spark基礎入門
阿新 • • 發佈:2018-12-25
1、spark概述
- spark是基於記憶體的一個計算框架,計算速度非常的快。這裡面沒有涉及到任何儲存,如果想要處理外部的資料來源,比如資料在HDFS上,此時我們就需要先搭建一個hadoop叢集。
2、spark的特點
- 1、速度快(比mapreduce在記憶體中快100倍,比在磁碟中快10倍)
- (1)spark在處理的資料中間結果資料可以不落地,mapreduce每次中間結果都要落地。
- (2)在mapreduce計算的時候,mapTask,reduceTask,每一個task都對應一個jvm程序。
在spark中,它同樣會按照hadoop中切片邏輯,會有N個task,而這些task都是執行在worker節點上,worker上會有executor程序,而這些task會以執行緒的方式執行在executor上面。
2、易用性
- 可以使用多種語言來編寫spark應用程式
- java
- scala
- Python
- R
3、通用性
- 可以使用sparksql、sparkStreaming、Mlib、Graphx
4、相容性
- 可以執行在不同的資源排程平臺
- yarn(resourceManger分配資源)
- mesos(是apache下開源的資源排程框架)
- standAlone(master進行資源的分配)
3、spark叢集安裝
- 1、下載對應版本的安裝包
- 2、上傳安裝包到伺服器上
- 3、規劃一下安裝目錄
- 4、解壓安裝包到指定的安裝目錄
- 5、重新命名安裝目錄
- 6、修改配置檔案 cd conf
- (1) spark-env.sh.template (需要 mv spark-env.sh.template spark-env.sh)
- 配置javahome export JAVA_HOME=/export/servers/jdk
- 配置master的Host export SPARK_MASTER_HOST=node1
- 配置master的Port export SPARK_MASTER_PORT=7077
- (2)slaves.template (需要 mv slaves.template slaves)
- 新增worker節點
- node2
- node3
- 7、配置一下spark的環境變數
- 8、通過scp命令分發到其他節點中
- spark安裝目錄
- /etc/profile
- 9、所有機器都要source /etc/profile
- 10、可以啟動spark叢集
- $SPARK_HOME/sbin/start-all.sh
- 可以通過web介面訪問master
- 11、停止spark叢集
- $SPARK_HOME/sbin/stop-all.sh
4、spark高可用叢集配置
- 1、需要先zk叢集
- 2、修改spark配置(spark-env.sh)
- (1)註釋掉master的地址
- (2) 引入zk配置
- export SPARK_DAEMON_JAVA_OPTS=”-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hdp-node-01:2181,hdp-node-02:2181,hdp-node-03:2181 -Dspark.deploy.zookeeper.dir=/spark”
- 3、啟動
- 啟動zk叢集
- 需要在spark叢集中任意一臺機器上啟動 start-all.sh
- 產生master程序
- 並且會根據 slaves,去對應的主機名上啟動worker程序
- 在其他worker節點上單獨啟動master
- start-master.sh
5、初識spark程式
- 已經知道那個master是活著的master
- –master spark://node1:7077
- 有很多的master時候
- –master spark://node1:7077,node2:7077,node3:7077
6、spark-shell使用
- 1、spark-shell –master local[N] (本地單機版)
- local[N]:表示在本地模擬N個執行緒來運行當前任務
- 2、spark-shell –master local[*] (本地單機版)
- 這個*表示當前機器上所有可用的資源
- 3、spark-shell –master spark://node2:7077
- 4、spark-shell 讀取hdfs上的資料檔案
sc.textFile("hdfs://node1:9000/wc.txt").flatMap(_.split(" ")).map(x=>(x,1)).reduceByKey(_+_).collect
7、spark整合hdfs
1、修改配置檔案(spark-env.sh)
- 新增配置引數
- export HADOOP_CONF_DIR=/export/servers/hadoop/etc/hadoop
- 通過scp分發配置到其他節點
2、可以
sc.textFile("/wc.txt").flatMap(_.split(" ")).map(x=>(x,1)).reduceByKey(_+_).collect
8、scala語言程式設計spark單詞計數
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
//通過scala編寫spark的單詞計數程式
object WordCount {
def main(args: Array[String]): Unit = {
//1、建立SparkConf物件,設定appName和master地址,local[2]表示本地使用2個執行緒來進行計算
val sparkConf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local[2]")
//2、建立SparkContext物件,這個物件很重要,它會建立DAGScheduler和TaskScheduler
val sc: SparkContext = new SparkContext(sparkConf)
//設定日誌輸出級別
sc.setLogLevel("WARN")
//3、讀取資料檔案
//val data: RDD[String] = sc.textFile(args(0))
val data: RDD[String] = sc.textFile("E:\\wordcount\\input\\words.txt")
//4、切分每一行,並且壓平 hello、you、me
val words: RDD[String] = data.flatMap(_.split(" "))
//5、每個單詞記位1
val wordAndOne: RDD[(String, Int)] = words.map((_,1))
//6、相同單詞出現的次數進行累加
val result: RDD[(String, Int)] = wordAndOne.reduceByKey(_+_)
//按照單詞出現的次數降序排序
val sortResult: RDD[(String, Int)] = result.sortBy(_._2,false)
//7、收集資料,列印輸出
val finalResult: Array[(String, Int)] = sortResult.collect()
//列印結果
finalResult.foreach(x=>println(x))
//關閉
sc.stop()
}
}
9、java語言程式設計spark單詞計數
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import scala.Tuple2;
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;
//利用java語言來實現spark的單詞計數
public class WordCount_Java {
public static void main(String[] args) {
//1、建立SparkConf物件,設定appName和master地址
SparkConf sparkConf = new SparkConf().setAppName("WordCount_Java").setMaster("local[2]");
//2、建立javaSparkContext物件
JavaSparkContext jsc = new JavaSparkContext(sparkConf);
//3、讀取資料檔案
JavaRDD<String> dataJavaRDD = jsc.textFile("E:\\wordcount\\input\\words.txt");
//4、對每一行進行切分壓平
JavaRDD<String> wordsJavaRDD = dataJavaRDD.flatMap(new FlatMapFunction<String, String>() {
@Override //line表示每一行記錄
public Iterator<String> call(String line) throws Exception {
//切分每一行
String[] words = line.split(" ");
return Arrays.asList(words).iterator();
}
});
//5、每個單詞記為1
JavaPairRDD<String, Integer> wordAndOneJavaPairRDD = wordsJavaRDD.mapToPair(new PairFunction<String, String, Integer>() {
@Override
public Tuple2<String, Integer> call(String word) throws Exception {
return new Tuple2<>(word, 1);
}
});
//6、把相同單詞出現的次數累加 (_+_)
JavaPairRDD<String, Integer> resultJavaPairRDD = wordAndOneJavaPairRDD.reduceByKey(new Function2<Integer, Integer, Integer>() {
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
//按照單詞出現的次數降序排序
//需要將(單詞,次數)進行位置顛倒 (次數,單詞)
JavaPairRDD<Integer, String> sortJavaPairRDD = resultJavaPairRDD.mapToPair(new PairFunction<Tuple2<String, Integer>, Integer, String>() {
@Override
public Tuple2<Integer, String> call(Tuple2<String, Integer> t) throws Exception {
return new Tuple2<>(t._2, t._1);
}
}).sortByKey(false);
//將(次數,單詞)變為(單詞,次數)
JavaPairRDD<String, Integer> finalSortJavaPairRDD = sortJavaPairRDD.mapToPair(new PairFunction<Tuple2<Integer, String>, String, Integer>() {
@Override
public Tuple2<String, Integer> call(Tuple2<Integer, String> t) throws Exception {
return new Tuple2<>(t._2, t._1);
}
});
//7、收集列印
List<Tuple2<String, Integer>> finalResult = finalSortJavaPairRDD.collect();
for(Tuple2<String, Integer> t:finalResult){
System.out.println(t);
}
jsc.stop();
}
}
10、上面的程式所依賴的pom.xml檔案
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>cn.itcast</groupId>
<artifactId>Spark</artifactId>
<version>1.0-SNAPSHOT</version>
<properties>
<maven.compiler.source>1.8</maven.compiler.source>
<maven.compiler.target>18</maven.compiler.target>
<encoding>UTF-8</encoding>
<scala.version>2.11.8</scala.version>
<scala.compat.version>2.11</scala.compat.version>
<hadoop.version>2.7.4</hadoop.version>
<spark.version>2.0.2</spark.version>
</properties>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>${scala.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>${spark.version}</version>
</dependency>
</dependencies>
<build>
<sourceDirectory>src/main/scala</sourceDirectory>
<testSourceDirectory>src/test/scala</testSourceDirectory>
<plugins>
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<version>3.2.2</version>
<executions>
<execution>
<goals>
<goal>compile</goal>
<goal>testCompile</goal>
</goals>
<configuration>
<args>
<arg>-dependencyfile</arg>
<arg>${project.build.directory}/.scala_dependencies</arg>
</args>
</configuration>
</execution>
</executions>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-surefire-plugin</artifactId>
<version>2.18.1</version>
<configuration>
<useFile>false</useFile>
<disableXmlReport>true</disableXmlReport>
<includes>
<include>**/*Test.*</include>
<include>**/*Suite.*</include>
</includes>
</configuration>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-shade-plugin</artifactId>
<executions>
<execution>
<phase>package</phase>
<goals>
<goal>shade</goal>
</goals>
<configuration>
<filters>
<filter>
<artifact>*:*</artifact>
<excludes>
<exclude>META-INF/*.SF</exclude>
<exclude>META-INF/*.DSA</exclude>
<exclude>META-INF/*.RSA</exclude>
</excludes>
</filter>
</filters>
<transformers>
<transformer implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
<mainClass></mainClass>
</transformer>
</transformers>
</configuration>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>