{大数据}spark入门

目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLlib等子项目，Spark是基于内存计算的大数据并行计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。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已应用于凤巢、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；腾讯Spark集群达到8000台的规模，是当前已知的世界上较大的Spark集群。​

Spark Core:

　　包含Spark的基本功能，包含任务调度，内存管理，容错机制等

　　内部定义了RDDs(弹性分布式数据集)

　　提供了很多APIs来创建和操作这些RDDs

　　应用场景，为其他组件提供底层的服务

Spark SQL:

　　是Spark处理结构化数据的库，就像Hive SQL,Mysql一样

　　应用场景，企业中用来做报表统计

Spark Streaming:

　　是实时数据流处理组件，类似Storm

　　Spark Streaming提供了API来操作实时流数据

　　应用场景，企业中用来从Kafka接收数据做实时统计

MLlib:

   一个包含通用机器学习功能的包，Machine learning lib

   包含分类，聚类，回归等，还包括模型评估和数据导入。

　　MLlib提供的上面这些方法，都支持集群上的横向扩展。

　　应用场景，机器学习。

Graphx:

　　是处理图的库（例如，社交网络图），并进行图的并行计算。

　　像Spark Streaming,Spark SQL一样，它也继承了RDD API。

　　它提供了各种图的操作，和常用的图算法，例如PangeRank算法。

　　应用场景，图计算。

Cluster Managers:

　　就是集群管理，Spark自带一个集群管理是单独调度器。

　　常见集群管理包括Hadoop YARN,Apache Mesos

基于MapReduce的计算引擎通常会将中间结果输出到磁盘上，进行存储和容错。

出于任务管道承接的，考虑，当一些查询翻译到MapReduce任务时，往往会产生多个Stage，而这些串联的Stage又依赖于底层文件系统（如HDFS）来存储每一个Stage的输出结果HadoopSpark  Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生态系统，以弥补MapReduce的不足。​

Spark特点：

     快:与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流  ​​

     易用:

         Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。​

     通用:

         Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。​

     兼容性:

         Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。​

Spark集群安装:   

     机器部署

         准备两台以上Linux服务器，安装好JDK1.8

     下载Spark安装包

     http://mirrors.tuna.tsinghua.edu.cn/apache/spark/spark-2.2.0/spark-2.2.0-bin-hadoop2.7.tgz

     上传解压安装包

     上传spark-2.2.0-bin-hadoop2.7.tgz安装包到Linux上

     解压安装包到指定位置

     [hadoop@hdp01 ~]$ tar zxvf spark-2.2.0-bin-hadoop2.7.tgz -C apps

     [hadoop@hdp01 ~]$ cd apps

     [hadoop@hdp01 apps]$ mv spark-2.2.0-bin-hadoop2.7 spark

配置Spark:

     进入到Spark安装目录

     [hadoop@hdp01 apps]$ cd spark/

     进入conf目录并重命名并修改spark-env.sh.template文件

     [hadoop@hdp01 apps]$cd conf/

     [hadoop@hdp01 apps]$mv spark-env.sh.template spark-env.sh

     [hadoop@hdp01 apps]$vi spark-env.sh

     在该配置文件中添加如下配置

     export JAVA_HOME=/opt/jdk1.8.0_121

     export SPARK_MASTER_IP=hdp08

     export SPARK_MASTER_PORT=7077

     保存退出

     重命名并修改slaves.template文件

     [hadoop@hdp01 conf]$ mv slaves.template slaves

     [hadoop@hdp01 conf]$ vi slaves

     在该文件中添加子节点所在的位置（Worker节点）

     hdp05

     hdp06

     hdp07

     保存退出

     将配置好的Spark拷贝到其他节点上

     [hadoop@hdp01 spark]$ scp -r spark hadoop@hdp05:/home/hadoop/apps

     [hadoop@hdp01 spark]$ scp -r spark hadoop@hdp06:/home/hadoop/apps

     [hadoop@hdp01 spark]$ scp -r spark hadoop@hdp06:/home/hadoop/apps

     Spark集群配置完毕，目前是1个Master，3个Work，在hdp08上启动Spark集群

     [hadoop@hdp01 spark]$ sbin/start-all.sh

     启动后执行jps命令，主节点上有Master进程，其他子节点上有Work进行，登录Spark管理界面查看集群状态（主节点）：http://hdp08:8080/        

     到此为止，Spark集群安装完毕，但是有一个很大的问题，那就是Master节点存在单点故障，要解决此问题，就要借助zookeeper，并且启动至少两个Master节点来实现高可靠，配置方式比较简单：

Spark集群规划：hdp01，hdp02是Master；hdp05，hdp06，hdp07是Worker

     安装配置zk集群，并启动zk集群

     停止spark所有服务，修改配置文件spark-env.sh，在该配置文件中删掉SPARK_MASTER_IP并添加如下配置

     export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hdp05,hdp06,hdp07         - Dspark.deploy.zookeeper.dir=/spark"

     1.在hdp01节点上修改slaves配置文件内容指定worker节点

     2.在hdp01上执行sbin/start-all.sh脚本，然后在hdp02上执行sbin/start-master.sh启动第二个Master

执行Spark程序:

     spark-shell是Spark自带的交互式Shell程序，方便用户进行交互式编程，用户可以在该命令行下用scala编写spark程序。

启动spark shell:       

bin/spark-shell \

--master spark://hdp08:7077 \

--executor-memory 1g \

--total-executor-cores 2

参数说明：

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

--executor-memory 512M 指定每个worker可用内存为512M，也可以指定为2g

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

注意：

如果启动spark shell时没有指定master地址，但是也可以正常启动spark shell和执行spark shell中的程序，其实是启动了spark的local模式，该模式仅在本机启动一个进程，没有与集群建立联系。

Spark Shell中已经默认将SparkContext类初始化为对象sc。用户代码如果需要用到，则直接应用sc即可

在spark shell中编写WordCount程序:       

1.首先启动hdfs

2.向hdfs上传一个文件到hdfs://hdp01:9000/ README.md

3.在spark shell中用scala语言编写spark程序

sc.textFile("hdfs://hdp08:9000/spark/README.md").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).saveAsTextFile("hdfs://hdp08:9000/spark/out")

4.使用hdfs命令查看结果

[hadoop@hdp01 spark]$ hadoop fs -ls /spark/out

说明：

sc是SparkContext对象，该对象时提交spark程序的入口

textFile(hdfs://hdp01:9000/spark/README.md)是hdfs中读取数据

flatMap(_.split(" "))先map在压平

map((_,1))将单词和1构成元组

reduceByKey(_+_)按照key进行reduce，并将value累加

saveAsTextFile("hdfs://hdp01:9000/spark/out")将结果写入到hdfs中

注意一：scala中的下划线含义

1、 作为“通配符”，类似Java中的*。如import scala.math._

2、 _*作为一个整体，告诉编译器你希望将某个参数当作参数序列处理！例如val s = sum(1 to 5:_*)就是将1 to 5当作参数序列处理。

3、 指代一个集合中的每个元素。例如我们要在一个Array a中筛出偶数，并乘以2，可以用以下办法：

a.filter(_%2==0).map(2*_)。

又如要对缓冲数组ArrayBuffer b排序，可以这样：

val bSorted = b.sorted(_

4、 在元组中，可以用方法_1, _2, _3访问组员。如a._2。其中句点可以用空格替代。

5、 使用模式匹配可以用来获取元组的组员，例如

val (first, second, third) = t

但如果不是所有的部件都需要，那么可以在不需要的部件位置上使用_。比如上一例中val (first, second, _) = t

6、 还有一点，下划线_代表的是某一类型的默认值。

对于Int来说，它是0。

对于Double来说，它是0.0

对于引用类型，它是null。

注意二：map()与flatMap()区别

aap()是将函数用于RDD中的每个元素，将返回值构成新的RDD。

flatmap()是将函数应用于RDD中的每个元素，将返回的迭代器的所有内容构成新的RDD,这样就得到了一个由各列表中的元素组成的RDD,而不是一个列表组成的RDD。

有些拗口，看看例子就明白了。

val rdd = sc.parallelize(List("coffee panda","happy panda","happiest panda party"))

输入

rdd.map(x=>x).collect

结果

res9: Array[String] = Array(coffee panda, happy panda, happiest panda party)

输入

rdd.flatMap(x=>x.split(" ")).collect

结果

res8: Array[String] = Array(coffee, panda, happy, panda, happiest, panda, party)

flatMap说明白就是先map然后再flat，再来看个例子

val rdd1 = sc.parallelize(List(1,2,3,3))

scala> rdd1.map(x=>x+1).collect

res10: Array[Int] = Array(2, 3, 4, 4)

scala> rdd1.flatMap(x=>x.to(3)).collect

res11: Array[Int] = Array(1, 2, 3, 2, 3, 3, 3)

---------------------------------------------------------------------------------------------------------------------------

var li=List(1,2,3,4)

var res =li.flatMap(x=> x match {

  case 3 => List(3.1,3.2)

  case _ =>List(x*2)

})

println(res)

li= List(1,2,3,4)

var res2 =li.map(x=> x match {

case 3 =>List(3.1,3.2)

case _ =>x*2

})

println(res2)

//output=>

List(2,4, 3.1,3.2, 8)

List(2,4, List(3.1,3.2), 8)

Program exited.

这个过程就像是先 map, 然后再将 map 出来的这些列表首尾相接 (flatten).

在IDEA中编写WordCount程序:

     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。

2.新建一个scala class，类型为Object

3.编写spark程序

package net.togogo.scalasparkdemo

import org.apache.spark.SparkConf

import org.apache.spark.SparkContext

object WordCount {

def main(args: Array[String]) {

//创建SparkConf()并设置App名称

val conf = new SparkConf().setAppName("WC")

//创建SparkContext，该对象是提交spark App的入口

val sc = new SparkContext(conf)

//使用sc创建RDD并执行相应的transformation和action

sc.textFile(args(0)).flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _, 1).sortBy(_._2, false).saveAsTextFile(args(1))

//停止sc，结束该任务

sc.stop()

}

}

​4.导出jar包

5.首先启动hdfs和Spark集群

启动hdfs

start-dfs.sh

启动spark

/sbin/start-all.sh

6.使用spark-submit命令提交Spark应用（注意参数的顺序）

/home/hadoop/apps/spark/bin/spark-submit  \

--class net.togogo.sparkscalaproject.WordCountDemo  \

--master spark://hdp08:7077  \

--executor-memory 1G  \

--total-executor-cores 2 \

/home/hadoop/wcdemo.jar  \

hdfs://hdp08:9000/work/README.md \

hdfs://hdp08:9000/work/out3

查看程序执行结果