Scala进阶之路-Spark本地模式搭建
作者：尹正杰
版权声明：原创作品，谢绝转载！否则将追究法律责任。
一.Spark简介
1>.Spark的产生背景
传统式的Hadoop缺点主要有以下两点：
第一.迭代式计算效率低（一个MapReduce依赖上一个MapReduce的结果）;
第二.交互式数据挖掘效率低（运行一个HIVE语句效率是极低的，第一天输入的SQL可能等到第二天才能拿到结果）
Spark优化了Hadoop的两个缺点，可以将多个job合并成一个job来执行，也可以将于磁盘的交互迁移到内存进行交互，从而提升了工作效率。
2>.Spark是什么
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 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。
3>.Spark的安装模式
安装模式可分为以下几种: Local、Local-Cluster、Standalone、Yarn、Mesos 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。
二.部署Spark本地模式
1>.下载Spark软件
官网下载地址：http://spark.apache.org/downloads.html
当然点上面的网页只是对该版本的支持，允许我调戏你一下，哈哈，实际上下载位置应该在这里：https://archive.apache.org/dist/spark/ 。
2>.解压下载的Spark并创建软连接
[yinzhengjie@s101 download]$ wget https://archive.apache.org/dist/spark/spark-2.1.0/spark-2.1.0-bin-hadoop2.7.tgz [yinzhengjie@s101 download]$ ll total 191052 -rw-r--r-- 1 yinzhengjie yinzhengjie 195636829 Jan 18 2017 spark-2.1.0-bin-hadoop2.7.tgz [yinzhengjie@s101 download]$ [yinzhengjie@s101 download]$ tar -zxf spark-2.1.0-bin-hadoop2.7.tgz -C /soft/ [yinzhengjie@s101 download]$ [yinzhengjie@s101 download]$ ln -s /soft/spark-2.1.0-bin-hadoop2.7/ /soft/spark [yinzhengjie@s101 download]$ [yinzhengjie@s101 download]$ ll /soft/ | grep spark lrwxrwxrwx 1 yinzhengjie yinzhengjie 32 Jul 26 20:44 spark -> /soft/spark-2.1.0-bin-hadoop2.7/ drwxr-xr-x 12 yinzhengjie yinzhengjie 4096 Dec 15 2016 spark-2.1.0-bin-hadoop2.7 [yinzhengjie@s101 download]$
3>.配置环境变量并使环境变量生效
[yinzhengjie@s101 download]$ tail -3 /etc/profile #ADD spark Path export SPARK_HOME=/soft/spark PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin [yinzhengjie@s101 download]$ [yinzhengjie@s101 download]$ source /etc/profile [yinzhengjie@s101 download]$
4>.启动Spark
5>.查看进程是否启动
6>.查看WebUI界面
三.Spark初体验-使用Spark实现单词统计
1>.创建测试文件
[yinzhengjie@s101 download]$ cat /home/yinzhengjie/1.txt hello world yinzhengjie hello word hello scala hello java hello python hello shell hello yinzhengjie hello golang [yinzhengjie@s101 download]$
2>.实现单词统计
体验Spark ---------------------- 1.登录spark spark-shell 2.编写scala代码 //1.加载文本 val rdd1 = sc.textFile("/home/yinzhengjie/1.txt") //2.压扁 val rdd2 = rdd1.flatMap(line=>{line.split(" ")}) //3.变换，标1成对 val rdd3 = rdd2.map(word=>{(word , 1)}) //4.按照key进行化简 val rdd4 = rdd3.reduceByKey((a,b)=> a + b).sortBy(t=> -t._2 ) //5.输出结果 rdd4.collect() 3.一行完成 sc.textFile("/home/yinzhengjie/1.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).sortBy(t=> -t._2 ).collect()
