一、spark--spark基本概述

[TOC]

一、spark概述

1、什么是spark

Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，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。目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLlib等子项目，Spark是基于内存计算的大数据并行计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。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。

2、spark优势

​ 在这里必须对比MapReduce，MapReduce最大的性能短板就在于shuffle过程中，会将中间结果输出到磁盘上（也就是hdfs上），这个过程中至少会产生6次的IO。也正是这些频繁的IO使得mr的性能不尽人意。
​ 对于spark来说，中间结果是都在内存中的（checkpoint另说），就从这点来说，就少了很多IO导致的性能问题。当然这只是其中一点，后面会细说

3、spark的特点

3.1 快

与Hadoop的MapReduce相比，Spark基于内存的运算速度要快100倍以上，即使，Spark基于硬盘的运算也要快10倍。Spark实现了高效的DAG执行引擎，从而可以通过内存来高效处理数据流。

3.2 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。

3.3 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。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。
另外Spark还可以很好的融入Hadoop的体系结构中可以直接操作HDFS，并提供Hive on Spark、Pig on Spark的框架集成Hadoop。

3.4 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和Cassandra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也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。

4、spark组件

Spark生态圈：
Spark Core ：最重要，其中最重要的是 RDD （弹性分布式数据集）
Spark SQL ：类似于Hive 使用SQL语句操作RDD DataFrame（表）
Spark Streaming ： 流式计算
前面三个用到比较多，后面这两个看需求吧

Spark MLLib ：Spark机器学习类库
Spark GraphX ： 图计算

二、spark体系架构和部署

1、spark集群架构

​ 图2.1 spark架构

spark大致有几个大组件，分别为：driver、master（cluster manager）、worker。

​ 图2.2 spark工作任务图

上面这图说明了每个组件的功能。

2、部署

spark可以部署在以上几种环境之上：
Standalone：spark内置的资源管理器
YARN：hadoop的资源管理器
Mesos
Amazon EC2
使用scala版本为scala2.11.8，spark版本为spark-2.1.0-bin-hadoop2.7。
jdk版本1.8，hadoop版本2.8.4

2.1 伪分布式搭建

解压好spark程序之后，进入解压目录下。修改配置文件：

cd conf
cp spark-env.sh.template spark-env.sh
vim spark-env.sh
添加以下内容：
export JAVA_HOME=/opt/modules/jdk1.8.0_144
# 指定master节点主机名以及端口
export SPARK_MASTER_HOST=bigdata121   这里自己按实际的ip改，为master节点
export SPARK_MASTER_PORT=7077

cp slaves.template  slaves
vim slaves
# 配置从节点主机名,指定worker节点主机
bigdata121

配置完成后，启动集群：

cd sbin
./start-all.sh
jps 查看是否有master和worker进程
20564 JobHistoryServer
127108 Jps
51927 Worker
41368 ResourceManager
11130 SecondaryNameNode
10875 NameNode
41467 NodeManager
51868 Master
10973 DataNode

2.2 全分布式搭建

基本和伪分布式是一样的，也就是 conf/slaves文件中配置多几个worker节点而已，然后照样启动集群就OK了。
搭建完成了可以进入 http://masterIP:8080 查看集群状态

3、master节点HA部署

​ 在spark中，master节点作为整个集群的管理者，是单点的，容易发生单点故障，所以为了保障master节点的可用性，需要给它实现HA

3.1 基于文件系统的单点恢复

​ 主要用于开发或测试环境。spark提供目录保存spark Application和worker的注册信息，并将他们的恢复状态信息写入该目录中，这时，一旦Master发生故障，就可以通过重新启动Master进程（sbin/start-master.sh），恢复已运行的spark Application和worker的注册信息。
​ 基于文件系统的单点恢复，主要是在spark-env.sh里SPARK_DAEMON_JAVA_OPTS设置以下内容：

指定两个运行参数：
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=FILESYSTEM -Dspark.deploy.recoveryDirectory=/root/training/spark-2.1.0-bin-hadoop2.7/recovery"

其中：
spark.deploy.recoveryMode=FILESYSTEM    设置为FILESYSTEM开启单点恢复功能，默认值：NONE
spark.deploy.recoveryDirectory  Spark 保存恢复状态的目录

要注意的是，这种方式本质上还是只有一个master节点，只不过是重启master节点时可以自动还原worker以及application信息，防止master挂了之后，所有任务都丢失执行状态，然后master重启之后需要重新从头到尾执行之前的任务。

3.2 基于zookeeper实现

​ ZooKeeper提供了一个Leader Election机制，利用这个机制可以保证虽然集群存在多个Master，但是只有一个是Active的，其他的都是Standby。当Active的Master出现故障时，另外的一个Standby Master会被选举出来。由于集群的信息，包括Worker， Driver和Application的信息都已经持久化到ZooKeeper，因此在切换的过程中只会影响新Job的提交，对于正在进行的Job没有任何的影响。
​ 这里分别用两台主机配置master节点，而worker节点仍然是单节点（为了方便起见而已）。首先需保证zookeeper服务的正常运行。这里不重复讲，可以看之前zookeeper的文章。这里直接讲spark 的配置。
修改spark-env.sh配置文件

export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=bigdata121:2181,bigdata123:2181,bigdata122:2181 -Dspark.deploy.zookeeper.dir=/spark"

其中：
spark.deploy.recoveryMode=ZOOKEEPER 设置为ZOOKEEPER开启单点恢复功能，默认值：NONE
spark.deploy.zookeeper.url  ZooKeeper集群的地址
spark.deploy.zookeeper.dir  Spark信息在ZK中的保存目录，默认：/spark

另外：每个节点上，需要将以下两行注释掉
# export SPARK_MASTER_HOST=bigdata121
# export SPARK_MASTER_PORT=7077
会自动选出哪个是active的master节点地址以及端口，不需要指定。

以上配置需要保证在整个spark集群的所有master和worker节点所在主机的配置一样。
配置完成后，启动集群

随便在一台master节点上启动整个集群：
sbin/start.all.sh

接着再另外一个master节点单独启动master：
sbin/start-master.sh

启动完成后，可以到两个master的管理页面上看对应的状态：

http://masterip1:8080
http://masterip2:8080

如果正常工作的话，一般是一个显示active，一个显示standby

接着我们看看zookeeper上存储什么信息：

会在zk上创建 /spark节点，有如下两个目录：
master_status 这个节点下有以worker名创建的子节点，也就是worker信息
leader_election 主备master节点所在主机的心跳信息，都是临时节点。如果失去心跳，那么就会对应的节点消失

如：
这个看节点名字就知道了，是worker的信息节点
[zk: localhost:2181(CONNECTED) 0] ls /spark/master_status
[worker_worker-20190822120853-192.168.50.121-59531]

这个则是两个master节点的的状态节点，如果没有心跳就消失了
[zk: localhost:2181(CONNECTED) 1] ls /spark/leader_election
[_c_dcc9ec86-80f9-4212-a5db-d1ec259add80-latch-0000000003, _c_fa42411d-0aa0-4da8-bbe9-483c198ee1f9-latch-0000000004]

三、spark的demo程序运行

spark提供了一些实例程序，

[root@bigdata121 spark-2.1.0-bin-hadoop2.7]# ls examples/jars/
scopt_2.11-3.3.0.jar  spark-examples_2.11-2.1.0.jar

spark提供了两个工具用于提交执行spark任务，分别是spark-shell和spark-submit

1、spark-submit

一般用在生产环境中用于提交任务到集群中执行

例子：蒙特卡罗求PI

spark-submit --master spark://bigdata121:7077 --class org.apache.spark.examples.SparkPi examples/jars/spark-examples_2.11-2.1.0.jar 100
     --master 指定master地址
     --class 运行的类的全类名
     Jar包位置
     运行的类的main函数需要输入的参数（其实就是main函数中的args参数）

如果有多个额外的jar包，这样写：
submit --master xxx --jars jar1 jar2..... --class 全类名 包含运行类的jar包 参数

--jar 用于指定除了运行类之外的jar包地址，比如依赖的各种jar包

如果需要指定一些driver，比如mysql-connecter，需要加一个选项
--driver-class-path xxxx   
或者方便一点的话就直接加到spark的jars目录下

一般在生产环境中，在IDE中编写完spark程序后，会打包成jar包，然后上传到集群中。通过上面的spark-submit命令，将任务提交至集群中执行

2、spark-shell

spark-shell是Spark自带的交互式Shell程序，方便用户进行交互式编程，用户可以在该命令行下用scala编写spark程序。一般用于测试
有两种运行模式：

(1)本地模式：不需要连接到Spark集群，在本地直接运行，用于测试
启动：bin/spark-shell  后面不写任何参数，代表本地模式

Spark context available as 'sc' (master = local[*], app id = local-1553936033811).
local代表本地模式
local[*] 表示cpu核数

(2)集群模式
命令：bin/spark-shell --master spark://.....

Spark context available as 'sc' (master = spark://node3:7077, app id = app-20190614091350-0000).

特殊说明：
Spark session 保存为 spark： Spark2.0以后提供的，利用session可以访问所有spark组件（core sql..）
spark context 保存为 sc，是任务的上下文对象。
spark sc 两个对象，可以直接使用

例子：在Spark Shell中编写WordCount程序

程序如下：
sc.textFile("hdfs://bigdata121:9000/data/data.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).saveAsTextFile("hdfs://bigdata121:9000/output/spark/wc")

注意：hdfs://bigdata121:9000/data/data.txt上的文件需自行先上传到你的hdfs集群上，而且需保证输出目录不存在

说明：
sc是SparkContext对象，该对象时提交spark程序的入口
textFile("hdfs://bigdata121/data/data.txt")是hdfs中读取数据
flatMap(_.split(" "))先map在压平
map((_,1))将单词和1构成元组
reduceByKey(_+_)按照key进行reduce，并将value累加
saveAsTextFile("hdfs://bigdata121:9000/output/spark/wc")将结果写入到hdfs中

3、idea中编写spark程序

首先需要idea配置好scala开发环境。
到插件中心安装scala插件。
创建maven工程，然后add framework support添加scala支持
到project structure添加scala源码文件夹
最后右键就可以看到可以创建scala class 的选项了。
注意：本地得安装scala以及jdk

配置好scala环境后，需要添加spark对应的maven依赖，添加依赖到pom.xml中：

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>king</groupId>
    <artifactId>sparkTest</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <spark.version>2.1.0</spark.version>
        <scala.version>2.11.8</scala.version>
        <hadoop.version>2.7.3</hadoop.version>
    </properties>

    <dependencies>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.1.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>2.1.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_2.11</artifactId>
            <version>2.1.0</version>
            <scope>provided</scope>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming_2.11</artifactId>
            <version>2.1.0</version>
            <scope>provided</scope>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-mllib_2.11</artifactId>
            <version>2.1.0</version>
            <scope>runtime</scope>
        </dependency>

        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>${hadoop.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming-kafka_2.11</artifactId>
            <version>1.6.3</version>
        </dependency>

        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>8.0.12</version>
        </dependency>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.12</version>
        </dependency>

        <!-- https://mvnrepository.com/artifact/org.apache.hive/hive-jdbc -->
        <dependency>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-jdbc</artifactId>
            <version>1.2.1</version>
        </dependency>

    </dependencies>

    <!--下面这是maven打包scala的插件，一定要，否则直接忽略scala代码-->
    <build>
        <plugins>

            <plugin>
                <groupId>org.scala-tools</groupId>
                <artifactId>maven-scala-plugin</artifactId>
                <version>2.15.2</version>
                <executions>
                    <execution>
                        <goals>
                            <goal>compile</goal>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>

            <plugin>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.6.0</version>
                <configuration>
                    <source>1.8</source>
                    <target>1.8</target>
                </configuration>
            </plugin>

            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-surefire-plugin</artifactId>
                <version>2.19</version>
                <configuration>
                    <skip>true</skip>
                </configuration>
            </plugin>

        </plugins>
    </build>

</project>

记住上面的关于build的配置千万不要漏掉。这里说说我之前的遇到的小坑。

小坑：

我用maven打包jar之后，到Linux上运行时，发现报错，说在jar包里找不到指定的主类。重新打包好几次都不行。接着我就到idea中将打包的jar添加为工程依赖，然后到jar包里看看有啥东西，结果发现我写的代码并没有打包到里面去。但是java的可以打包进去，我就猜测是maven直接忽略了scala代码，到网上一搜，需要加上上面的build配置，配置好就可以打包了。

wordcount实例代码：

import org.apache.spark.{SparkConf, SparkContext}

object WordCount {
  def main(args: Array[String]): Unit = {
    //创建spark配置文件对象.设置app名称，master地址,local表示为本地模式。
    //如果是提交到集群中，通常不指定。因为可能在多个集群汇上跑，写死不方便
    val conf = new SparkConf().setAppName("wordCount").setMaster("local")

    //创建spark context对象
    val sc = new SparkContext(conf)

    sc.textFile(args(0)).flatMap(_.split(" "))
      .map((_,1))
      .reduceByKey(_+_)
        .saveAsTextFile(args(1))
  }
}