欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识！
您现在的位置是： 首页  >  IT编程

Spark系列（一）Spark简介与架构以及Spark安装流程（单机版和分布式版）---轻松上手Spark流处理

程序员文章站 2022-06-27 20:03:01
写在前面： 我是「nicedays」，一枚喜爱做特效，听音乐，分享技术的大数据开发猿。这名字是来自world order乐队的一首HAVE A NICE DAY。如今，走到现在很多坎坷和不顺，如今终于明白nice day是需要自己赋予的。白驹过隙，时光荏苒，珍惜当下~~写博客一方面是对自己学习的一点点总结及记录，另一方面则是希望能够帮助更多对大数据感兴趣的朋友。如果你也对 大数据与机器学习感兴趣，可以关注我的动态 https://blog.csdn.net/qq_35050438，让我们一起挖掘数据与....

写在前面： 我是「nicedays」，一枚喜爱做特效，听音乐，分享技术的大数据开发猿。这名字是来自world order乐队的一首HAVE A NICE DAY。如今，走到现在很多坎坷和不顺，如今终于明白nice day是需要自己赋予的。
白驹过隙，时光荏苒，珍惜当下~~
写博客一方面是对自己学习的一点点总结及记录，另一方面则是希望能够帮助更多对大数据感兴趣的朋友。如果你也对 大数据与机器学习感兴趣，可以关注我的动态 https://blog.csdn.net/qq_35050438，让我们一起挖掘数据与人工智能的价值~

文章目录

一：Spark简介：

spark是一个用来实现快速而通用的集群计算的平台

主要应用于批处理，迭代算法，交互式查询，流处理。

为什么使用Spark？

MapReduce编程模型的局限性

  • 繁杂
    • 只有Map和Reduce两个操作，复杂的逻辑需要大量的样板代码
  • 处理效率低
    • map中间结果写磁盘，Reduce写HDFS，多个Map通过HDFS交换数据
    • 任务调度与启动开销大
  • 不适合迭代处理，交互式处理和流式处理

Spark是类Hadoop MapReduce的通用并行框架

  • Job中间输出结果可以保存在内存，不再需要读写HDFS
  • 比mapreduce平均快10倍以上

Spark技术栈

  • SparkCore

  • SparkStreaming

  • SparkSQL

  • SparkGraphX

  • SparkMLib

二：Spark架构与运行环境：

Spark-shell：自带交互

  • 本机
    • spark-shell --master local[*]
  • standalone
    • spark-shell --master
  • YARN

Spark架构设计：

运行架构

sc调sparkcontext

Spark系列（一）Spark简介与架构以及Spark安装流程（单机版和分布式版）---轻松上手Spark流处理

  • 在驱动程序中，通过SparkContext主导应用的执行
  • SparkContext可以连接不同类型的Cluster Manager （Standalone，YARN，Mesos），连接后，获得集群节点上的Executor
  • 一个worker节点默认一个Executor，可通过spark_worker_instances调整
  • 每个应用获取自己的excutor
  • 一个excutor有多个task，几核就同时处理几个task，每个task处理一个RDD分区

Spark架构核心组件：

术语 说 明
Application 建立在Spark上的用户程序，包括Driver代码和运行在集群各节点Executor中的代码
Driver program **驱动程序。**Application中的main函数并创建SparkContext
Cluster Manager **在集群（**Standalone、Mesos、YARN）上获取资源的外部服务
Worker Node 集群中任何可以运行Application代码的节点
Executor 某个Application运行在worker节点上的一个进程
Task 被送到某个Executor上的工作单元
Job 包含多个Task组成的并行计算，往往由Spark Action触发生成，一个Application中往往会产生多个Job
Stage 每个Job会被拆分成多组Task，作为一个TaskSet，其名称为Stage

SparkAPI

SparkContext

  • 连接Driver与Spark Cluster
  • Spark主入口
  • 每个JVM仅能有一个活跃的SparkContext
  • SparkContext.getOrCreate

创建一个SparkContext对象

//Spark app 配置：应用的名字和Master运行的位置
val sparkConf=new SparkConf().setAppName("SparkAppTemplate").setMaster("local[2]")
    //创建sparkContext对象：主要用于读取需要处理的数据，封装在RDD集合中；调度jobs执行
val sc = new SparkContext(sparkConf)

SparkSession

Spark系列（一）Spark简介与架构以及Spark安装流程（单机版和分布式版）---轻松上手Spark流处理

SparkSession是2.0引入的概念，目的是将不同Context结合起来.

早期由于RDD是主要的API，我们通过创建SparkContext来创建和操作RDD。

而对于其他的API，我们使用不同的context，例如Steaming，我们用StreamingContext，sql我们用sqlContext。

但之后随者DataSet和DataFrame的API成为主流，我们需要引入SparkSession，来封装SparkConf，SparkContext和sqlContext，HiveContext。

//在spark 2.x中不推荐使用sparkContext对象读取数据，而是推荐SparkSession
    val spark = SparkSession.builder
      .appName("Simple Application")
      .master("local[2]")
      .getOrCreate()

RDD

Spark核心，主要数据抽象，数据项拆分为多个分区（多行数据的集合）的集合的描述

用于数据转换的接口，指向了存储在HDFS，Cassandra，HBase等，或在故障或缓存收回时重新计算其他RDD分区中的数据。

RDD是弹性分布式数据集（resilient distributed datasets）
  • 分布式数据集
    • RDD是只读的，分区记录的集合，每个分区分布在集群的不同节点上，指针指向对应节点的分区
    • RDD并不存储真正的数据，只是对数据的操作的描述
  • 弹性
    • RDD默认存放在内存中，当内存不足，spark自动将RDD写入磁盘
  • 容错性
    • 根据数据血统，可以自动从节点失败中恢复分区
RDD与DAG：
  • 两者为Spark提供的核心抽象
  • DAG反映了RDD之间的依赖关系
RDD的特性：
  • 一系列的分区信息，每个任务处理一个分区
  • 每个分区上都有compute函数，计算该分区中的数据
  • RDD之间有一系列的依赖
  • 分区器决定数据（key-value），分配至哪个分区
  • 优先位置列表，将计算任务分派到其所在处理数据块的存储位置

DataSet

特定领域对象中的强类型集合，它可以使用函数并行的进行转换操作

DataFrame

最常见的结构化API，包含行和列的数据表，特殊的DataSet

模式（schema）：说明这些列和列类型的一些规则

分布式dataFrame，这种数据集是 以RDD为基础的，其被组织成指定的列，类似于关系数据库的二维表格

三：Spark安装教程：

单机版：

第一步：前置安装JDK(Spark 不一定依靠Hadoop)

第二步：下载spark-2.3.4-bin-hadoop2.6.tgz 解压

tar -zxvf spark-2.3.4-bin-hadoop2.6.tgz
mv /opt/spark-2.3.4-bin-hadoop2.6 /opt/soft/spark234

第三步：在conf修改spark-env.sh

vi /opt/soft/spark234/conf/spark-env.sh
  • 末尾添加
export SPARK_MASTER_HOST=192.168.56.101 #主节点IP
export SPARK_MASTER_PORT=7077 #任务提交端口
export SPARK_WORKER_CORES=2 #每个worker使用2核
export SPARK_WORKER_MEMORY=3g #每个worker使用3g内存
export SPARK_MASTER_WEBUI_PORT=8888 #修改spark监视窗口的端口默认8080

第四步：修改sbin目录下spark-config.sh

vi /opt/soft/spark234/sbin/sprak-config.sh

export JAVA_HOME=/opt/soft2/jdk180/jdk1.8.0_111

第五步：开启spark

  • 先在sbin目录下开启master和worker进程
vi /opt/soft/spark234/sbin
./start-all.sh
  • 去bin目录开启黑窗口进入spark界面
vi /opt/soft/spark234/bin
./spark-shell

Spark系列（一）Spark简介与架构以及Spark安装流程（单机版和分布式版）---轻松上手Spark流处理

分布式版：

第一步：前置安装JDK(Spark 不一定依靠Hadoop)

第二步：下载spark-2.3.4-bin-hadoop2.6.tgz 解压，

tar -zxvf spark-2.3.4-bin-hadoop2.6.tgz
mv /opt/spark-2.3.4-bin-hadoop2.6 /opt/soft/spark234

第三步：在conf修改spark-env.sh和slaves

修改slaves

cd /opt/soft/spark234/conf/

cp slaves.template slaves

vi /opt/soft/spark234/conf/slaves
  • 给每个节点添加从节点的IP

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Brm8fodk-1595667575652)(C:%5CUsers%5Clenovo%5CAppData%5CRoaming%5CTypora%5Ctypora-user-images%5Cimage-20200725165447354.png)]

修改spark-env.sh

cd /opt/soft/spark234/conf/

cp spark-env.sh.template spark-env.sh

vi /opt/soft/spark234/conf/spark-env.sh
  • 末尾添加
export SPARK_MASTER_HOST=192.168.56.101 #主节点IP
export SPARK_MASTER_PORT=7077 #任务提交端口
export SPARK_WORKER_CORES=2 #每个worker使用2核
export SPARK_WORKER_MEMORY=3g #每个worker使用3g内存
export SPARK_MASTER_WEBUI_PORT=8888 #修改spark监视窗口的端口默认8080

第四步：修改sbin目录下spark-config.sh

vi /opt/soft/spark234/sbin/sprak-config.sh

export JAVA_HOME=/opt/soft2/jdk180/jdk1.8.0_111

第五步：把主节点配置好的spark发布到从节点上，开启spark

  • 先在sbin目录下开启master和worker进程
cd /opt/soft/spark234/sbin
./start-all.sh
  • 去bin目录开启黑窗口进入spark界面
cd /opt/soft/spark234/bin
./spark-shell

Spark系列（一）Spark简介与架构以及Spark安装流程（单机版和分布式版）---轻松上手Spark流处理

本文地址：https://blog.csdn.net/qq_35050438/article/details/107581322

相关标签： Spark 分布式 大数据 hadoop

上一篇： kuangbin 简单搜索 - POJ - 3278 Catch That Cow （简单bfs）

下一篇： RPC框架Dubbo学习 --- Dubbo架构与实战（架构篇）

推荐阅读