor-cores 2 参数：--master spark://hadoop102:7077指定要连接的集群的master 执行WordCount程序 scala>sc.textFile("input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3), (hive,3), (wxn,3), (hbase,6)) scala> ``` #### 2.4.3 JobHistoryServer配置 1）修改spark-default.conf.template名称 \[wxn@hadoop102 conf\]$ mv spark-defaults.conf.template spark-defaults.conf 2）修改spark-default.conf文件，开启Log： ```powershell [wxn@hadoop102 conf]$ vi spark-defaults.conf spark.eventLog.enabled true spark.eventLog.dir hdfs://hadoop102:9000/directory ``` 注意：HDFS上的目录需要提前存在。 3）修改spark-env.sh文件，添加如下配置： ```powershell [wxn@hadoop102 conf]$ vi spark-env.sh export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=23080 -Dspark.history.retainedApplications=30 -Dspark.history.fs.logDirectory=hdfs://hadoop102:9000/directory" ``` 参数描述： spark.eventLog.dir：Application在运行过程中所有的信息均记录在该属性指定的路径下； spark.history.ui.port=23080 WEBUI访问的端口号为23080 spark.history.fs.logDirectory=hdfs://hadoop102:9000/directory 配置了该属性后，在start-history-server.sh时就无需再显式的指定路径，Spark History Server页面只展示该指定路径下的信息 spark.history.retainedApplications=30指定保存Application历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。 4）分发配置文件 \[wxn@hadoop102 conf\]$ xsync spark-defaults.conf \[wxn@hadoop102 conf\]$ xsync spark-env.sh 5）启动历史服务 \[wxn@hadoop102 spark\]$ sbin/start-history-server.sh 6）再次执行任务 ```powershell [wxn@hadoop102 spark]$ bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master spark://hadoop102:7077 \ --executor-memory 1G \ --total-executor-cores 2 \ ./examples/jars/spark-examples_2.11-2.1.1.jar \ 100 ``` 7）查看历史服务 hadoop102:23080  #### 2.4.4 HA配置  1）zookeeper正常安装并启动 2）修改spark-env.sh文件添加如下配置： ```powershell [wxn@hadoop102 conf]$ vi spark-env.sh 注释掉如下内容： #SPARK_MASTER_HOST=hadoop102 #SPARK_MASTER_PORT=7077 添加上如下内容： export SPARK_DAEMON_JAVA_OPTS=" -Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104 -Dspark.deploy.zookeeper.dir=/spark" ``` 3）分发配置文件 \[wxn@hadoop102 conf\]$ xsync spark-env.sh 4）在hadoop102上启动全部节点 \[wxn@hadoop102 spark\]$ sbin/start-all.sh 5）在hadoop103上单独启动master节点 \[wxn@hadoop103 spark\]$ sbin/start-master.sh 6）spark HA集群访问 ```powershell /opt/module/spark/bin/spark-shell \ --master spark://hadoop102:7077,hadoop103:7077 \ --executor-memory 2g \ --total-executor-cores 2 ``` ### 2.5 Yarn模式 #### 2.5.1 概述 Spark客户端直接连接Yarn，不需要额外构建Spark集群。有yarn-client和yarn-cluster两种模式，主要区别在于：Driver程序的运行节点。 yarn-client：Driver程序运行在客户端，适用于交互、调试，希望立即看到app的输出 yarn-cluster：Driver程序运行在由RM（ResourceManager）启动的AP（APPMaster）适用于生产环境。  2.5.2 安装使用 1）修改hadoop配置文件yarn-site.xml,添加如下内容： ```powershell [wxn@hadoop102 hadoop]$ vi yarn-site.xml yarn.nodemanager.pmem-check-enabled false yarn.nodemanager.vmem-check-enabled false ``` 2）修改spark-env.sh，添加如下配置： \[wxn@hadoop102 conf\]$ vi spark-env.sh YARN_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop 3）分发配置文件 \[wxn@hadoop102 conf\]$ xsync /opt/module/hadoop-2.7.2/etc/hadoop/yarn-site.xml \[wxn@hadoop102 conf\]$ xsync spark-env.sh 4）执行一个程序（该程序分析：spark只有一份提交到yarn上能运行（因为standalone模式是一个基于Master和worker的调度工具，因为要启动Master和worker进程因此需要spark（配置文件即jar包）），当提交给yarn,yarn本身是一个集群，此时运行在yarn上只需要有一个提交任务的jar包就够了，此时不涉及到spark的任何进程，中间的driver,executor都是yarn去调度资源启动的，此时本地的jar包只是提交任务，不参与运算，计算的jar是封装好的求pi得jar包） ```powershell [wxn@hadoop102 spark]$ bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master yarn \ --deploy-mode client \ ./examples/jars/spark-examples_2.11-2.1.1.jar \ 100 ``` 注意：在提交任务之前需启动HDFS以及YARN集群。 2.5.3 日志查看 1）修改配置文件spark-defaults.conf 添加如下内容： spark.yarn.historyServer.address=hadoop102:23080 spark.history.ui.port=23080 2）重启spark历史服务 ```powershell [wxn@hadoop102 spark]$ sbin/stop-history-server.sh stopping org.apache.spark.deploy.history.HistoryServer [wxn@hadoop102 spark]$ sbin/start-history-server.sh starting org.apache.spark.deploy.history.HistoryServer, logging to /opt/module/spark/logs/spark-wxn-org.apache.spark.deploy.history.HistoryServer-1-hadoop102.out ``` 3）提交任务到Yarn执行 ```powershell [wxn@hadoop102 spark]$ bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master yarn \ --deploy-mode client \ ./examples/jars/spark-examples_2.11-2.1.1.jar \ 100 ``` Yarn模式进入shell命令窗口：\[ybb@hadoop102 spark\]$ bin/spark-shell --master yarn  HistoryServer：是spark得历史日志进程 启动命令：sbin/start-history-server.sh JobHistoryServe：是yarn的历史日志进程 启动命令：mr-jobhistory-daemon.sh start historyserver 4）Web页面查看日志   ### 2.6 Mesos模式 Spark客户端直接连接Mesos；不需要额外构建Spark集群。国内应用比较少，更多的是运用yarn调度。 ### 2.7 几种模式对比  ## 3、 案例实操 Spark Shell仅在测试和验证我们的程序时使用的较多，在生产环境中，通常会在IDE中编制程序，然后打成jar包，然后提交到集群，最常用的是创建一个Maven项目，利用Maven来管理jar包的依赖。 ### 3.1 编写WordCount程序 1）创建一个Maven项目WordCount并导入依赖 ```powershell org.apache.spark spark-core_2.11 2.1.1 WordCount net.alchim31.maven scala-maven-plugin 3.2.2 compile testCompile ``` 2）编写代码 ```powershell package com.wxn import org.apache.spark.rdd.RDD import org.apache.spark.{SparkConf, SparkContext} object WordCount { def main(args: Array[String]): Unit = { //1.创建spark配置信息(补全代码快捷键：Ctrl+Alt+V) val sparkConf: SparkConf = new SparkConf().setAppName("WordCount") //2.初始化与Spark的连接 val sc: SparkContext = new SparkContext(sparkConf) //3.读取文件 val line: RDD[String] = sc.textFile(args(0)) //4.将每一行进行切分 val word: RDD[String] = line.flatMap(_.split(" ")) //5.将每个单词映射成元组 val wordToOne: RDD[(String, Int)] = word.map((_,1)) //6.按照单词将次数累加 val wordToCount: RDD[(String, Int)] = wordToOne.reduceByKey(_+_) //7.将数据保存到文件中 wordToCount.saveAsTextFile(args(1)) //8.关闭连接 sc.stop() } } ``` 3）打包插件 ```powershell org.apache.maven.plugins maven-assembly-plugin 3.0.0 WordCount jar-with-dependencies make-assembly package single ``` 4）打包到集群测试 ```powershell bin/spark-submit \ --class WordCount \ --master spark://hadoop102:7077 \ WordCount.jar \ /word.txt \ /out Yarn模式： bin/spark-submit --master yarn --class com.wxn.WordCount WordCount.jar /input/input /sparkout 查看输出数据： ``` ### 3.2 本地调试 本地调试代码： ```powershell package com.wxn import org.apache.spark.rdd.RDD import org.apache.spark.{SparkConf, SparkContext} object WordCount { def main(args: Array[String]): Unit = { //1.创建spark配置信息(补全代码快捷键：Ctrl+Alt+V) val sparkConf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local[*]") //2.初始化与Spark的连接 val sc: SparkContext = new SparkContext(sparkConf) //3.读取文件 val line: RDD[String] = sc.textFile("data/word.txt") //4.将每一行进行切分 val word: RDD[String] = line.flatMap(_.split(" ")) //5.将每个单词映射成元组 val wordToOne: RDD[(String, Int)] = word.map((_,1)) //6.按照单词将次数累加 val wordToCount: RDD[(String, Int)] = wordToOne.reduceByKey(_+_) //7.将数据保存到文件中 val result: Array[(String, Int)] = wordToCount.collect() //打印数组 for (elem <- result) { println(elem) } //8.关闭连接 sc.stop() } } ```  本地Spark程序调试需要使用local提交模式，即将本机当做运行环境，Master和Worker都为本机。运行时直接加断点调试即可。如下： 创建SparkConf的时候设置额外属性，表明本地执行： val conf = new SparkConf().setAppName("WC").setMaster("local\[\*\]") 如果本机操作系统是windows，如果在程序中使用了hadoop相关的东西，比如写入文件到HDFS，则会遇到如下异常：  出现这个问题的原因，并不是程序的错误，而是用到了hadoop相关的服务，解决办法是将附加里面的hadoop-common-bin-2.7.3-x64.zip解压到任意目录。  在IDEA中配置Run Configuration，添加HADOOP_HOME变量  下面为断点调试显示数据的操作  总结： （一）在使用Local模式的时候只需要启动，spark就可以，没有依赖 （二）在使用Standalone模式只需要启动spark集群就可以，也可以启动JobHistoryServer,没有依赖 （三）在使用HA模式的时候，先要启动zookeeper集群，再启动spark集群 （四）在使用yarn模式的时候，只需要在hdfs上有一份配置文件即可，hadoop103、hadoop104不需要再配置，yarn会自动分配资源和任务，因为在hdfs上hadoop102、hadoop103、hadoop104资源是共享的；启动spark前需要启动hdfs、yarn、historyServer;不需要启动zookeeper；当运行任务，指定master即可，将任务提交到yarn上运行即可。