spark简介
官网地址:
apache spark™是用于大规模数据处理的统一分析引擎。
从右侧最后一条新闻看,spark也用于ai人工智能 spark是一个实现快速通用的集群计算平台。它是由加州大学伯克利分校amp实验室 开发的通用内存并行计算框架,用来构建大型的、低延迟的数据分析应用程序。它扩展了广泛使用的mapreduce计算 模型。高效的支撑更多计算模式,包括交互式查询和流处理。spark的一个主要特点是能够在内存中进行计算,及时依赖磁盘进行复杂的运算,spark依然比mapreduce更加高效。
为什么要学spark
中间结果输出: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。 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的四大特性
高效性
运行速度提高100倍。 apache spark使用最先进的dag调度程序,查询优化程序和物理执行引擎,实现批量和流式数据的高性能。
易用性
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。
通用性
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,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。
mesos:spark可以运行在mesos里面(mesos 类似于yarn的一个资源调度框架) standalone:spark自己可以给自己分配资源(master,worker) yarn:spark可以运行在yarn上面 kubernetes:spark接收 kubernetes的资源调度
spark的组成
spark组成(bdas):全称伯克利数据分析栈,通过大规模集成算法、机器、人之间展现大数据应用的一个平台。也是处理大数据、云计算、通信的技术解决方案。
它的主要组件有:
sparkcore:将分布式数据抽象为弹性分布式数据集(rdd),实现了应用任务调度、rpc、序列化和压缩,并为运行在其上的上层组件提供api。
sparksql:spark sql 是spark来操作结构化数据的程序包,可以让我使用sql语句的方式来查询数据,spark支持 多种数据源,包含hive表,parquest以及json等内容。
sparkstreaming: 是spark提供的实时数据进行流式计算的组件。
mllib:提供常用机器学习算法的实现库。
graphx:提供一个分布式图计算框架,能高效进行图计算。
blinkdb:用于在海量数据上进行交互式sql的近似查询引擎。
tachyon:以内存为中心高容错的的分布式文件系统。
应用场景
yahoo将spark用在audience expansion中的应用,进行点击预测和即席查询等 淘宝技术团队使用了spark来解决多次迭代的机器学习算法、高计算复杂度的算法等。应用于内容推荐、社区发现等 腾讯大数据精准推荐借助spark快速迭代的优势,实现了在“数据实时采集、算法实时训练、系统实时预测”的全流程实时并行高维算法,最终成功应用于广点通pctr投放系统上。 优酷土豆将spark应用于视频推荐(图计算)、广告业务,主要实现机器学习、图计算等迭代计算。
spark安装
上传spark-安装包到linux上
[root@hdp-01 ~]# wget https://d3kbcqa49mib13.cloudfront.net/spark-2.2.0-bin-hadoop2.7.tgz
[root@hdp-01 ~]# tar -zxvf spark-2.2.0-bin-hadoop2.7.tgz -c apps/
[root@hdp-01 apps]# mv spark-2.2.0-bin-hadoop2.7 /spark
进入conf目录并重命名并修改spark-env.sh.template文件
[root@hdp-01 conf]# mv spark-env.sh.template spark-env.sh [root@hdp-01 conf]# vi spark-env.sh
在该配置文件中添加如下配置
export java_home=/root/apps/jdk1.8.0_152 export spark_master_ip=hdp-01 export spark_master_port=7077
重命名并修改slaves.template文件
[root@hdp-01 conf]# mv slaves.template slaves [root@hdp-01 conf]# vi slaves
在该文件中添加子节点所在的位置(worker节点)
hdp-02 hdp-03
hdp-04
将配置好的spark拷贝到其他节点上
[root@hdp-01 apps]# scp -r spark/ hdp-02:$pwd [root@hdp-01 apps]# scp -r spark/ hdp-03:$pwd
[root@hdp-01 apps]# scp -r spark/ hdp-04:$pwd
spark集群配置完毕,目前是1个master,3个work,在hdp-01上启动spark集群
[root@hdp-01 spark]# sbin/start-all.sh
启动后执行jps命令,主节点上有master进程,其他子节点上有work进程,登录spark管理界面查看集群状态(主节点):
到此为止,spark集群安装完毕,但是有一个很大的问题,那就是master节点存在单点故障,要解决此问题,就要借助zookeeper,并且启动至少两个master节点来实现高可靠
配置spark集群之前一定要把zookper集群启动
spark集群规划:hdp-01,hdp-02是master;hdp-03,hdp-04是worker 安装配置zk集群,并启动zk集群 停止spark所有服务
集群中master地址是不固定的 所以必须把export spark_master_ip=hdp-01 注释掉
[root@hdp-01 sbin]# ./stop-all.sh [root@hdp-01 conf]# vi spark-env.sh export java_home=/root/apps/jdk1.8.0_152 #export spark_master_ip=hdp-01 export spark_master_port=7077 export spark_daemon_java_opts="-dspark.deploy.recoverymode=zookeeper -dspark.deploy.zookeeper.url=hdp-01:2181,hdp-02:2181,hdp-03:2181 -dspark.deploy.zookeeper.dir=/spark" [root@hdp-01 conf]#scp -r spark-env.sh/ hdp-02:$pwd [root@hdp-01 conf]#scp -r spark-env.sh/ hdp-03:$pwd [root@hdp-01 conf]#scp -r spark-env.sh/ hdp-04:$pwd [root@hdp-01 sbin]# ./start-all.sh
// 启动hdp-02上的master,如果hdp-01宕机 hdp-02会有worker变为master
[root@hdp-02 spark]# sbin/start-master.sh
测试集群部署
打开浏览器 输入 http://hdp-01:8080/ http://hdp-02:8080/
standby:备用状态
现在停掉hdp-01上的master
[root@hdp-01 sbin]# jps 35473 master 1682 namenode 15109 nodemanager 35575 jps 2200 secondarynamenode 14984 resourcemanager 14636 quorumpeermain 1839 datanode [root@hdp-01 sbin]# kill -9 35473
hdp-02接替hdp-01工作 从master变为worker 如果现在再启动 hdp-01 hdp-01为从节点 不会变为主节点
如果hdp-02发生故障后 hdp-01就会自动变成master
spark shell
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
[root@hdp-01 spark]# bin/spark-shell --master spark:/hdp-01:7077 --executor-memory 1g --total-executor-cores 1
出现此logo证明spark shell 启动成功
集群模式下启动spark shell
[root@hdp-01 spark]# bin/spark-shell --master spark://hdp-01:7077,hdp-04:7077
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
spark控制台有一个running applications 也就是刚刚启动的spark shell
执行spark程序
spark程序求圆周率
[root@hdp-01 spark]# bin/spark-submit --master spark://hdp-01:7077 --class org.apache.spark.examples.sparkpi --executor-memory 1g --total-executor-cores 1 examples/jars/spark-examples_2.11-2.2.0.jar 100
[root@hdp-01 spark]# bin/spark-submit --class org.apache.spark.examples.sparkpi --master examples/jars/spark-examples_2.11-2.2.0.jar 100
参数说明: --master 指定master的地址 --executor-memory 1g 指定每个worker可用内存为1g --total-executor-cores 1 指定整个集群使用的cup核数为1
集群模式执行spark程序
[root@hdp-01 spark]# bin/spark-submit --class org.apache.spark.examples.sparkpi --master spark://hdp-01:7077,hdp-04:7077 --executor-memory 1g --total-executor-cores 2 examples/jars/spark-examples_2.11-2.2.0.jar 100
spark shell中编写wordcount程序
启动hdfs 上传单词文件到hdfs中
[root@hdp-01 ~]# start-all.sh [root@hdp-01 ~]# vi spark.txt helo java hello spark hello hdfs hello yarn yarn hdfs [root@hdp-01 ~]# hadoop fs -mkdir -p /spark [root@hdp-01 ~]# hadoop fs -put spark.txt /spark
spark shell 执行任务