Spark入门

目录

1. Spark入门: 概述+历史+概述
2. SparkCore：RDD
3. SparkSQL:
4. SparkStreaming
5. Spark内核调优

Spark概述

回顾： Hadoop = HDFS存储 + MR分析计算 + YARN调度
Hadoop的MR计算中的shuffle需要落盘，速度不够快。
Spark是一种基于内存的分析计算引擎。

历史

2009诞生于加州伯克利分校，项目采用scala编写。
2010年开源。
2013年6月成为Apache孵化项目，将资源和任务调度分开。
2014年2月成为Apache顶级项目。

两种模式

1. standalone独立部署模式：不可以更换为MR来计算
2. yarn模式：可以更换为MR来分析计算

Hadoop和Spark的对比

1. Hadoop MR框架: 计算过程中Map和Reduce之间的shuffle过程需要落盘，reduce结束后也需要落盘。
2. Spark RDD框架：会主动考虑前后数据的逻辑性，只在必要时进行shuffle落盘。适合迭代式计算，图形计算。Spark支持优化，避免了一些重复冗余的计算操作，是基于懒加载机制的框架。

Spark模块和特点

模块： SparkSQL + SparkCore +Yarn
特点：

1. 快：基于内存运算比Hadoop MR快100倍以上， 有很强的自适应优化，帮你自动计算出最合适的任务资源调度方案。
2. 易用：支持java, Python, Scala的API
3. 通用：提供了统一的解决方案，支持SQL、实时流处理
4. 兼容性：调度和计算分离，支持其他调度器，比如yarn调度器

安装部署

本地模式

1. 提交Spark任务

bin/spark-submit \ # 提交任务
--class org.apache.spark.examples.SparkPi \
--master local[2] \ # 运行模式
# Spark案例任务，求PI
./examples/jars/spark-examples_2.12-3.1.1.jar \   
10  # 任务跑10次，取平均值

–master : 表示运行模式，默认是local[], 中括号里面表示CPU核数， 表示当前机器的全部CPU。

2. hadoop102:4040 Spark任务运行查看界面，建议将10替换为1000，任务结束后无法进入。可以看到计算过程的有向无环图。

YARN模式

1. 关闭虚拟机
2. 重新解压spark，命名为spark-yarn目录
3. 关闭物理和虚拟的内存检查
4. 修改spark-env.sh配置文件的YARN_CONF_DIR，告诉spark，yarn配置文件在哪里。
5. hadoop103:8088 通过YARN查看任务执行情况。
6. 配置历史服务
   • 修改spark-defaults.conf, 配置日志存储路径
   • 修改spark-env.sh, 添加如下配置

export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080 
-Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory 
-Dspark.history.retainedApplications=30"

7. 创建历史服务器的目录
8. sbin/start-history-server.sh，启动历史服务器HistoryServer
9. 再次提交计算PI的任务，使用Hadoop102:18080查看任务DAG图解，查看有多少个阶段和计算过程。主要查看executor界面，查看任务申请了多少个执行器，和执行器的运行时间。
   10.配置历史日志，为了能够通过YARN网页跳转到Spark历史日志网页中。在spark-defaults.conf添加如下信息：

spark.yarn.historyServer.address=hadoop102:18080
spark.history.ui.port=18080

运行流程

Spark yarn 也有两种模式：

1. 客户端模式：初始化，任务的切分都在本地执行。适合内网执行，大数据一般都是内网运行，故一般是客户端模式，任务结果就在当前客户端可以看到。
2. 集群模式：初始化，任务的切分在集群的AM中执行，适合外网执行，任务结果需要到YARN中才能查看到。