spark内存计算框架
一、主题
- spark核心概念
- spark集群架构
- spark集群安装部署
- spark-shell的使用
- 通过IDEA开发spark程序
二、要点
1. spark是什么
-
Apache Spark™ is a unified analytics engine for large-scale data processing.
-
spark是针对于大规模数据处理的统一分析引擎
spark是在Hadoop基础上的改进，是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架，Spark基于map reduce算法实现的分布式计算，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出和结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。
spark是基于内存计算框架，计算速度非常之快，但是它仅仅只是涉及到计算，并没有涉及到数据的存储，后期需要使用spark对接外部的数据源，比如hdfs。
2. spark的四大特性
2.1 速度快
-
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。
-
spark比mapreduce快的2个主要原因
-
1、基于内存
（1）mapreduce任务后期再计算的时候，每一个job的输出结果会落地到磁盘，后续有其他的job需要依赖于前面job的输出结果，这个时候就需要进行大量的磁盘io操作。性能就比较低。
（2）spark任务后期再计算的时候，job的输出结果可以保存在内存中，后续有其他的job需要依赖于前面job的输出结果，这个时候就直接从内存中获取得到，避免了磁盘io操作，性能比较高 -
2、进程与线程
spark任务以线程的方式运行在Executor进程中
（1）mapreduce任务以进程的方式运行在yarn集群中，比如程序中有100个MapTask，一个task就需要一个进程，这些task要运行就需要开启100个进程。
（2）spark任务以线程的方式运行在进程中，比如程序中有100个MapTask，后期一个task就对应一个线程，这里就不在是进程，这些task需要运行，这里可以极端一点：
只需要开启1个进程，在这个进程中启动100个线程就可以了。
进程中可以启动很多个线程，而开启一个进程与开启一个线程需要的时间和调度代价是不一样。 开启一个进程需要的时间远远大于开启一个线程。
-
2.2 易用性
- 可以快速去编写spark程序通过 java/scala/python/R/SQL等不同语言
2.3 通用性
- spark框架不在是一个简单的框架，可以把spark理解成一个==生态系统==，它内部是包含了很多模块，基于不同的应用场景可以选择对应的模块去使用
- sparksql
- 通过sql去开发spark程序做一些离线分析
- sparkStreaming
- 主要是用来解决公司有实时计算的这种场景
- Mlib
- 它封装了一些机器学习的算法库
- Graphx
- 图计算
- sparksql
2.4 兼容性
- spark程序就是一个计算逻辑程序，这个任务要运行就需要计算资源（内存、cpu、磁盘），哪里可以给当前这个任务提供计算资源，就可以把spark程序提交到哪里去运行
- standAlone
- 它是spark自带的独立运行模式，整个任务的资源分配由spark集群的老大Master负责
- yarn
- 可以把spark程序提交到yarn中运行，整个任务的资源分配由yarn中的老大ResourceManager负责
- mesos
- 它也是apache开源的一个类似于yarn的资源调度平台
- standAlone
⭐️3. spark集群架构
-
Driver
- 它会执行客户端写好的main方法，它会构建一个名叫SparkContext对象
- 该对象是所有spark程序的执行入口
- 它会执行客户端写好的main方法，它会构建一个名叫SparkContext对象
-
Application
- 就是一个spark的应用程序，它是包含了客户端的代码和任务运行的资源信息
-
⭐️ClusterManager
-
它是给程序提供计算资源的外部服务
- standAlone
- 它是spark自带的集群模式，整个任务的资源分配由spark集群的老大Master负责
- yarn
- 可以把spark程序提交到yarn中运行，整个任务的资源分配由yarn中的老大ResourceManager负责
- mesos
- 它也是apache开源的一个类似于yarn的资源调度平台。
- standAlone
-
Master
- 它是整个spark集群的主节点，负责任务资源的分配
-
Worker
- 它是整个spark集群的从节点，负责任务计算的节点
-
Executor
- 它是一个进程，它会在worker节点启动该进程（计算资源）
-
Task
- spark任务是以task线程的方式运行在worker节点对应的executor进程中
4. spark集群安装部署
- 事先搭建好zookeeper集群
-
1、下载安装包
- https://archive.apache.org/dist/spark/spark-2.3.3/spark-2.3.3-bin-hadoop2.7.tgz
- spark-2.3.3-bin-hadoop2.7.tgz
-
2、规划安装目录
- /kkb/install
-
3、上传安装包到服务器
-
4、解压安装包到指定的安装目录
- tar -zxvf spark-2.3.3-bin-hadoop2.7.tgz -C /kkb/install
-
5、重命名解压目录
- mv spark-2.3.3-bin-hadoop2.7 spark
-
6、修改配置文件
-
进入到spark的安装目录下对应的conf文件夹
-
vim spark-env.sh ( mv spark-env.sh.template spark-env.sh)
#配置java的环境变量 export JAVA_HOME=/kkb/install/jdk1.8.0_141 #配置zk相关信息 export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=node01:2181,node02:2181,node03:2181 -Dspark.deploy.zookeeper.dir=/spark" -
vim slaves ( mv slaves.template slaves)
#指定spark集群的worker节点 node02 node03
-
-
-
7、分发安装目录到其他机器
scp -r /kkb/install/spark node02:/kkb/install scp -r /kkb/install/spark node03:/kkb/install -
8、修改spark环境变量
-
vim /etc/profile
export SPARK_HOME=/kkb/install/spark export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
-
-
9、分发spark环境变量到其他机器
scp /etc/profile node02:/etc scp /etc/profile node03:/etc -
10、让所有机器的spark环境变量生效
- 在所有节点执行
- source /etc/profile
- 在所有节点执行
5. spark集群的启动和停止
5.1 启动
- 1、先启动zk
- 2、启动spark集群
- 可以在任意一台服务器来执行（条件：需要任意2台机器之间实现ssh免密登录）
- $SPARK_HOME/sbin/start-all.sh
- 在哪里启动这个脚本，就在当前该机器启动一个Master进程
- 整个集群的worker进程的启动由slaves文件
- 后期可以在其他机器单独在启动master
- $SPARK_HOME/sbin/start-master.sh
- 可以在任意一台服务器来执行（条件：需要任意2台机器之间实现ssh免密登录）
⭐️⭐️
(1) 如何恢复到上一次活着master挂掉之前的状态?
在高可用模式下，整个spark集群就有很多个master，其中只有一个master被zk选举成活着的master，其他的多个master都处于standby，同时把整个spark集群的元数据信息通过zk中节点进行保存。
后期如果活着的master挂掉。首先zk会感知到活着的master挂掉，下面开始在多个处于standby中的master进行选举，再次产生一个活着的master，这个活着的master会读取保存在zk节点中的spark集群元数据信息，恢复到上一次master的状态。整个过程在恢复的时候经历过了很多个不同的阶段，每个阶段都需要一定时间，最终恢复到上个活着的master的转态，整个恢复过程一般需要1-2分钟。
(2) 在master的恢复阶段对任务的影响?
a）对已经运行的任务是没有任何影响
由于该任务正在运行，说明它已经拿到了计算资源，这个时候就不需要master。
b) 对即将要提交的任务是有影响
由于该任务需要有计算资源，这个时候会找活着的master去申请计算资源，由于没有一个活着的master,该任务是获取不到计算资源，也就是任务无法运行。
5.2 停止
-
在处于active Master主节点执行
- $SPARK_HOME/sbin/stop-all.sh
-
在处于standBy Master主节点执行
- $SPARK_HOME/sbin/stop-master.sh
6. spark集群的web管理界面
- 当启动好spark集群之后，可以访问这样一个地址
- http://master主机名:8080
- 可以通过这个web界面观察到很多信息
- 整个spark集群的详细信息
- 整个spark集群总的资源信息
- 整个spark集群已经使用的资源信息
- 整个spark集群还剩的资源信息
- 整个spark集群正在运行的任务信息
- 整个spark集群已经完成的任务信息
7. 初识spark程序
⭐️7.1 普通模式提交 (指定活着的master地址)
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
examples/jars/spark-examples_2.11-2.3.3.jar \
10
####参数说明
--class：指定包含main方法的主类
--master：指定spark集群master地址
--executor-memory：指定任务在运行的时候需要的每一个executor内存大小
--total-executor-cores： 指定任务在运行的时候需要总的cpu核数
⭐️7.2 高可用模式提交 (集群有很多个master）
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077,node02:7077,node03:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
examples/jars/spark-examples_2.11-2.3.3.jar \
10
spark集群中有很多个master，并不知道哪一个master是活着的master，即使你知道哪一个master是活着的master，它也有可能下一秒就挂掉，这里就可以把所有master都罗列出来
--master spark://node01:7077,node02:7077,node03:7077
后期程序会轮训整个master列表，最终找到活着的master，然后向它申请计算资源，最后运行程序。
8. spark-shell使用
8.1 运行spark-shell --master local[N] 读取本地文件进行单词统计
-
–master local[N]
- local 表示程序在本地进行计算，跟spark集群目前没有任何关系
- N 它是一个正整数，表示使用N个线程参与任务计算
- local[N] 表示本地采用N个线程计算任务
-
spark-shell --master local[2]
- 默认会产生一个SparkSubmit进程
sc.textFile("file:///home/hadoop/words.txt").flatMap(x=>x.split(" ")).map(x=>(x,1)).reduceByKey((x,y)=>x+y).collect sc.textFile("file:///home/hadoop/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
8.2 运行spark-shell --master local[N] 读取HDFS上文件进行单词统计
-
spark整合HDFS
- 在node01上修改配置文件
- vim spark-env.sh
export HADOOP_CONF_DIR=/kkb/install/hadoop-2.6.0-cdh5.14.2/etc/hadoop- 分发到其他节点
scp spark-env.sh node02:/kkb/install/spark/conf scp spark-env.sh node03:/kkb/install/spark/conf - 在node01上修改配置文件
-
spark-shell --master local[2]
sc.textFile("/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect sc.textFile("hdfs://node01:8020/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
8.3 运行spark-shell 指定集群中活着master 读取HDFS上文件进行单词统计
-
spark-shell --master spark://node01:7077 --executor-memory 1g --total-executor-cores 4
- –master spark://node01:7077
- 指定活着的master地址
- –executor-memory 1g
- 指定每一个executor进程的内存大小
- –total-executor-cores 4
- 指定总的executor进程cpu核数
sc.textFile("hdfs://node01:8020/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect //实现读取hdfs上文件之后，需要把计算的结果保存到hdfs上 sc.textFile("/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).saveAsTextFile("/out") - –master spark://node01:7077
9. 通过IDEA开发spark程序
-
构建maven工程，添加pom依赖
<dependencies> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.11</artifactId> <version>2.3.3</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-shade-plugin</artifactId> <version>2.4.3</version> <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> -
创建 src/main/scala 和 src/test/scala 目录
9.1 利用scala语言开发spark程序实现单词统计–本地运行
- 代码开发
package com.kaikeba
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
//todo: 利用scala语言开发spark程序实现单词统计
object WordCount {
def main(args: Array[String]): Unit = {
//1、构建sparkConf对象 设置application名称和master地址
val sparkConf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local[2]")
//2、构建sparkContext对象,该对象非常重要，它是所有spark程序的执行入口
// 它内部会构建 DAGScheduler和 TaskScheduler 对象
val sc = new SparkContext(sparkConf)
//设置日志输出级别
sc.setLogLevel("warn")
//3、读取数据文件
val data: RDD[String] = sc.textFile("E:\\words.txt")
//4、 切分每一行，获取所有单词
val words: RDD[String] = data.flatMap(x=>x.split(" "))
//5、每个单词计为1
val wordAndOne: RDD[(String, Int)] = words.map(x => (x,1))
//6、相同单词出现的1累加
val result: RDD[(String, Int)] = wordAndOne.reduceByKey((x,y)=>x+y)
//按照单词出现的次数降序排列 第二个参数默认是true表示升序，设置为false表示降序
val sortedRDD: RDD[(String, Int)] = result.sortBy( x=> x._2,false)
//7、收集数据打印
val finalResult: Array[(String, Int)] = sortedRDD.collect()
finalResult.foreach(println)
//8、关闭sc
sc.stop()
}
}
9.2 利用scala语言开发spark程序实现单词统计–集群运行
- 代码开发
package com.kaikeba
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
//todo: 利用scala语言开发spark程序实现单词统计
object WordCountOnSpark {
def main(args: Array[String]): Unit = {
//1、构建sparkConf对象 设置application名称
val sparkConf: SparkConf = new SparkConf().setAppName("WordCountOnSpark")
//2、构建sparkContext对象,该对象非常重要，它是所有spark程序的执行入口
// 它内部会构建 DAGScheduler和 TaskScheduler 对象
val sc = new SparkContext(sparkConf)
//设置日志输出级别
sc.setLogLevel("warn")
//3、读取数据文件
val data: RDD[String] = sc.textFile(args(0))
//4、 切分每一行，获取所有单词
val words: RDD[String] = data.flatMap(x=>x.split(" "))
//5、每个单词计为1
val wordAndOne: RDD[(String, Int)] = words.map(x => (x,1))
//6、相同单词出现的1累加
val result: RDD[(String, Int)] = wordAndOne.reduceByKey((x,y)=>x+y)
//7、把计算结果保存在hdfs上
result.saveAsTextFile(args(1))
//8、关闭sc
sc.stop()
}
}
- 打成jar包提交到集群中运行
spark-submit \
--master spark://node01:7077,node02:7077 \
--class com.kaikeba.WordCountOnSpark \
--executor-memory 1g \
--total-executor-cores 4 \
original-spark_class01-1.0-SNAPSHOT.jar \
/words.txt /out
9.3 利用java语言开发spark程序实现单词统计–本地运行
- 代码开发
package com.kaikeba;
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;
//todo: 利用java语言开发spark的单词统计程序
public class JavaWordCount {
public static void main(String[] args) {
//1、创建SparkConf对象
SparkConf sparkConf = new SparkConf().setAppName("JavaWordCount").setMaster("local[2]");
//2、构建JavaSparkContext对象
JavaSparkContext jsc = new JavaSparkContext(sparkConf);
//3、读取数据文件
JavaRDD<String> data = jsc.textFile("E:\\words.txt");
//4、切分每一行获取所有的单词 scala: data.flatMap(x=>x.split(" "))
JavaRDD<String> wordsJavaRDD = data.flatMap(new FlatMapFunction<String, String>() {
public Iterator<String> call(String line) throws Exception {
String[] words = line.split(" ");
return Arrays.asList(words).iterator();
}
});
//5、每个单词计为1 scala: wordsJavaRDD.map(x=>(x,1))
JavaPairRDD<String, Integer> wordAndOne = wordsJavaRDD.mapToPair(new PairFunction<String, String, Integer>() {
public Tuple2<String, Integer> call(String word) throws Exception {
return new Tuple2<String, Integer>(word, 1);
}
});
//6、相同单词出现的1累加 scala: wordAndOne.reduceByKey((x,y)=>x+y)
JavaPairRDD<String, Integer> result = wordAndOne.reduceByKey(new Function2<Integer, Integer, Integer>() {
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
//按照单词出现的次数降序 (单词，次数) -->(次数,单词).sortByKey----> (单词，次数)
JavaPairRDD<Integer, String> reverseJavaRDD = result.mapToPair(new PairFunction<Tuple2<String, Integer>, Integer, String>() {
public Tuple2<Integer, String> call(Tuple2<String, Integer> t) throws Exception {
return new Tuple2<Integer, String>(t._2, t._1);
}
});
JavaPairRDD<String, Integer> sortedRDD = reverseJavaRDD.sortByKey(false).mapToPair(new PairFunction<Tuple2<Integer, String>, String, Integer>() {
public Tuple2<String, Integer> call(Tuple2<Integer, String> t) throws Exception {
return new Tuple2<String, Integer>(t._2, t._1);
}
});
//7、收集打印
List<Tuple2<String, Integer>> finalResult = sortedRDD.collect();
for (Tuple2<String, Integer> t : finalResult) {
System.out.println("单词："+t._1 +"\t次数："+t._2);
}
jsc.stop();
}
}
![[数据结构] - - - 链表](https://i-blog.csdnimg.cn/direct/cdc116f5a2c74166a432ce8889e209aa.png#pic_center)
