大数据之Spark（1）- Spark简介及安装

1 Spark概述

1.1 什么是Spark

1、定义
Spark是一种基于内存的快速、通用、可扩展的大数据分析引擎。
2、历史
2009年诞生于加州大学伯克利分校AMPLab，项目采用Scala编写。
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。

1.2 Spark内置模块

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；

1.3 Spark特点

1）快：与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。计算的中间结果是存在于内存中的。
2）易用：Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的Shell，可以非常方便地在这些Shell中使用Spark集群来验证解决问题的方法。
3）通用：Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。减少了开发和维护的人力成本和部署平台的物力成本。
4）兼容性：Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。

Spark运行模式

2.1 Spark官网

http://spark.apache.org/

2.2 Spark重要角色

2.2.1 Driver（驱动器）

Spark的驱动器是执行开发程序中的main方法的进程。它负责开发人员编写的用来创建SparkContext、创建RDD，以及进行RDD的转化操作和行动操作代码的执行。如果你是用spark shell，那么当你启动Spark shell的时候，系统后台自启了一个Spark驱动器程序，就是在Spark shell中预加载的一个叫作 sc的SparkContext对象。如果驱动器程序终止，那么Spark应用也就结束了。主要负责：
1）把用户程序转为作业（JOB）
2）跟踪Executor的运行状况
3）为执行器节点调度任务
4）UI展示应用运行状况

2.2.2 Executor（执行器）

Spark Executor是一个工作进程，负责在 Spark 作业中运行任务，任务间相互独立。Spark 应用启动时，Executor节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor节点上继续运行。主要负责：
1）负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程；
2）通过自身的块管理器（Block Manager）为用户程序中要求缓存的RDD提供内存式存储。RDD是直接缓存在Executor进程内的，因此任务可以在运行时充分利用缓存数据加速运算。

2.3 Local模式

2.3.1 概述

Local模式就是运行在一台计算机上的模式，通常就是用于在本机上练手和测试。它可以通过以下集中方式设置Master。
local: 所有计算都运行在一个线程当中，没有任何并行计算，通常我们在本机执行一些测试代码，或者练手，就用这种模式;
local[K]: 指定使用几个线程来运行计算，比如local[4]就是运行4个Worker线程。通常我们的Cpu有几个Core，就指定几个线程，最大化利用Cpu的计算能力;
local[*]: 这种模式直接帮你按照Cpu最多Cores来设置线程数了。

2.3.2 安装使用

1）上传并解压spark安装包

[hadoop@hadoop101 softwares]$ tar -xf spark-2.4.8-bin-hadoop2.7.tgz -C /opt/modules/
[hadoop@hadoop101 modules]$ ln -s spark-2.4.8-bin-hadoop2.7 spark

2）官方求PI案例

[hadoop@hadoop101 spark]$ bin/spark-submit --class org.apache.spark.examples.SparkPi \
--executor-memory 1G --total-executor-cores 2 ./examples/jars/spark-examples_2.11-2.4.8.jar 100

...
22/01/07 20:56:39 INFO TaskSchedulerImpl: Removed TaskSet 0.0, whose tasks have all completed, from pool 
Pi is roughly 3.1418403141840314
22/01/07 20:56:39 INFO SparkUI: Stopped Spark web UI at http://hadoop101:4040
...

（1）基本语法

bin/spark-submit \
--class <main-class>
--master <master-url> \
--deploy-mode <deploy-mode> \
--conf <key>=<value> \
... # other options
<application-jar> \
[application-arguments]

（2）参数说明：
--class: 你的应用的启动类 (如 org.apache.spark.examples.SparkPi)
--master 指定Master的地址，默认为Local
--deploy-mode: 是否发布你的驱动到worker节点(cluster) 或者作为一个本地客户端 (client) (default: client)
--conf: 任意的Spark配置属性， 格式key=value. 如果值包含空格，可以加引号“key=value”
application-jar: 打包好的应用jar
application-arguments: 传给main()方法的参数
--executor-memory 1G 指定每个executor可用内存为1G
--total-executor-cores 2 指定每个executor使用的cup核数为2个
3）WordCount测试案例
a. 准备文件

[hadoop@hadoop101 input]$ cat 1.txt 
hello world
hello spark
hello scala
[hadoop@hadoop101 input]$ cat 2.txt
hello jack
hello java

b. 启动spark-shell

[hadoop@hadoop101 spark]$ bin/spark-shell 
22/01/07 21:15:30 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://hadoop101:4040
Spark context available as 'sc' (master = local[*], app id = local-1641561335805).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.4.8
      /_/
         
Using Scala version 2.11.12 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_144)
Type in expressions to have them evaluated.
Type :help for more information.

scala> 

c. 查看进程

[hadoop@hadoop101 spark]$ jps
2368 Jps
2270 SparkSubmit

d. 可登录hadoop101:4040查看程序运行

e. 运行WordCount程序

scala> sc.textFile("input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((scala,1), (world,1), (hello,5), (jack,1), (java,1), (spark,1))

f. 可登录hadoop101:4040查看程序运行

g. WordCount程序分析

数据流分析：
textFile("input")：读取本地文件input文件夹数据；
flatMap(.split(" "))：压平操作，按照空格分割符将一行数据映射成一个个单词；
map((,1))：对每一个元素操作，将单词映射为元组；
reduceByKey(+)：按照key将值进行聚合，相加；
collect：将数据收集到Driver端展示。

2.4 Standalone模式

2.4.1 概述

构建一个由Master+Slave构成的Spark集群，Spark运行在集群中。

2.4.2 安装使用

1）进入spark安装目录下的conf文件夹

[hadoop@hadoop101 ~]$ cd /opt/modules/spark/conf

2）修改配置文件名称

[hadoop@hadoop101 conf]$ mv slaves.template slaves
[hadoop@hadoop101 conf]$ mv spark-env.sh.template spark-env.sh

3）修改slave文件，添加work节点：

[hadoop@hadoop101 conf]$ vim slaves
hadoop101
hadoop102
hadoop103

4）修改spark-env.sh，spark-config.sh 文件，添加如下配置：

[hadoop@hadoop101 conf]$ vim spark-env.sh

SPARK_MASTER_HOST=hadoop102
SPARK_MASTER_PORT=7077

[hadoop@hadoop101 sbin]$ vim spark-config.sh 
export JAVA_HOME=/opt/modules/jdk1.8

5）分发spark包

[hadoop@hadoop101 modules]$ xsync spark-2.4.8-bin-hadoop2.7/
[hadoop@hadoop101 modules]$ xsync spark/

6）启动

[hadoop@hadoop101 spark]$ sbin/start-all.sh

[hadoop@hadoop101 spark]$ jpsall
============hadoop101============
2769 Worker
2581 Master
============hadoop102============
2305 Worker
============hadoop103============
2427 Worker

7）网页查看：hadoop102:8080

8）官方求PI案例

[hadoop@hadoop101 spark]$ bin/spark-submit --class org.apache.spark.examples.SparkPi \
--master spark://hadoop101:7077 --executor-memory 1G --total-executor-cores 2 ./examples/jars/spark-examples_2.11-2.4.8.jar 100

22/01/07 21:50:36 INFO DAGScheduler: ResultStage 0 (reduce at SparkPi.scala:38) finished in 16.069 s
22/01/07 21:50:36 INFO DAGScheduler: Job 0 finished: reduce at SparkPi.scala:38, took 16.257592 s
Pi is roughly 3.141480314148031
22/01/07 21:50:36 INFO SparkUI: Stopped Spark web UI at http://hadoop101:4040
22/01/07 21:50:36 INFO StandaloneSchedulerBackend: Shutting down all executors

9）启动spark shell

[hadoop@hadoop101 spark]$ /opt/modules/spark/bin/spark-shell \
> --master spark://hadoop101:7077 \
> --executor-memory 1g \
> --total-executor-cores 2
22/01/07 21:54:08 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://hadoop101:4040
Spark context available as 'sc' (master = spark://hadoop101:7077, app id = app-20220107215412-0001).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.4.8
      /_/
         
Using Scala version 2.11.12 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_144)
Type in expressions to have them evaluated.
Type :help for more information.

scala> 

参数：--master spark://hadoop101:7077 指定要连接的集群的master
执行WordCount程序

scala> sc.textFile("input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((scala,1), (world,1), (hello,5), (jack,1), (java,1), (spark,1))

scala>

2.4.3 JobHistoryServer配置

1）修改spark-default.conf.template名称

[hadoop@hadoop101 conf]$ mv spark-defaults.conf.template spark-defaults.conf

2）修改spark-default.conf文件，开启Log：

[hadoop@hadoop101 conf]$ vim spark-defaults.conf 
spark.eventLog.enabled           true
spark.eventLog.dir               /opt/modules/spark/history

注意：HDFS上的目录需要提前存在。

3）修改spark-env.sh文件，添加如下配置：

[hadoop@hadoop101 conf]$ vim spark-env.sh 

export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=30 -Dspark.history.fs.logDirectory=/opt/modules/spark/history"

参数描述：
spark.eventLog.dir：Application在运行过程中所有的信息均记录在该属性指定的路径下；
spark.history.ui.port=18080 WEBUI访问的端口号为18080
spark.history.fs.logDirectory=/opt/modules/spark/history 配置了该属性后，在start-history-server.sh时就无需再显式的指定路径，Spark History Server页面只展示该指定路径下的信息
spark.history.retainedApplications=30指定保存Application历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。
4）分发配置文件

[hadoop@hadoop101 conf]$ xsync spark-env.sh 
[hadoop@hadoop101 conf]$ xsync spark-defaults.conf 

5）启动历史服务

[hadoop@hadoop101 spark]$ sbin/start-history-server.sh

6）再次执行任务

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop101:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.11-2.4.8.jar  \
100

7）查看历史服务

2.4.4 HA配置

1）zookeeper正常安装并启动
2）修改spark-env.sh文件添加如下配置：

[hadoop@hadoop101 conf]$ vi spark-env.sh

注释掉如下内容：

#SPARK_MASTER_HOST=hadoop101
#SPARK_MASTER_PORT=7077

添加上如下内容：

export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hadoop101,hadoop102,hadoop103 -Dspark.deploy.zookeeper.dir=/spark"

3）分发配置文件

[hadoop@hadoop101 conf]$ xsync spark-env.sh

4）在hadoop101上启动全部节点

[hadoop@hadoop101 spark]$ sbin/start-all.sh

5）在hadoop102上单独启动master节点

[hadoop@hadoop102 spark]$ sbin/start-master.sh

6）spark HA集群访问

/opt/module/spark/bin/spark-shell \
--master spark://hadoop101:7077,hadoop102:7077 \
--executor-memory 2g \
--total-executor-cores 2

2.5 Yarn模式

2.5.1 概述

Spark客户端直接连接Yarn，不需要额外构建Spark集群。有yarn-client和yarn-cluster两种模式，主要区别在于：Driver程序的运行节点。
yarn-client：Driver程序运行在客户端，适用于交互、调试，希望立即看到app的输出
yarn-cluster：Driver程序运行在由RM（ResourceManager）启动的AP（APPMaster）适用于生产环境。

2.5.2 安装使用

1）修改hadoop配置文件yarn-site.xml,添加如下内容：

[hadoop@hadoop101 hadoop]$ vim yarn-site.xml 
        <!--是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
        <property>
                <name>yarn.nodemanager.pmem-check-enabled</name>
                <value>false</value>
        </property>
        <!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
        <property>
                <name>yarn.nodemanager.vmem-check-enabled</name>
                <value>false</value>
        </property>

2）修改spark-env.sh，添加如下配置：

[hadoop@hadoop101 conf]$ vim spark-env.sh

YARN_CONF_DIR=/opt/modules/hadoop/etc/hadoop

3）分发配置文件

[hadoop@hadoop101 conf]$ xsync /opt/modules/hadoop/etc/hadoop/yarn-site.xml
[hadoop@hadoop101 conf]$ xsync spark-env.sh

4）执行一个程序

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.11-2.4.8.jar  \
100

注意：在提交任务之前需启动HDFS以及YARN集群。

2.5.3 日志查看

1）修改配置文件spark-defaults.conf
添加如下内容：

[hadoop@hadoop101 spark]$ vim conf/spark-defaults.conf

spark.eventLog.enabled           true
spark.eventLog.dir               hdfs://cluster/user/spark/history
spark.yarn.historyServer.address=hadoop101:18080
spark.history.ui.port=18080

2）修改配置文件spark-defaults.conf
添加如下内容：

[hadoop@hadoop101 spark]$ vim conf/spark-env.sh 

export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=30 -Dspark.history.fs.logDirectory=hdfs://cluster/user/spark/history"

3）分发配置文件

[hadoop@hadoop101 spark]$ xsync conf/spark-defaults.conf 
[hadoop@hadoop101 spark]$ xsync conf/spark-env.sh 

2）重启spark历史服务

[hadoop@hadoop101 spark]$ sbin/stop-history-server.sh 
stopping org.apache.spark.deploy.history.HistoryServer
[hadoop@hadoop101 spark]$ sbin/start-history-server.sh 
starting org.apache.spark.deploy.history.HistoryServer, logging to /opt/modules/spark/logs/spark-hadoop-org.apache.spark.deploy.history.HistoryServer-1-hadoop101.out

3）提交任务到Yarn执行

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.11-2.4.8.jar  \
100

4）Web页面查看日志

2.7 几种模式对比

模式	Spark安装机器数	需启动的进程	所属者
Local	1	无	Spark
Standalone	3	Master及Worker	Spark
Yarn	1	Yarn及HDFS	Hadoop