Spark 学习 从零开始
Spark 简介 从零开始
Spark是什么
spark是一个快速且通用的集群计算平台
Spark是快速的
Spark扩充了流行的Mapreduce计算模型
Spar是基于内存的计算
Spark是通用的
Spark的设计容纳了其它分布式系统拥有的功能
批处理，迭代式计算，交互查询和流处理等
优点：降低了集群的维护成本
Spark是高度开放的
Spark提供了Python,Java Scala,SQL的API和丰富的内之库。
Spark和其它的大数据工具整合的很好，包括hadoop，kafka等
Spark的组件
Spark Core
包括Spark的基本功能，包括任务调度，内存管理，容错机制等。
应用场景，为其他组件提供底层的服务
Spark SQL：
是Spark处理结构化数据的库，就像Hive SQL，Mysql一样。
应用场景，企业中用来做报表统计。
Spark Streaming：
实时数据流处理组件，类似Storm。
Sparm Streaming提供了API来操作实时流数据。
应用场景，企业中用来从kafka接受数据做实时统计。
Mlib：
一个包含通用机器学习功能的包，Machine learning lib。
包含分类，聚类，回归等，还包含模型评估，和数据导入。
MLlib提供的上面这些方法，都支持集群上的横向扩展。
应用场景，机器学习。
Graphx：
是处理图的库（例如，涉及网络图），并进行图的并行计算。
像Spark Streaming，Spark SQL一样，它也继承了RDD API。
它提供了各种图的操作，和常用的图算法，例如PangeRank算法。
应用场景，图计算。
Cluster Managers:
就是集群管理，Spark自带一个集群管理是单独调度器。
常见的集群管理包括Hadoop YARN，Apache Mesos
紧密集成的优点：
Spark底层优化了，基于Spark底层的组件，也得到了相应的优化。
紧密集成，节省了各个组件使用时的部署，测试时间。
向Spark增加新的组件时，其它组件，可立即享用新组件的功能。
--------------------------------------------------------------
Spark与Hadoop的比较
Hadoop应用场景
离线处理
对时效性要求不高
Spark应用场景
实时性要求高的场景
机器学习等领域
比较
Doug Cutting的观点
这是生态系统，每个组件都有其作用，各善其职即可
Spark不具有HDFS的存储能力，要借助HDFS等持久化数据。
大数据将会孕育出等多的新技术
--------------------------------------------------------------
Spark安装
Spark运行环境：
Spark是Scala写的，运行在JVM上，所以运行环境Java7+。
如果使用Python API，需要安装Python2.6+或者Python3.4+。
Spark 1.6.2 -Scala2.10 Spark 2.0.0 -Scala 2.11
Spark下载：
下载地址：http://spark.apache.org/downloads.html
搭Spark不需要Hadoop，如有Hadoop集群，可下载相应的版本。
解压
也可以在linux上通过wget命令下载
然后直接进行解压
Spark目录：
bin包含了用来和Spark交互的可执行文件，如Spark shell.
core，streaming,pytho,...包含主要组件的源代码。
examples包含了一些单机Spark job,你可以研究和运行这些例子。
Spark的shell：
Spark的shell使你能够处理分布在集群上的数据。
Spark把数据加载到节点的内存中，因此分布式处理可在妙级完成。
快速的迭代式计算，实时查询、分析一般能够在shell中完成。
Spark提供了Python shells和Scala shells。
Python Shell:
bin/pyspark
例如：./pyspark
退出：exit();
Scala Shell:
bin/spark-shell
例子：
val lines = sc.textFile("../../testfile/")
lines.count() 当前条数
lines.first 第一行
修改日志级别 log4j.rootCategory = WARN,console
目录conf/log4j.properties
--------------------------------------------------------------
Spark开发环境搭建
Scala安装
下载地址： http://www.scala-lang.org/download/2.10.5.html
默认安装选项会自动配置环境变量。
Spark 1.6.2 -Scala2.10 Spark 2.0.0 -Scala 2.11
Intellij IDEA的下载，安装：
下载地址：http://www.jetbrains.com/idea/
注册码地址： http://idea.lanyus.com
插件安装
plugins,搜索Scala直接安装，插件中有scala和sbt.
步骤
在Intellij中点击File,选择settings,然后点击plugins,在弹出的右面的搜索框中输入scala，然后找到直接点击下载就可以。
开发第一个Spark程序
配置ssh无密登录：
ssh-keygen
.ssh目录下 catxxx_rsa.pub > authorized_keys
chmod 600 authorized_keys
Spark开发环境搭建
搭建开发环境常遇到的问题：
网络问题，导致sbt查询加载失败，解决方法，好的网络环境
版本匹配问题 Scala2.10.5 , Jdk1.8 , Spark1.6.2, Sbt0.13.8
开发第一个Spark 程序
新建好的scala项目如下
File -> new -> Project.. -> 选择Scala 右面的SBT选项 Next
如图
如图所示 红框中指明 Spark-core 版本号，点击上面的刷新，然后自动下载
开始写入程序如图
打包：
配置jar包
build
File - > Project Structure... -> Artifacts ->点击+号 -> JAE -> From modules with dependencies... -> 选择项目名 指明要打包的代码
如图所示 配置jar包成功
然后开始buld
Build -> Build Artifact... ->build
打包提交之前需要启动集群
进入 /usr/local/xiaoma/spark/spark-2.2.0-bin-hadoop2.6/sbin
启动集群：
启动master ./sbin/start-master.sh
启动worker ./bin/spark-class
提交作业 ./bin/spark-submit
例如：
1. 启动master
././bin/start-master.sh
2.启动worder
./bin/spark-class org.apache.spark.deploy.worker.Worker spark://localhost.localdomain:7077
http://www.imooc.com/video/14395
3.提交作业
./bin/spark-submit --master spark://localhost.localdomain:7077 --class WordCount /home/mainxia/soft/wordcount.jar
浙公网安备 33010602011771号