大数据系列——Spark学习笔记之初识Spark

1. Spark简介

• 2009年，Spark诞生于伯克利大学的AMPLab实验室。最出Spark只是一个实验性的项目，代码量非常少，属于轻量级的框架。
• 2010年，伯克利大学正式开源了Spark项目。
• 2013年6月，Spark成为了Apache基金会下的项目，进入高速发展期。第三方开发者贡献了大量的代码，活跃度非常高
• 2014年2月，Spark以飞快的速度称为了Apache的顶级项目，同时大数据公司Cloudera宣称加大Spark框架的投入来取代MapReduce
• 2014年4月，大数据公司MapR投入Spark阵营， Apache Mahout放弃MapReduce，将使用Spark作为计算引擎。
• 2014年5月，Spark 1.0.0 发布。
• 2015年~，Spark在国内IT行业变得愈发火爆，越来越多的公司开始重点部署或者使用Spark来替代MR2、Hive、Storm等传统的大数据并行计算框架

2. Spark是什么?

• Apache Spark™ is a unified analytics engine for large-scale data processing.
• 大规模数据集的统一分析引擎
• Spark是一个基于内存的通用并行计算框架，目的是让数据分析更加快速

• Spark包含了大数据领域常见的各种计算框架

  • spark core(离线计算)
  • sparksql(交互式查询)
  • spark streaming(实时计算)
  • Spark MLlib (机器学习)
  • Spark GraphX (图计算)

3. Spark能代替hadoop吗?

​ 不完全对

​ 因为我们只能使用spark core代替mr做离线计算,数据的存储还是要依赖hdfs

​ Spark+Hadoop的组合，才是未来大数据领域最热门的组合，也是最有前景的组合！

​

4. Spark的特点

• 速度

  • 内存计算在速度上要比mr快100倍以上
  • 磁盘计算在速度上要比mr快10倍以上

• 容易使用

  • 提供了java scala python R语言的api接口

• 一站式解决方案

  • spark core(离线计算)
  • spark sql(交互式查询)
  • spark streaming(实时计算)
  • .....

• 可以运行在任意的平台

  • yarn
  • Mesos
  • standalone

5. Spark的缺点

• JVM的内存overhead太大，1G的数据通常需要消耗5G的内存 (Project Tungsten 正试图解决这个问题 )
• 不同的spark app之间缺乏有效的共享内存机制(Project Tachyon 在试图引入分布式的内存管理，这样不同的spark app可以共享缓存的数据)

6. Spark vs MR

6.1 mr的局限性

• 抽象层次低，需要手工编写代码来完成，使用上难以上手
• 只提供两个操作，Map和Reduce，表达力欠缺
• 一个Job只有Map和Reduce两个阶段（Phase）， 复杂的计算需要大量的Job完成，Job之间的依赖关系是由开发者自己管理的
• 中间结果 (reduce的输出结果) 也放在HDFS文件系统中
• 延迟高，只适用Batch数据处理，对于交互式数据处理，实时数据处理的支持不够
• 对于迭代式数据处理性能比较差

6.2 Spark解决了mr中的那些问题?

• 抽象层次低，需要手工编写代码来完成，使用上难以上手

  • 通过spark中的RDD(Resilient distributed datasets)来进行抽象

• 只提供两个操作，Map和Reduce，表达力欠缺

  • 在spark中提供了多种算子

• 一个Job只有Map和Reduce两个阶段

  • 在spark中可以有多个阶段(stage)

• 中间结果也放在HDFS文件系统中(速度慢)

  • 中间结果放在内存中，内存放不下了会写入本地磁盘，而不是HDFS

• 延迟高，只适用Batch数据处理，对于交互式数据处理，实时数据处理的支持不够

  • sparksql和sparkstreaming解决了上面问题

• 对于迭代式数据处理性能比较差

  • 通过在内存中缓存数据，提高迭代式计算的性能

==因此，Hadoop MapReduce会被新一代的大数据处理平台替代是技术发展的趋势，而在新一代的大数据处理平台中，Spark目前得到了最广泛的认可和支持==

7. Spark的版本

• spark1.6.3 : scala的版本2.10.5
• spark2.2.0 : scala的版本2.11.8(新项目建议使用spark2.x的版本)
• hadoop2.7.5

8. Spark单机版的安装

• 准备安装包spark-2.2.0-bin-hadoop2.7.tgz

  tar -zxvf spark-2.2.0-bin-hadoop2.7.tgz  -C /opt/
  mv spark-2.2.0-bin-hadoop2.7/ spark

• 修改spark-env.sh

  export JAVA_HOME=/opt/jdk
  export SPARK_MASTER_IP=uplooking01
  export SPARK_MASTER_PORT=7077
  export SPARK_WORKER_CORES=4
  export SPARK_WORKER_INSTANCES=1
  export SPARK_WORKER_MEMORY=2g
  export HADOOP_CONF_DIR=/opt/hadoop/etc/hadoop

• 配置环境变量

  #配置Spark的环境变量
  export SPARK_HOME=/opt/spark
  export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin

• 启动单机版spark

  start-all-spark.sh

• 查看启动

  http://uplooking01:8080

9. Spark分布式集群的安装

• 配置spark-env.sh

  [root@uplooking01 /opt/spark/conf]    
          export JAVA_HOME=/opt/jdk
          #配置master的主机
          export SPARK_MASTER_IP=uplooking01
          #配置master主机通信的端口
          export SPARK_MASTER_PORT=7077
          #配置spark在每个worker中使用的cpu核数
          export SPARK_WORKER_CORES=4
          #配置每个主机有一个worker
          export SPARK_WORKER_INSTANCES=1
          #worker的使用内存是2gb
          export SPARK_WORKER_MEMORY=2g
          #hadoop的配置文件中的目录
          export HADOOP_CONF_DIR=/opt/hadoop/etc/hadoop

• 配置slaves

  [root@uplooking01 /opt/spark/conf]
          uplooking03
          uplooking04
          uplooking05

• 分发spark

  [root@uplooking01 /opt/spark/conf]    
          scp -r /opt/spark  uplooking02:/opt/
          scp -r /opt/spark  uplooking03:/opt/
          scp -r /opt/spark  uplooking04:/opt/
          scp -r /opt/spark  uplooking05:/opt/

• 分发uplooking01上配置的环境变量

  [root@uplooking01 /]    
          scp -r /etc/profile  uplooking02:/etc/
          scp -r /etc/profile  uplooking03:/etc/
          scp -r /etc/profile  uplooking04:/etc/
          scp -r /etc/profile  uplooking05:/etc/

• 启动spark

  [root@uplooking01 /]    
      start-all-spark.sh

10. Spark高可用集群

​ 先停止正在运行的spark集群

• 修改spark-env.sh

  #注释以下这两行内容
  #export SPARK_MASTER_IP=uplooking01
  #export SPARK_MASTER_PORT=7077

• 添加内容

  export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=uplooking03:2181,uplooking04:2181,uplooking05:2181 -Dspark.deploy.zookeeper.dir=/spark"

• 分发修改的[配置

  scp /opt/spark/conf/spark-env.sh uplooking02:/opt/spark/conf
  scp /opt/spark/conf/spark-env.sh uplooking03:/opt/spark/conf
  scp /opt/spark/conf/spark-env.sh uplooking04:/opt/spark/conf
  scp /opt/spark/conf/spark-env.sh uplooking05:/opt/spark/conf

• 启动集群

  [root@uplooking01 /]
      start-all-spark.sh

  [root@uplooking02 /]
      start-master.sh

11. 第一个Spark-Shell程序

spark-shell  --master spark://uplooking01:7077 
#spark-shell可以在启动时指定spark-shell这个application使用的资源(总核数,每个work上使用的内存)
spark-shell  --master  spark://uplooking01:7077   --total-executor-cores 6   --executor-memory 1g

#如果不指定  默认使用每个worker上全部的核数,和每个worker上的1g内存

sc.textFile("hdfs://ns1/sparktest/").flatMap(_.split(",")).map((_,1)).reduceByKey(_+_).collect

12. Spark中的角色

• Master

  • 负责接收提交的作业的请求
  • master负责调度资源(在woker中启动CoarseGrainedExecutorBackend)

• Worker

  • worker中的executor负责执行task

• Spark-Submitter ===> Driver

  • 提交spark应用程序给master

13. Spark提交作业的大体流程