大数据学习笔记之Spark：Spark基础解析

TensorFlow与机器学习 徐 自远 625℃

第1章Spark概述

spark的产生背景

spark是如何产生的，这要先送大数据说起，大数据是如何产生的？Google就是处理大数据的，网页和网页之间有很多的关联关系，为了处理排序啊这些算法，所以Google就发明了，Google就发布了三个论文，基于这三个论文的开源，实现了Hadoop、Hdfs、MapReduce、Hbase等，但是感觉好像每次MapReduce只能处理一次数据，而且开始跑mapreduce的时候，时间有点长，做完一个提交一个，中间的这些处理其实没有迭代性，虽然有些工具能够帮你去处理迭代，比如说有的是做一个业务流程的开发，可以连续的调用几个MapReduce写的jar包，但是流程还是很长，所有的文件都是存在磁盘上面的，这样就会导致两个问题：

第一个就是迭代式计算

就好比轻功，这个脚踩着这个脚，迭代的往前走，就是不断有新的计算产生，然后新的计算使用前边计算的结果，然后新的产生的结果后边还需要用到这个结果，然后一直迭代下去。

比如机器学习推化问题的时候，这个迭代就显得非常重要了。

显然MapReduce在迭代计算上是比较弱的 ，很多原因是没有把一系列的步骤都写到一个MapReduce里面，MapReduce只有两个，一个是map映射，一个是reduce预约

第二个交互式的数据挖掘

hadoop无法做交互式的数据挖掘，我输入进去，立马展示出来，而不能说输入东西了，等了一个小时，然后交互一次，然后再输入，再交互，这就不叫交互了，等的时间太长，

hadoop在这两方面是不擅长的，更擅长于长时间的大数据量的计算，所以跟据reduce的分布式模型，就产生了spark。

上图中hadoop是先写入磁盘，然后计算，然后再写入磁盘然后再计算，先不说磁盘，就中间提交任务，任务与任务之间没有任何关联，单纯的是调度层面的关联，那么这个东西其实不是一个整体的东西

上图中的spark，只需要读取一次数据，而且在这一系列的数据中是在一个编程模型里面完成的，也就是说在这一个编程模型里面完成这些东西，只需要提交一次，然后里面直接可以进行计算，而且任务与任务之间时是可以进行内存数据交换的

从这两个模型看，spark对迭代计算和交互式数据挖掘提供了很强的支持。

1.1什么是Spark

官网：http://spark.apache.org

Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，2010年开源，2013年6月成为Apache孵化项目，2014年2月成为Apache顶级项目。项目是用Scala进行编写。

目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLib、SparkR等子项目，Spark是基于内存计算的大数据并行计算框架。除了扩展了广泛使用的 MapReduce 计算模型，而且高效地支持更多计算模式，包括交互式查询和流处理。Spark 适用于各种各样原先需要多种不同的分布式平台的场景，包括批处理、迭代算法、交互式查询、流处理。通过在一个统一的框架下支持这些不同的计算，Spark 使我们可以简单而低耗地把各种处理流程整合在一起。而这样的组合，在实际的数据分析 过程中是很有意义的。不仅如此，Spark 的这种特性还大大减轻了原先需要对各种平台分 别管理的负担。

大一统的软件栈，各个组件关系密切并且可以相互调用，这种设计有几个好处：1、软件栈中所有的程序库和高级组件 都可以从下层的改进中获益。2、运行整个软件栈的代价变小了。不需要运 行 5 到 10 套独立的软件系统了，一个机构只需要运行一套软件系统即可。系统的部署、维护、测试、支持等大大缩减。3、能够构建出无缝整合不同处理模型的应用。

Spark的内置项目如下：

1、软件栈中所有的程序库和高级组件都可以从下层的改进中获益。

spark这种all in one的方式，底层加快了速度，上层的速度也会跟着加快，因为是基于底层运行的

2、运行整个软件栈的代价变小了。不需要运行5到10套独立的软件系统了，一-个机构只需要运行一套软件系统即可。系统的部署、维护、测试、支持等大大缩减。

如上把sql、streaming、MLib、Graghx集成在一块

3、能够构建出无缝整合不同处理模型的应用。

如上sql、streaming、MLib、Graghx都是在spark core的基础上的，那么他们的抽象其实都是想通的，他们之间可以有数据交互，也就是提供了”1+1>=2“（这句话我也不知道啥意思，后面可能就理解了把）

Spark Core：实现了 Spark 的基本功能，包含任务调度、内存管理、错误恢复、与存储系统 交互等模块。Spark Core 中还包含了对弹性分布式数据集(resilient distributed dataset，简称RDD)的 API 定义。

Spark SQL：是 Spark 用来操作结构化数据的程序包。通过 Spark SQL，我们可以使用 SQL 或者 Apache Hive 版本的 SQL 方言(HQL)来查询数据。Spark SQL 支持多种数据源，比 如 Hive 表、Parquet 以及 JSON 等。

Spark Streaming：是 Spark 提供的对实时数据进行流式计算的组件。提供了用来操作数据流的 API，并且与 Spark Core 中的 RDD API 高度对应。

Spark MLlib：提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。

集群管理器：Spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求，同时获得最大灵活性，Spark 支持在各种集群管理器(cluster manager)上运行，包括 Hadoop YARN、Apache Mesos，以及 Spark 自带的一个简易调度 器，叫作独立调度器。

Spark得到了众多大数据公司的支持，这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于凤巢、大搜索、直达号、百度大数据等业务；阿里利用GraphX构建了大规模的图计算和图挖掘系统，实现了很多生产系统的推荐算法；腾讯Spark集群达到8000台的规模，是当前已知的世界上最大的Spark集群。

1.2Spark特点

快

与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。计算的中间结果是存在于内存中的。

易用

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

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。

1.3Spark的用户和用途

我们大致把Spark的用例分为两类：数据科学应用和数据处理应用。也就对应的有两种人群：数据科学家和工程师。

数据科学任务

主要是数据分析领域，数据科学家要负责分析数据并建模，具备 SQL、统计、预测建模(机器学习)等方面的经验，以及一定的使用 Python、 Matlab 或 R 语言进行编程的能力。

数据处理应用

工程师定义为使用 Spark 开发 生产环境中的数据处理应用的软件开发者，通过对接Spark的API实现对处理的处理和转换等任务。

第2章Spark集群安装

一共支持的有 local、local-cluster、standalone、Yarn、Mesos

spark目前集群安装支持三种类型，一种叫做独立调度器，standalone模式，也就是他自己不需要外部的任何支撑组件，就可以部署，在standalone中可以见到master 和 worker这两个角色，除此之外还支持YARN和Mesos这两种调度，这两个的职责是资源的划分，yarn前面学习过了，mesos就是当前有一个采集器，在这个采集器中又运行了hadoop，又运行了storm，每一个大数据的框架都有自己的一个资源调度的机制，软件与软件之间并没有一个资源协调机制，这就会出现资源争抢，然后把其他框架的内存都吃满了，这个时候非常需要一个资源的协调者，但是需要注意的是，如果用的是mesos这个框架，那么在部署的时候master和worker这两个角色就被干掉了，master和worker存在的意义就是standalone

这里是standalone的方式

2.1集群角色

从物理部署层面上来看，Spark主要分为两种类型的节点，Master节点和Worker节点，Master节点主要运行集群管理器的中心化部分，所承载的作用是分配Application到Worker节点，维护Worker节点，Driver，Application的状态。Worker节点负责具体的业务运行。

从Spark程序运行的层面来看，Spark主要分为驱动器节点和执行器节点。

上图中的cluster manager就是master

2.2机器准备

准备两台以上Linux服务器，安装好JDK1.8

这里准备了3台

2.3下载Spark安装包

上传解压安装包

上传spark-2.1.1-bin-hadoop2.7.tgz安装包到Linux上

解压安装包到指定位置

tar -xf spark-2.1.1-bin-hadoop2.7.tgz -C /home/bigdata/Hadoop

2.4配置Spark

Spark的部署模式有Local、Local-Cluster、Standalone、Yarn、Mesos，我们选择最具代表性的Standalone集群部署模式。

进入到Spark安装目录

cd /home/bigdata/hadoop/spark-2.1.1-bin-hadoop2.7/conf

将slaves.template复制为slaves

将spark-env.sh.template复制为spark-env.sh

修改slave文件，将work的hostname输入：

如上图 slave01 slave02 ，这里原来是localhost

修改spark-env.sh文件，添加如下配置：

spark master的ip 和端口

将配置好的Spark文件拷贝到其他节点上

scp slaves bigdata@slave01:~/hadoop/spark-2.1.1-bin-hadoop2.7/conf

scp slaves bigdata@slave02:~/hadoop/spark-2.1.1-bin-hadoop2.7/conf

scp spark-env.sh bigdata@slave01:~/hadoop/spark-2.1.1-bin-hadoop2.7/conf

scp spark-env.sh bigdata@slave02:~/hadoop/spark-2.1.1-bin-hadoop2.7/conf

Spark集群配置完毕，目前是1个Master，2个Work，master01上启动Spark集群

/home/bigdata/hadoop/spark-2.1.1-bin-hadoop2.7/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进行，登录Spark管理界面查看集群状态（主节点）：http://master01:8080/

到此为止，Spark集群安装完毕.

注意：如果遇到 “JAVA_HOME not set” 异常，可以在sbin目录下的spark-config.sh 文件中加入如下配置：

export JAVA_HOME=XXXX

如果遇到Hadoop HDFS的写入权限问题：

org.apache.hadoop.security.AccessControlException

解决方案： 在hdfs-site.xml中添加如下配置，关闭权限验证

2.5配置Job History Server

进入到Spark安装目录

cd /home/bigdata/hadoop/spark-2.1.1-bin-hadoop2.7/con

将spark-default.conf.template复制为spark-default.conf

修改spark-default.conf文件，开启Log：

修改如上的白字的部分，spark相关的ip port 改为自己的

修改spark-env.sh文件，添加如下配置：

在HDFS上创建好你所指定的eventLog日志目录。

spark-env.sh

参数描述：

spark.eventLog.dir：Application在运行过程中所有的信息均记录在该属性指定的路径下；

spark.history.ui.port=4000 调整WEBUI访问的端口号为4000 访问history server时候的端口，就是上面配置history server的时候那个7077

spark.history.retainedApplications=3 指定保存Application历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。保存在内存里面保存三个job的历史信息

spark.history.fs.logDirectory=hdfs://master01:9000/directory 配置了该属性后，在start-history-server.sh时就无需再显式的指定路径，Spark History Server页面只展示该指定路径下的信息，把上面配置的spark.history.retainedApplications=3保存的信息扔到hdfs里面

将配置好的Spark文件拷贝到其他节点上

/home/bigdata/hadoop/spark-2.1.1-bin-hadoop2.7/sbin/start-all.sh

启动相应的HDFS

启动后执行

/home/bigdata/hadoop/spark-2.1.1-bin-hadoop2.7/sbin/start-history-server.sh

到此为止，Spark History Server安装完毕.

2.6配置Spark HA

集群部署完了，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，配置方式比较简单：

Spark集群规划：master01，master02是Master；slave01，slave02，slave03是Worker

安装配置Zookeeper集群，并启动Zookeeper集群

停止spark所有服务，修改配置文件spark-env.sh，在该配置文件中删掉SPARK_MASTER_IP并添加如下配置

1.在 master01节点上修改slaves配置文件内容指定worker节点

2.将配置文件同步到所有节点。

3.在master01上执行sbin/start-all.sh脚本，启动集群并启动第一个master节点，然后在master02上执行sbin/start-master.sh启动第二个master节点。

4.程序中spark集群的访问地址需要改成：

spark://master01:port1,master02:port2

第3章执行Spark程序

3.1执行第一个spark程序

直接执行下面的指令就可以，这里用的是spark的一个小例子

参数说明：

–class 主类

–master spark://master01:7077 指定Master的地址

–executor-memory 1G 指定每个executor可用内存为1G

–total-executor-cores 2 指定每个executor使用的cup核数为2个

该算法是利用蒙特·卡罗算法求PI

为什么上面一个日志那么多，一个日志那么少？

需要修改conf 下的log4j.properties.template这个文件，如上图，复制一份，名字叫做log4j.properties，然后开始修改log4j.properties.

这里原来的日志级别是info，应该改为warn

3.2Spark应用提交

一旦打包好,就可以使用bin/spark-submit脚本启动应用了. 这个脚本负责设置spark使用的classpath和依赖,支持不同类型的集群管理器和发布模式:

./bin/spark-submit

–class

–master

–deploy-mode

–conf =

… # other options

[application-arguments]

一些常用选项:

1)–class: 你的应用的启动类 (如 org.apache.spark.examples.SparkPi)

2)–master: 集群的master URL (如 spark://23.195.26.187:7077)

3)–deploy-mode: 是否发布你的驱动到worker节点(cluster) 或者作为一个本地客户端 (client) (default: client)*

4)–conf: 任意的Spark配置属性， 格式key=value. 如果值包含空格，可以加引号“key=value”. 缺省的Spark配置

5)application-jar: 打包好的应用jar,包含依赖. 这个URL在集群中全局可见。 比如hdfs:// 共享存储系统， 如果是 file:// path， 那么所有的节点的path都包含同样的jar.

6)application-arguments: 传给main()方法的参数

local本地以一个worker线程运行(例如非并行的情况).

local[K]本地以K worker 线程 (理想情况下, K设置为你机器的CPU核数).

local[*]本地以本机同样核数的线程运行.

spark://HOST:PORT连接到指定的Spark standalone cluster master. 端口是你的master集群配置的端口，缺省值为7077.

mesos://HOST:PORT连接到指定的Mesos 集群. Port是你配置的mesos端口， 缺省是5050. 或者如果Mesos使用ZOoKeeper,格式为 mesos://zk://…

yarn-client以client模式连接到YARN cluster. 集群的位置基于HADOOP_CONF_DIR 变量找到.

yarn-cluster以cluster模式连接到YARN cluster. 集群的位置基于HADOOP_CONF_DIR 变量找到.

Master URL 可以是以下格式：

查看Spark-submit全部参数：

3.3启动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。

3.3.1启动Spark shell

/home/bigdata/hadoop/spark-2.1.1-bin-hadoop2.7/bin/spark-shell

–master spark://master01:7077

–executor-memory 2g

–total-executor-cores 2

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cluster模式，如果spark是单节点，并且没有指定slave文件，这个时候如果打开spark-shell 默认是local模式

Local模式是master和worker在同同一进程内

Cluster模式是master和worker在不同进程内

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

3.3.2在Spark shell中编写WordCount程序

首先启动hdfs

将Spark目录下的RELEASE文件上传一个文件到hdfs://master01:9000/RELEASE

~/hadoop/hadoop-2.7.3/bin/hdfs dfs -put ./RELEASE /

在Spark shell中用scala语言编写spark程序

spark中提供了spark shell 命令

为什么会出现这个warning呢？

是因为如果希望消除这个warning，需要把hadoop重新在机器上编译一下，他有一些本地包，把这些本地包，替换到spark目录下面。

执行：

为什么是sc呢？从下面的日志中也能够看到 apark context web UI available as ‘sc’，apark context 就是进入整个spark体系的入口，所以所有的程序都要从sc开始

textFile()获取文件

flatMap(.split(” “) 获取的是一行一行的，通过””将每一行的分隔开成单词

.map((,1))将每个word转化成一个元组，

reduceByKey(+) 按照key 即word ，把相同word的放在一起

.saveAsTextFile(“hdfs://master01:9000/out” 加在一起之后把结果放在hdfs上

使用hdfs命令查看结果

hdfs dfs -cat hdfs://master01:9000/out/p*

说明：

sc是SparkContext对象，该对象时提交spark程序的入口

textFile(hdfs://master01:9000/RELEASE)是hdfs中读取数据

flatMap(.split(” “))先map在压平

map((,1))将单词和1构成元组

reduceByKey(+)按照key进行reduce，并将value累加

saveAsTextFile(“hdfs:// master01:9000/out”)将结果写入到hdfs中

以上可以清晰的感觉到spark和MapReduce的区别，哎舒服

3.4在IDEA中编写WordCount程序

spark shell仅在测试和验证我们的程序时使用的较多，在生产环境中，通常会在IDE中编制程序，然后打成jar包，然后提交到集群，最常用的是创建一个Maven项目，利用Maven来管理jar包的依赖。

1.创建一个项目

2.选择Maven项目，然后点击next

3.填写maven的GAV，然后点击next

4.填写项目名称，然后点击finish

5.创建好maven项目后，点击Enable Auto-Import

6.配置Maven的pom.xml

7.将src/main/scala设置成源代码目录。

8.添加IDEA Scala（执行此操作后，pom文件中不用添加scala依赖，应为已经以lib库的方式加入）

9.新建一个Scala class，类型为Object

10.编写spark程序

分步

11.使用Maven打包：首先修改pom.xml中的main class

12.点击idea右侧的Maven Project选项，点击Lifecycle,选择clean和package，然后点击Run Maven Build

13.选择编译成功的jar包，并将该jar上传到Spark集群中的某个节点上

生成了两个jar，我们需要的是with-dependencies这个jar

14.首先启动hdfs和Spark集群

启动hdfs

/home/bigdata/hadoop/hadoop-2.7.3/sbin/start-dfs.sh

启动spark

/home/bigdata/hadoop/spark-2.1.1-bin-hadoop2.7/sbin/start-all.sh

15.使用spark-submit命令提交Spark应用（注意参数的顺序）

16.查看程序执行结果

hdfs dfs -cat hdfs://master01:9000/out/part-*

3.5在IDEA中本地调试WordCount程序

本地Spark程序调试需要使用local提交模式，即将本机当做运行环境，Master和Worker都为本机。运行时直接加断点调试即可。如下：

如果本机操作系统是windows，如果在程序中使用了hadoop相关的东西，比如写入文件到HDFS，则会遇到如下异常：

出现这个问题的原因，并不是程序的错误，而是用到了hadoop相关的服务，解决办法是将附加里面的hadoop-common-bin-2.7.3-x64.zip解压到任意目录。

在IDEA中配置Run Configuration，添加HADOOP_HOME变量

3.6在IDEA中远程调试WordCount程序

通过IDEA进行远程调试，主要是将IDEA作为Driver来提交应用程序，配置过程如下：

修改sparkConf，添加最终需要运行的Jar包、Driver程序的地址，并设置Master的提交地址：

然后加入断点，直接调试即可：

3.7Spark核心概念

每个Spark应用都由一个驱动器程序(driver program)来发起集群上的各种 并行操作。驱动器程序包含应用的 main 函数，并且定义了集群上的分布式数据集，还对这 些分布式数据集应用了相关操作。

驱动器程序通过一个 SparkContext 对象来访问 Spark。这个对象代表对计算集群的一个连 接。shell 启动时已经自动创建了一个 SparkContext 对象，是一个叫作 sc 的变量。

驱动器程序一般要管理多个执行器(executor)节点。

大数据学习笔记之Spark：Spark基础解析http://t.zijieimg.com/UGTCb2/

转载请注明：徐自远的乱七八糟小站 » 大数据学习笔记之Spark：Spark基础解析

喜欢 (0)

苏ICP备18041234号-1 bei_an 苏公网安备 32021402001397号