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。