Spark认识&环境搭建&运行第一个Spark程序
2017-07-09 17:17 by 牛仔裤的夏天, 181 阅读, 0 评论, 收藏, 编辑
摘要：Spark作为新一代大数据计算引擎，因为内存计算的特性，具有比hadoop更快的计算速度。这里总结下对Spark的认识、虚拟机Spark安装、Spark开发环境搭建及编写第一个scala程序、运行第一个Spark程序。
1.Spark是什么
Spark是一个快速且通用的集群计算平台
2.Spark的特点
1）Spark是快速的
Spark扩充了流行的Mapreduce计算模型
Spark是基于内存的计算
2）Spark是通用的
Spark的设计容纳了其它分布式系统拥有的功能
批处理，迭代式计算，交互查询和流处理等
3）Spark是高度开放的
Spark提供了Python,Java,Scala,SQL的API和丰富的内置库。
Spark和其它的大数据工具整合的很好，包括hadoop,kafka等
3.Spark的组件
Spark包括多个紧密集成的组件
Spark Core:
包含Spark的基本功能，包含任务调度，内存管理，容错机制等
内部定义了RDDs(弹性分布式数据集)
提供了很多APIs来创建和操作这些RDDs
应用场景，为其他组件提供底层的服务
Spark SQL:
是Spark处理结构化数据的库，就像Hive SQL,Mysql一样
应用场景，企业中用来做报表统计
Spark Streaming:
是实时数据流处理组件，类似Storm
Spark Streaming提供了API来操作实时流数据
应用场景，企业中用来从Kafka接收数据做实时统计
Mlib:
一个包含通用机器学习功能的包，Machine learning lib
包含分类，聚类，回归等，还包括模型评估和数据导入。
MLib提供的上面这些方法，都支持集群上的横向扩展。
应用场景，机器学习。
Graphx:
是处理图的库（例如，社交网络图），并进行图的并行计算。
像Spark Streaming,Spark SQL一样，它也继承了RDD API。
它提供了各种图的操作，和常用的图算法，例如PangeRank算法。
应用场景，图计算。
Cluster Managers:
就是集群管理，Spark自带一个集群管理是单独调度器。
常见集群管理包括Hadoop YARN,Apache Mesos
4.紧密集成的优点
Spark底层优化了，基于Spark底层的组件也得到了相应的优化。
紧密集成，节省了各个组件组合使用时的部署、测试等时间。
向Spark增加新的组件时，其它组件，可立刻享用新组件的功能。
5.Spark与Hadoop的比较
Hadoop应用场景：离线处理、对时效性要求不高
Spark应用场景：时效性要求高的场景、机器学习等领域
Doug Cutting的观点：这是生态系统，每个组件都有其作用，各善其职即可。Spark不具有HDFS的存储能力，要借助HDFS等持久化数据。大数据将会孕育出更多的新技术。
6.Spark运行环境
Spark是Scala写的，运行在JVM上，所以运行环境Java7+
如果使用Python API,需要安装Python2.6+或者Python3.4+
版本对应：Spark1.6.2 - Scala2.10 Spark2.0.0 - Scala2.11
7.Spark安装
Spark下载地址：http://spark.apache.org/downloads.html 注：搭Spark不需要Hadoop,如有hadoop集群，可下载相应的版本。
这里安装在CentOS6.5虚拟机上，将下载好的文件上传虚拟机，并执行解压：tar -zxvf spark-2.0.1-bin-hadoop2.6.tgz
Spark目录：
bin包含用来和Spark交互的可执行文件，如Spark shell。
examples包含一些单机Spark job,可以研究和运行这些例子。
Spark的Shell:
Spark的shell能够处理分布在集群上的数据。
Spark把数据加载到节点的内存中，因此分布式处理可在秒级完成。
快速使用迭代式计算，实时查询、分析一般能够在shells中完成。
Spark提供了Python shells和Scala shells。
这里以Scala shell为例，演示读取本地文件并进行操作：
进入Scala shell:./spark-shell
创建测试文件helloSpark并输入内容：
输入val lines=sc.textFile("/home/lucy/hellospark") 加载文件内容，输入lines.count()进行统计行数： （ 注：sc为spark content）
ssh的配置：（ssh localhost需要输入密码，这在运行spark程序时是不可以的）
ssh-keygen （生成秘钥）
.ssh目录下cat xxx_rsa.pub> authorized_keys
chmod 600 authorized_keys
8.Spark开发环境搭建
Scala 下载地址: http://www.scala-lang.org/download/2.11.6.html 注：默认安装选项会自动配置环境变量,安装路径不能有空格。
IntelliJ IDEA 下载地址：https://www.jetbrains.com/idea/
注册码地址：http://idea.lanyus.com
由于这里下载的ideaIU-15.0.2.exe，已经包含有Scala插件，如果不包含需要下载。查看是否已有scala插件可以新建项目，打开Files->settings选择Plugins,输入scala查看：
9.编写第一个Scala程序
依次点击File->New->Project，选择Scala->SBT，下一步，打开如下窗口：
这里Scala选择为2.11.6，创建完成后会进行初始化操作，自动下载jar包等。下载时常看具体网络情况。待所有进度条完成后，项目目录已经出来了，如下：
编辑build.sbt:
name := "LearnSpark"
version := "1.0"
scalaVersion := "2.11.1"
libraryDependencies += "org.apache.spark" % "spark-core_2.11" % "2.0.2"
编辑完成后，点击刷新，后台自动下载对应的依赖：
src->scala右击新建scala类WordCount
import org.apache.spark.{SparkContext, SparkConf}
/**
* Created by Lucy on 2017/7/4.
*/
object WordCount {
def main(args: Array[String]) {
val conf=new SparkConf().setAppName("wordcount")
val sc=new SparkContext(conf)
val input=sc.textFile("/home/lucy/helloSpark")
val lines=input.flatMap(line=>line.split(" "))
val count=lines.map(word=>(word,1)).reduceByKey{case (x,y)=>x+y}
val output=count.saveAsTextFile("/home/lucy/hellosparkRes")
}
}
代码编写完成后，进行打包（配置jar包，build）:
配置jar包：File->Project Structure，选择Artifacts，点击+号：
这里不打包依赖。配置jar包完成后，Build->Build Artifacts,等待build完成。
10.运行第一个Spark程序
这里需要先启动集群：
启动master: ./sbin/start-master.sh
启动worker: ./bin/spark-class org.apache.spark.deploy.worker.Worker spark://localhost:7077
这里的地址为：启动master后,在浏览器输入localhost:8080,查看到的master地址
启动成功后，jps查看进程：
接下来执行提交命令，将打好的jar包上传到linux目录，jar包在项目目录下的outartifacts下。
提交作业： ./bin/spark-submit --master spark://localhost:7077 --class WordCount /home/lucy/learnspark.jar
可以在4040端口查看job进度：
查看结果：
由于按照空格分割字符串，所以这里将Spark! 视为一个单词。至此，任务运行结束！