初识Spark入门

1. spark简介

• 2009年，spark诞生于伯克利大学的amplab实验室。最出spark只是一个实验性的项目，代码量非常少，属于轻量级的框架。
• 2010年，伯克利大学正式开源了spark项目。
• 2013年6月，spark成为了apache基金会下的项目，进入高速发展期。第三方开发者贡献了大量的代码，活跃度非常高
• 2014年2月，spark以飞快的速度称为了apache的*项目，同时大数据公司cloudera宣称加大spark框架的投入来取代mapreduce
• 2014年4月，大数据公司mapr投入spark阵营， apache mahout放弃mapreduce，将使用spark作为计算引擎。
• 2014年5月，spark 1.0.0 发布。
• 2015年~，spark在国内it行业变得愈发火爆，越来越多的公司开始重点部署或者使用spark来替代mr2、hive、storm等传统的大数据并行计算框架

2. spark是什么?

• apache spark™ is a unified analytics engine for large-scale data processing.
• 大规模数据集的统一分析引擎
• spark是一个基于内存的通用并行计算框架，目的是让数据分析更加快速
• spark包含了大数据领域常见的各种计算框架
  • spark core(离线计算)
  • sparksql(交互式查询)
  • spark streaming(实时计算)
  • spark mllib (机器学习)
  • spark graphx (图计算)

3. spark能代替hadoop吗?

​ 不完全对

​ 因为我们只能使用spark core代替mr做离线计算,数据的存储还是要依赖hdfs

​ spark+hadoop的组合，才是未来大数据领域最热门的组合，也是最有前景的组合！​

4. spark的特点

速度

• 内存计算在速度上要比mr快100倍以上
• 磁盘计算在速度上要比mr快10倍以上

容易使用

• 提供了java scala python r语言的api接口

一站式解决方案

• spark core(离线计算)
• spark sql(交互式查询)
• spark streaming(实时计算)
• .....

可以运行在任意的平台

• yarn
• mesos
• standalone

5. spark的缺点

jvm的内存overhead太大，1g的数据通常需要消耗5g的内存 (project tungsten 正试图解决这个问题 )

不同的spark app之间缺乏有效的共享内存机制(project tachyon 在试图引入分布式的内存管理，这样不同的spark app可以共享缓存的数据)

6. spark vs mr

6.1 mr的局限性

• 抽象层次低，需要手工编写代码来完成，使用上难以上手
• 只提供两个操作，map和reduce，表达力欠缺
• 一个job只有map和reduce两个阶段（phase）， 复杂的计算需要大量的job完成，job之间的依赖关系是由开发者自己管理的
• 中间结果 (reduce的输出结果) 也放在hdfs文件系统中
• 延迟高，只适用batch数据处理，对于交互式数据处理，实时数据处理的支持不够
• 对于迭代式数据处理性能比较差

6.2 spark解决了mr中的那些问题?

抽象层次低，需要手工编写代码来完成，使用上难以上手

• 通过spark中的rdd(resilient distributed datasets)来进行抽象

只提供两个操作，map和reduce，表达力欠缺

• 在spark中提供了多种算子

一个job只有map和reduce两个阶段

• 在spark中可以有多个阶段(stage)

中间结果也放在hdfs文件系统中(速度慢)

• 中间结果放在内存中，内存放不下了会写入本地磁盘，而不是hdfs

延迟高，只适用batch数据处理，对于交互式数据处理，实时数据处理的支持不够

• sparksql和sparkstreaming解决了上面问题

对于迭代式数据处理性能比较差

• 通过在内存中缓存数据，提高迭代式计算的性能

==因此，hadoop mapreduce会被新一代的大数据处理平台替代是技术发展的趋势，而在新一代的大数据处理平台中，spark目前得到了最广泛的认可和支持==

7. spark的版本

• spark1.6.3 : scala的版本2.10.5
• spark2.2.0 : scala的版本2.11.8(新项目建议使用spark2.x的版本)
• hadoop2.7.5

8. spark单机版的安装

准备安装包spark-2.2.0-bin-hadoop2.7.tgz

tar -zxvf spark-2.2.0-bin-hadoop2.7.tgz -c /opt/
mv spark-2.2.0-bin-hadoop2.7/ spark

修改spark-env.sh

export java_home=/opt/jdk
export spark_master_ip=uplooking01
export spark_master_port=7077
export spark_worker_cores=4
export spark_worker_instances=1
export spark_worker_memory=2g
export hadoop_conf_dir=/opt/hadoop/etc/hadoop

配置环境变量

#配置spark的环境变量
export spark_home=/opt/spark
export path=$path:$spark_home/bin:$spark_home/sbin

启动单机版spark

start-all-spark.sh

查看启动

http://uplooking01:8080

9. spark分布式集群的安装

配置spark-env.sh

[root@uplooking01 /opt/spark/conf] 
  export java_home=/opt/jdk
  #配置master的主机
  export spark_master_ip=uplooking01
  #配置master主机通信的端口
  export spark_master_port=7077
  #配置spark在每个worker中使用的cpu核数
  export spark_worker_cores=4
  #配置每个主机有一个worker
  export spark_worker_instances=1
  #worker的使用内存是2gb
  export spark_worker_memory=2g
  #hadoop的配置文件中的目录
  export hadoop_conf_dir=/opt/hadoop/etc/hadoop

配置slaves

[root@uplooking01 /opt/spark/conf]
  uplooking03
  uplooking04
  uplooking05

分发spark

[root@uplooking01 /opt/spark/conf] 
  scp -r /opt/spark uplooking02:/opt/
  scp -r /opt/spark uplooking03:/opt/
  scp -r /opt/spark uplooking04:/opt/
  scp -r /opt/spark uplooking05:/opt/

分发uplooking01上配置的环境变量

[root@uplooking01 /] 
  scp -r /etc/profile uplooking02:/etc/
  scp -r /etc/profile uplooking03:/etc/
  scp -r /etc/profile uplooking04:/etc/
  scp -r /etc/profile uplooking05:/etc/

启动spark

[root@uplooking01 /] 
 start-all-spark.sh

10. spark高可用集群

先停止正在运行的spark集群

修改spark-env.sh

#注释以下这两行内容
#export spark_master_ip=uplooking01
#export spark_master_port=7077

添加内容

export spark_daemon_java_opts="-dspark.deploy.recoverymode=zookeeper -dspark.deploy.zookeeper.url=uplooking03:2181,uplooking04:2181,uplooking05:2181 -dspark.deploy.zookeeper.dir=/spark"

分发修改的[配置

scp /opt/spark/conf/spark-env.sh uplooking02:/opt/spark/conf
scp /opt/spark/conf/spark-env.sh uplooking03:/opt/spark/conf
scp /opt/spark/conf/spark-env.sh uplooking04:/opt/spark/conf
scp /opt/spark/conf/spark-env.sh uplooking05:/opt/spark/conf

启动集群

[root@uplooking01 /]
 start-all-spark.sh
[root@uplooking02 /]
 start-master.sh

11. 第一个spark-shell程序

spark-shell --master spark://uplooking01:7077 
#spark-shell可以在启动时指定spark-shell这个application使用的资源(总核数,每个work上使用的内存)
spark-shell --master spark://uplooking01:7077 --total-executor-cores 6 --executor-memory 1g

#如果不指定 默认使用每个worker上全部的核数,和每个worker上的1g内存

sc.textfile("hdfs://ns1/sparktest/").flatmap(_.split(",")).map((_,1)).reducebykey(_+_).collect

12. spark中的角色

master

• 负责接收提交的作业的请求
• master负责调度资源(在woker中启动coarsegrainedexecutorbackend)

worker

• worker中的executor负责执行task

spark-submitter ===> driver

• 提交spark应用程序给master

13. spark提交作业的大体流程

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。