大数据入门第二十二天——spark（一）入门与安装

一、概述

　　1.什么是spark

　　从官网http://spark.apache.org/可以得知：

Apache Spark™ is a fast and general engine for large-scale data processing.

　　主要的特性有：

　　Speed：快如闪电（HADOOP的100倍+）

　　Easy to Use：Scala——Perfect、Python——Nice、Java——Ugly、R

　　Generality：Spark内核上可以跑Spark SQL、Spark Streaming、GraphX等。

　　Run EveryWhere：HADOOP、HBASE、kubernetes等。

　　中文简明介绍：

　　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。

　　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、MLlib等子项目，Spark是基于内存计算的大数据并行计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。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。

 　　更多介绍，参见官网

二、安装

　　这里下载的是spark的1.6.3的pre build的版本，对应的是Hadoop2.6以及scala 2.10的版本，这里也是为了兼容之前安装的Hadoop等版本。到今天（2018.4）为止，spark的2.0版本已经发布了有一段时间了，后续将会进行2.0版本新特性的相关补充，此处入门就以1.6.3为例！

　　1.下载

　　这里用本机下载好了，通过sftp上传到了mini1

　　

　　// 前置条件JDK等已经安装完毕！

　　2.解压

[hadoop@mini1 ~]$ tar -zxvf spark-1.6.3-bin-hadoop2.6.tgz -C apps/

　　// 这里发现之前安装的时候Home目录只给了2G，而选择软件安装的时候又都安装在Home目录下了，通过df -h和du -sh查看到使用情况。下次需要注意！

　　

　　基本上，目录下也是常见的套路：sbin里一些起停脚本，bin下一些操作脚本等

　　3.配置

　　进入spark的conf目录，常规的套路了：

[hadoop@mini1 spark-1.6.3-bin-hadoop2.6]$ cd conf/
[hadoop@mini1 conf]$ mv spark-env.sh.template spark-env.sh

vim spark-env.sh 

　　追加以下内容（最简配置）：请通过export命令提前查看相关变量值（这里Hosts也已经配置了）

export JAVA_HOME=/opt/java/jdk1.8.0_151
export SPARK_MASTER_IP=mini1
export SPARK_MASTER_PORT=7077

　　配置slaves：

[hadoop@mini1 conf]$ mv slaves.template slaves

vim slaves

　　配置worker节点：（和Hadoop基本类似套路）

mini2
mini3

　　4.拷贝到其他节点

scp -r spark-1.6.3-bin-hadoop2.6/ mini2:/home/hadoop/apps/
scp -r spark-1.6.3-bin-hadoop2.6/ mini3:/home/hadoop/apps/

 　　5.启动测试

　　在mini1上启动（暂时未配置环境变量）：

[hadoop@mini1 spark-1.6.3-bin-hadoop2.6]$ sbin/start-all.sh 

　　通过jps可以看到Master和Worker等进程；

　　WEB界面：http://mini1:8080/

 　　6.Master单点问题

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，配置方式比较简单：
Spark集群规划：node1，node2是Master；node3，node4，node5是Worker
安装配置zk集群，并启动zk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
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=zk1,zk2,zk3 -Dspark.deploy.zookeeper.dir=/spark"
1.在node1节点上修改slaves配置文件内容指定worker节点
2.在node1上执行sbin/start-all.sh脚本，然后在node2上执行sbin/start-master.sh启动第二个Master

三、执行Spark程序

　　1.执行spark示例程序

/usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-submit 
--class org.apache.spark.examples.SparkPi 
--master spark://node1.itcast.cn:7077 
--executor-memory 1G 
--total-executor-cores 2 
/usr/local/spark-1.5.2-bin-hadoop2.6/lib/spark-examples-1.5.2-hadoop2.6.0.jar 
100

　　//根据实际安装修改相关命令位置（出现的小错误这里暂时忽略，后续处理）

　　2.启动spark shell

[hadoop@mini1 ~]$ /home/hadoop/apps/spark-1.6.3-bin-hadoop2.6/bin/spark-shell
> --master spark://mini1:7077
> --executor-memory 1g
> --total-executor-cores 2

参数说明：
--master spark://node1.itcast.cn:7077 指定Master的地址，如果不指定，则为Local模式了！
--executor-memory 2g 指定每个worker可用内存为2G
--total-executor-cores 2 指定整个集群使用的cup核数为2个

　　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

1.首先启动hdfs
2.向hdfs上传一个文件到hdfs://node1.itcast.cn:9000/words.txt
3.在spark shell中用scala语言编写spark程序
sc.textFile("hdfs://node1.itcast.cn:9000/words.txt").flatMap(_.split(" "))
.map((_,1)).reduceByKey(_+_).saveAsTextFile("hdfs://node1.itcast.cn:9000/out")

4.使用hdfs命令查看结果
hdfs dfs -ls hdfs://node1.itcast.cn:9000/out/p*

说明：
sc是SparkContext对象，该对象时提交spark程序的入口
textFile(hdfs://node1.itcast.cn:9000/words.txt)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://node1.itcast.cn:9000/out")将结果写入到hdfs中