Apache Spark - 用于大规模数据分析的统一引擎

一直走下去-明2025-03-28 13:13

Apache Spark - 用于大规模数据分析的统一引擎

Apache Spark 是用于大规模数据处理的统一分析引擎。 它提供 Java、Scala、Python 和 R 的高级 API， 以及支持常规执行图的优化引擎。 它还支持一组丰富的高级工具，包括用于 SQL 和结构化数据处理的 Spark SQL、用于 pandas 工作负载 的 Spark 上的 pandas API、用于机器学习的 MLlib、用于图形处理的 GraphX、 以及 Structured Streaming，用于增量计算和流处理。

下载

从项目网站的下载页面获取 Spark。本文档适用于 Spark 版本 3.5.5。Spark 将 Hadoop 的客户端库用于 HDFS 和 YARN。下载内容已针对少数流行的 Hadoop 版本进行了预打包。 用户还可以下载"Hadoop 免费"二进制文件，并通过扩充 Spark 的类路径，使用任何 Hadoop 版本运行 Spark。 Scala 和 Java 用户可以使用其 Maven 坐标将 Spark 包含在其项目中，Python 用户可以从 PyPI 安装 Spark。

如果您想从 source，请访问 Building Spark。

Spark 可以在 Windows 和类 UNIX 系统（例如 Linux、Mac OS）上运行，并且它应该可以在运行受支持的 Java 版本的任何平台上运行。这应包括 x86_64 和 ARM64 上的 JVM。在一台机器上本地运行很容易 - 您只需在 system 上安装，或者使用指向 Java 安装的环境变量。java``PATH``JAVA_HOME

Spark 可在 Java 8/11/17、Scala 2.12/2.13、Python 3.8+ 和 R 3.5+ 上运行。 版本 8u371 之前的 Java 8 支持从 Spark 3.5.0 开始弃用。 使用 Scala API 时，应用程序必须使用编译 Spark 的相同 Scala 版本。 例如，使用 Scala 2.13 时，使用为 2.13 编译的 Spark，并编译为 Scala 2.13 的代码/应用程序。

对于 Java 11，需要对 Apache Arrow 库进行设置。这可以防止 Apache Arrow 在内部使用 Netty 时出现错误。-Dio.netty.tryReflectionSetAccessible=true``java.lang.UnsupportedOperationException: sun.misc.Unsafe or java.nio.DirectByteBuffer.(long, int) not available

运行示例和 Shell

Spark 附带了几个示例程序。Python、Scala、Java 和 R 示例位于目录中。examples/src/main

要在 Python 解释器中以交互方式运行 Spark，请使用：bin/pyspark

复制代码 
./bin/pyspark --master "local[2]"

以 Python 提供示例应用程序。例如：

复制代码 
./bin/spark-submit examples/src/main/python/pi.py 10

要运行 Scala 或 Java 示例程序之一，请在顶级 Spark 目录中使用。（在幕后，这个 调用更通用的 spark-submit 脚本 启动应用程序）。例如bin/run-example <class> [params]

复制代码 
./bin/run-example SparkPi 10

您还可以通过 Scala shell 的修改版本以交互方式运行 Spark。这是一个 学习框架的好方法。

复制代码 
./bin/spark-shell --master "local[2]"

该选项指定分布式集群的主 URL，或运行 本地使用 1 个线程，或者使用 N 个线程在本地运行。您应该从 using for testing 开始。有关选项的完整列表，请使用选项运行 Spark shell。--master``local``local[N]``local``--help

从版本 1.4 开始，Spark 提供了一个 R API（仅包含数据帧 API）。 要在 R 解释器中以交互方式运行 Spark，请使用：bin/sparkR

复制代码 
./bin/sparkR --master "local[2]"

R 中还提供了示例应用程序。例如：

复制代码 
./bin/spark-submit examples/src/main/r/dataframe.R

使用 Spark Connect 在 Anywhere 上运行 Spark 客户端应用程序

Spark Connect 是 Spark 3.4 中引入的一种新的客户端-服务器体系结构，用于分离 Spark 客户端应用程序，并允许远程连接到 Spark 集群。两者之间的分离 客户端和服务器允许从任何地方利用 Spark 及其开放式生态系统，嵌入式 在任何应用程序中。在 Spark 3.4 中，Spark Connect 为 PySpark 和 Scala 中的数据帧/数据集 API 支持。

要了解有关 Spark Connect 及其使用方法的更多信息，请参阅 Spark Connect 概述。

在集群上启动

Spark 集群模式概述介绍了在集群上运行的关键概念。 Spark 既可以单独运行，也可以在多个现有集群管理器上运行。它目前提供了几个 部署选项：

从这里去哪里

编程指南：

API 文档：

部署指南：

其他文件：

外部资源：

快速入门 - Spark 3.5.5 文档

Apache spark 下载镜像

使用 Spark Shell 进行交互式分析

基本

scala 复制代码 
./bin/spark-shell
scala> val textFile = spark.read.textFile("README.md")
textFile: org.apache.spark.sql.Dataset[String] = [value: string]
scala 复制代码 
scala> textFile.count() // Number of items in this Dataset
res0: Long = 126 // May be different from yours as README.md will change over time, similar to other outputs

scala> textFile.first() // First item in this Dataset
res1: String = # Apache Spark
scala 复制代码 
scala> val linesWithSpark = textFile.filter(line => line.contains("Spark"))
linesWithSpark: org.apache.spark.sql.Dataset[String] = [value: string]
scala 复制代码 
scala> textFile.filter(line => line.contains("Spark")).count() // How many lines contain "Spark"?
res3: Long = 15

有关数据集作的更多信息

scala 复制代码 
scala> textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)
res4: Int = 15
scala 复制代码 
scala> import java.lang.Math
import java.lang.Math

scala> textFile.map(line => line.split(" ").size).reduce((a, b) => Math.max(a, b))
res5: Int = 15
scala 复制代码 
scala> val wordCounts = textFile.flatMap(line => line.split(" ")).groupByKey(identity).count()
wordCounts: org.apache.spark.sql.Dataset[(String, Long)] = [value: string, count(1): bigint]
scala 复制代码 
scala> wordCounts.collect()
res6: Array[(String, Int)] = Array((means,1), (under,2), (this,3), (Because,1), (Python,2), (agree,1), (cluster.,1), ...)

缓存

scala 复制代码 
scala> linesWithSpark.cache()
res7: linesWithSpark.type = [value: string]

scala> linesWithSpark.count()
res8: Long = 15

scala> linesWithSpark.count()
res9: Long = 15

访问：Spark shell - Spark Jobs

自包含应用程序

此示例将使用 Maven 编译应用程序 JAR，但任何类似的构建系统都可以使用。

我们将创建一个非常简单的 Spark 应用程序：SimpleApp.java

复制代码 
/**
 * @author heliming
 * @version 1.0
 * @date 2025/3/24-22:18
 * @description TODO
 */
/* SimpleApp.java */
import org.apache.spark.api.java.function.FilterFunction;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.Dataset;

public class SimpleApp {
  public static void main(String[] args) {
    System.out.println(123);
    String logFile = "D:\\spark-3.4.4-bin-hadoop3\\README.md"; // Should be some file on your system
    SparkSession spark = SparkSession.builder().appName("Simple Application").getOrCreate();
    Dataset<String> logData = spark.read().textFile(logFile).cache();

    long numAs = logData.filter((FilterFunction<String>) s -> s.contains("a")).count();
    long numBs = logData.filter((FilterFunction<String>) s -> s.contains("b")).count();

    System.out.println("Lines with a: " + numAs + ", lines with b: " + numBs);

    spark.stop();
  }
}

pom.xml

复制代码 
<?xml version="1.0" encoding="UTF-8"?>
<project>
  <groupId>edu.berkeley</groupId>
  <artifactId>simple-project</artifactId>
  <build>
    <plugins>
      <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-compiler-plugin</artifactId>
        <configuration>
          <source>8</source>
          <target>8</target>
        </configuration>
      </plugin>
    </plugins>
  </build>
  <modelVersion>4.0.0</modelVersion>
  <name>Simple Project</name>
  <packaging>jar</packaging>
  <version>1.0</version>
  <dependencies>
    <dependency> <!-- Spark dependency -->
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-sql_2.12</artifactId>
      <version>3.5.5</version>
      <scope>provided</scope>
    </dependency>
  </dependencies>
</project>

我们根据规范的 Maven 目录结构对这些文件进行布局：

复制代码 
$ find .
./pom.xml
./src
./src/main
./src/main/java
./src/main/java/SimpleApp.java

现在，我们可以使用 Maven 打包应用程序并使用 ../bin/spark-submit

复制代码 
# Package a JAR containing your application
$ mvn package
...
[INFO] Building jar: {..}/{..}/target/simple-project-1.0.jar

# Use spark-submit to run your application
$ YOUR_SPARK_HOME/bin/spark-submit \
  --class "SimpleApp" \
  --master local[4] \
  target/simple-project-1.0.jar
...
Lines with a: 72, lines with b: 39

我打包复制到YOUR_SPARK_HOME下了，执行的

复制代码 
bin/spark-submit.cmd --class "SimpleApp" --master local[4] simple-project-1.0.jar

从这里去哪里

恭喜您运行了您的第一个 Spark 应用程序！

  • 有关 API 的深入概述，请从 RDD 编程指南和 SQL 编程指南开始，或者查看其他组件的"编程指南"菜单。

  • 要在集群上运行应用程序，请前往部署概述。

  • 最后，Spark 在目录中包含几个示例 （Scala、Java、Python、R）。 您可以按如下方式运行它们：examples

    For Scala and Java, use run-example:

    ./bin/run-example SparkPi

    For Python examples, use spark-submit directly:

    ./bin/spark-submit examples/src/main/python/pi.py

    For R examples, use spark-submit directly:

    ./bin/spark-submit examples/src/main/r/dataframe.R

配置参数 - Spark 3.5.5 Documentation

idea中使用

SparkWordCount

java 复制代码 
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.function.FilterFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.SparkSession;


public class SparkWordCount {
    public static void main(String[] args) {

        System.setProperty("hadoop.home.dir", "D:\\hadoop-3.3.6\\hadoop-3.3.6");
        SparkConf sparkConf = new SparkConf()
                .set("spark.testing.memory", "1024000000");
        String logFile = "D:\\work\\demo\\HELP.md"; // Should be some file on your system
        SparkSession spark = SparkSession.builder().appName("Simple Application").master("local[4]").config(sparkConf).getOrCreate();
        Dataset<String> logData = spark.read().textFile(logFile).cache();

        long numAs = logData.filter((FilterFunction<String>) s -> s.contains("a")).count();
        long numBs = logData.filter((FilterFunction<String>) s -> s.contains("b")).count();

        System.out.println("Lines with a: " + numAs + ", lines with b: " + numBs);

        spark.stop();
    }
}
//输出：Lines with a: 15, lines with b: 5

pom

复制代码 
<!-- Spark Core 依赖（Java 必须要有） -->
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-core_2.12</artifactId>
      <version>3.5.5</version>
    </dependency>

    <!-- Spark SQL（如果你使用 Spark SQL，可以加上） -->
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-sql_2.12</artifactId>
      <version>3.5.5</version>
    </dependency>
    <dependency>
      <groupId>io.netty</groupId>
      <artifactId>netty-all</artifactId>
      <version>4.1.87.Final</version>
    </dependency>

可能会遇到下边问题

问题1

问题2

  • cmd执行

    复制代码 
    hadoop version

    如果报错

  • Error: JAVA_HOME is incorrectly set.

    Please update D:\hadoop-3.3.6\hadoop-3.3.6\etc\hadoop\hadoop-env.cmd

  • 这里提示的D:\hadoop-3.3.6\hadoop-3.3.6\etc\hadoop\hadoop-env.cmd是我的hadoop目录的这个文件，你的按你的提示的改对应地方。可能是jdk有空格

  • hadoop-env.cmd中修改

    复制代码 
    set JAVA_HOME=%JAVA_HOME%

    改为

    复制代码 
    set JAVA_HOME=C:\PROGRA~2\Java\jdk1.8.0_102

Program Files和Program Files (x86)这两个目录分别表示为：PROGRA~1 和 PROGRA~2

C:\Program Files (x86)\Java\jdk1.8.0_102是我的jdk路径，你改成你的，记得最后别像网上说的乱改jdk的目录，别搞得你环境都不对了，像我这样改。

问题3

  • INVALID_DRIVER_MEMORY\] System memory 259522560 must be at least 471859200. Please increase heap size using the --driver-memory option or "spark.driver.memory" in Spark configuration.

    SparkConf sparkConf = new SparkConf()
    .set("spark.testing.memory", "102400000");设置大于450M

问题4

  • 如果你的netty跟这个冲突也可能报错：Exception in thread "main" java.lang.NoSuchMethodError: io.netty.buffer.PooledByteBufAllocator.(ZIIIIIIZ)V

  • pom中加上，这里主要是看你spark用的什么版本的，在这看，我的spark安装目录是D:\spark\spark-3.4.4-bin-hadoop3取下边的jars目录找netty看看它用的什么jar

    复制代码 
    D:\spark\spark-3.4.4-bin-hadoop3\jars

    然后自己pom跟他用的不一样会出现这个问题，记得改成和他一样的。或者你找他版本和你netty一样的spark包部署，就是你兼容它或者让它然兼容你

    复制代码 
    <dependency>
      <groupId>io.netty</groupId>
     <artifactId>netty-all</artifactId>
    <version>4.1.87.Final</version>
   </dependency>

    #无shufte
    sc.makeRDD(List(1,2,3,4)).map(num=>num).collect
    #有Shuffle
    sc.makeRDD(List(1,2,3,4)).groupBy(_%2).collect
Job Id ▾ Description Submitted Duration Stages: Succeeded/Total Tasks (for all stages): Succeeded/Total
1 collect at :24collect at :24 2025/03/26 10:30:34 1 s 2/2 16/16
0 collect at :24collect at :24 2025/03/26 10:22:17 0.4 s 1/1 8/8

需要文件中转所以变为16，乘2了，shuffle操作分区越多消耗越大

Stage Id Description Submitted Duration Tasks: Succeeded/Total Input Output Shuffle Read ▾ Shuffle Write
2 collect at :24+details 2025/03/26 10:30:35 94 ms 8/8 208.0 B
1 groupBy at :24+details 2025/03/26 10:30:34 0.8 s 8/8 208.0 B

优化shufte，可以改分区，例如上边的例子数据就2个分区可以直接指定2个分区

复制代码 
sc.makeRDD(List(1,2,3,4)).groupBy(_%2,2).collect
Job Id ▾ Description Submitted Duration Stages: Succeeded/Total Tasks (for all stages): Succeeded/Total
2 collect at :24collect at :24 2025/03/26 10:46:19 44 ms 2/2 10/10
Stage Id ▾ Description Submitted Duration Tasks: Succeeded/Total Input Output Shuffle Read Shuffle Write
4 collect at :24+details 2025/03/26 10:46:19 3.1 min 2/2 208.0 B
3 groupBy at :24+details 2025/03/26 10:46:19 34 ms 8/8 208.0 B

发现分区少了，消耗的性能降低了

血缘关系rdd.toDebugString

依赖关系rdd.dependencies

相关推荐
Lansonli33 分钟前
大数据Spark（五十六）：Spark生态模块与运行模式
大数据·分布式·spark
hf20001233 分钟前
技术深度报道：解析云器Lakehouse如何实现超越Spark 10倍性能提升
大数据·分布式·spark
DDDiccc4 小时前
项目-苍穹外卖（十七) Apache POI+导出数据
apache
豆芽8194 小时前
基于Web的交互式智能成绩管理系统设计
前端·python·信息可视化·数据分析·交互·web·数据可视化
阿里云大数据AI技术6 小时前
高效向量检索实践：阿里云百炼生成+Milvus存储技术方案解析
大数据·数据分析·云计算
智慧源点6 小时前
Apache Doris 高频问题排查指南：从报错到性能优化
apache
databook8 小时前
『Plotly实战指南』--饼图绘制高级篇
python·数据分析·数据可视化
起个破名想半天了10 小时前
python实现股票数据可视化
python·数据分析·股票数据可视化·poltly
Arbori_2621510 小时前
Spark 程序的本地模式和集群模式
大数据·分布式·spark
啊阿狸不会拉杆15 小时前
第十五章:Python的Pandas库详解及常见用法
开发语言·python·数据分析·pandas
热门推荐
01【笔记】MJ Prompt02RAG 实践- Ollama+RagFlow 部署本地知识库03DeepSeek各版本说明与优缺点分析04HTML项目一键打包工具：HTML2EXE 最新版05本地化部署AI知识库：基于Ollama+DeepSeek+AnythingLLM保姆级教程06从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑07uniApp使用XR-Frame创建3D场景(3)光源投影的运用。08苍穹外卖面试总结09如何在WPS和Word/Excel中直接使用DeepSeek功能10PyTorch量化技术教程：第四章 PyTorch在量化交易中的应用