适合小白入门Spark的全面教程

用户1410343

发布于 2018-08-16 15:52:11

5.8K0

发布于 2018-08-16 15:52:11

文章被收录于专栏：about云about云

Apache Spark是一个用于实时处理的开源集群计算框架。它是Apache软件基金会中最成功的项目。 Spark已成为大数据处理市场的领导者。今天，Spark被亚马逊，eBay和雅虎等主要厂商采用。许多组织在具有数千个节点的集群上运行Spark。这篇文章所讲内容包括Spark Streaming，Spark Interview Questions，Spark MLlib等。在实时数据分析方面，Spark在所有其他解决方案中脱颖而出。通过这篇文章将向大家介绍使用Spark进行地震检测。以下是此Spark教程中涵盖的主题：

实时分析
有了Hadoop，为什么使用spark
什么是spark
Apache Spark的功能
spark实践及概念、组件介绍
使用基于Hadoop的Spark
Spark 组件
使用案例：使用Spark进行地震检测

1.实时分析 在我们开始之前，让我们来看看美国社交媒体比较有名的企业每分钟产生的数据量。

图：每分钟生成的数据量我们可以看到，互联网世界需要在几秒钟内处理大量数据。正如我们所看到的，网络有大量的数据需要在几秒钟内处理。我们将通过处理企业中的大数据的阶段，发现需要一个实时处理框架，那就是Apache Skar的实时处理框架，解决了此问题。首先，首先，让向大家介绍当今世界使用实时分析的几个大领域。

我们可以看到，大数据的实时处理已经深入我们生活的方方面面。从银行的欺诈检测到政府的实时监控系统、医疗自动化设备在股市中的实时预测系统，我们周围的一切都围绕着实时处理大数据。我们来看看实时分析的一些用法：医疗保健：医疗保健领域使用实时分析来持续检查关键患者的医疗状况。寻找血液和器官移植的医院需要在紧急情况下保持实时联系。及时就医是患者生死攸关的问题。政府：政府机构主要在国家安全领域进行实时分析。各国需要不断跟踪警察和安全机构对于威胁的更新。电信：以电话，视频聊天和流媒体实时分析等形式围绕服务的公司，以减少客户流失并保持领先竞争优势。他们还提取移动网络的测量结果。银行业务：银行业务几乎涉及全球所有资金。确保整个系统的容错事务变得非常重要。通过银行业务的实时分析，可以实现欺诈检测。股票市场：股票经纪人使用实时分析来预测股票投资组合的变动。公司通过使用实时分析来推销其品牌的市场需求，从而重新思考其业务模式。 spark思想及实现 2.有了Hadoop，为什么使用spark 每个人都问过Spark的第一个问题，“当我们已经拥有Hadoop时，为什么选择Spark？”。要回答这个问题，我们必须考虑批处理和实时处理的概念。 Hadoop基于批处理的概念。 Hadoop MapReduce是批量处理数据的最佳框架。这一直持续到2014年，直到Spark超越Hadoop。在批量处理大型数据集时，USP for Spark比Hadoop MapReduce快100％。下图详细说明了Spark和Hadoop之间的区别。

在这里，我们可以得出Hadoop和Spark之间的一个关键区别。 Hadoop基于大数据的批处理。这意味着数据会在一段时间内存储，然后使用Hadoop进行处理。在Spark中，处理可以实时进行。 Spark中的这种实时处理能力帮助我们解决了上一节中的实时分析问题。除此之外，Spark还能够比Hadoop MapReduce（ Hadoop处理框架）快100倍地进行批处理。因此，Apache Spark是业界大数据处理的首选工具。 3.什么是spark Apache Spark是一个用于实时处理的开源集群计算框架。它拥有蓬勃发展的开源社区，是目前最活跃的Apache项目。 Spark提供了完整编程的接口，具有数据并行性和容错性。

图：Spark教程 - Apache Spark中的实时处理它建立在Hadoop MapReduce之上，它扩展了MapReduce模型以使用更多类型的计算。 4.Apache Spark的功能 spark有以下功能

图：Spark教程 - Spark功能详细内容如下：支持多种语言 Spark提供Java，Scala，Python和R中的高级API .Spark代码可以用任何这些语言编写。它在Scala和Python中提供了一个shell。可以通过./bin/spark-shell和Python shell通过./bin/pyspark从已安装的目录访问Scala shell。

相关资料推荐使用Java编写并运行Spark应用程序 http://www.aboutyun.com/forum.php?mod=viewthread&tid=10791 Spark开发语言Scala语言 http://www.aboutyun.com/forum.php?mod=viewthread&tid=6771 Spark python 开发者 ---Spark流式数据处理 http://www.aboutyun.com/forum.php?mod=viewthread&tid=18866 速度 Spark的运行速度比Hadoop MapReduce快100倍，适用于大规模数据处理。 Spark能够通过分区实现此速度。它使用分区管理数据，这些分区有助于以最小的网络流量并行化处理分布式数据。

多种格式 Spark支持多种数据源，如Parquet，JSON，Hive和Cassandra，CSV和RDBMS表，还包括通常的格式，如文本文件、CSV和RDBMS表。 Data Source API提供了一种可插拔的机制，用于通过Spark SQL获取结构化数据。

延后计算 Apache Spark延迟是绝对必要的。这是影响其速度的关键因素之一。对于转换（transformations），Spark将它们添加到DAG(有向无环图)的计算中，并且只有当驱动程序请求一些数据时，这个DAG才会实际执行。

实时计算 Spark的计算是实时的，并且由于其内存计算具有低延迟。 Spark专为大规模可扩展性设计，Spark团队已经记录了运行具有数千个节点的生产集群的用户，并支持多种计算模型。

整合Hadoop Apache Spark提供与Hadoop的平滑兼容性。这对所有从事Hadoop大数据工程师来说都是一个福音。 Spark是Hadoop的MapReduce的潜在替代品，而Spark能够使用YARN在现有的Hadoop集群上运行资源调度。

资料推荐如何查看spark与hadoop、kafka、Scala、flume、hive等兼容版本【适用于任何版本】 http://www.aboutyun.com/forum.php?mod=viewthread&tid=23252 机器学习 Spark的MLlib是机器学习组件，在大数据处理方面很方便。它消除了使用多种工具的需求，一种用于处理，一种用于机器学习。 Spark为数据工程师和数据科学家提供了一个功能强大，统一的引擎，既快速又易于使用。

其它资料推荐： SPARK MLLIB机器学习 http://www.aboutyun.com/forum.php?mod=viewthread&tid=24700 5.spark实践及概念、组件介绍 开始使用Spark的第一步是安装。让我们在Linux系统上安装Apache Spark 2.1.0（我使用的是Ubuntu）。安装 1.安装Spark的先决条件是安装Java和Scala。 2.如果未使用以下命令安装Java，请下载Java。

[Bash shell] 纯文本查看复制代码

sudo apt-get install python-software-properties
sudo apt-add-repository ppa:webupd8team/java
sudo apt-get update
sudo apt-get install oracle-java8-installer

3.从Scala Lang官方（http://www.scala-lang.org/）页面下载最新的Scala版本。安装完成后，在〜/ .bashrc文件中设置scala路径，如下所示。

[Bash shell] 纯文本查看复制代码

export SCALA_HOME=Path_Where_Scala_File_Is_Located
export PATH=$SCALA_HOME/bin:PATH

4.从Apache Spark下载页面（http://spark.apache.org/downloads.html）下载Spark 2.1.0。您也可以选择下载以前的版本。 5.使用以下命令提取Spark tar。

[Bash shell] 纯文本查看复制代码

tar -xvf spark-2.1.0-bin-hadoop2.7.tgz

6.在〜/ .bashrc文件中设置Spark_Path。

[Bash shell] 纯文本查看复制代码

export SPARK_HOME=Path_Where_Spark_Is_Installed
export PATH=$PATH:$SPARK_HOME/bin

在我们下一步之前，在我们的系统上启动Apache Spark，并熟悉Spark的主要概念，如Spark Session，数据源，RDD，DataFrame和其他库。 Spark Shell: Spark的shell提供了一种学习API的简单方法，以及一种以交互方式分析数据的强大工具。 Spark Session: 在早期版本的Spark中，Spark Context是Spark的入口点。对于每个其他API，我们需要使用不同的上下文。对于流式传输，我们需要StreamingContext，SQL sqlContext和hive HiveContext。为了解决这个问题，SparkSession进入了这个问题。它本质上是SQLContext，HiveContext和未来StreamingContext的组合。数据源: Data Source API提供了一种可插拔的机制，用于通过Spark SQL访问结构化数据。 Data Source API用于将结构化和半结构化数据读取并存储到Spark SQL中。数据源不仅仅是简单的管道，可以转换数据并将其拉入Spark。 RDD：弹性分布式数据集（RDD）是Spark的基本数据结构。它是一个不可变的分布式对象集合。 RDD中的每个数据集被划分为逻辑分区，其可以在集群的不同节点上计算。 RDD可以包含任何类型的Python，Java或Scala对象，包括用户定义的类。 Dataset: Dataset是分布式数据集合。数据集可以从JVM对象构造，然后使用功能转换（map，flatMap，filter等）进行操作。数据集API在Scala和Java中可用。 DataFrames: DataFrame是命名列组织成数据集。它在概念上等同于关系数据库中的表或R / Python中的数据框，但在引擎盖下具有更丰富的优化。 DataFrame可以从多种来源构建，例如：结构化数据文件，Hive中的表，外部数据库或现有RDD。其中RDD是比较好理解的，dataset和dataframe可能弄不清他们之间的区别和联系推荐参考：一图看懂Spark RDD Dataframe DataSet http://www.aboutyun.com/forum.php?mod=viewthread&tid=24893 6.使用基于Hadoop的Spark Spark与Hadoop兼容性的。因此，这是一种非常强大的技术组合。下面我们介绍spark与Hadoop整合的好处

图：Spark功能 Hadoop组件可以通过以下方式与Spark一起使用：

HDFS：Spark可以在HDFS之上运行，以利用分布式存储。
MapReduce：Spark可以与MapReduce一起用于同一个Hadoop集群，也可以单独作为处理框架使用。
YARN：可以使Spark应用程序在YARN（Hadoop NextGen）上运行。
批处理和实时处理：MapReduce和Spark一起使用，其中MapReduce用于批处理，Spark用于实时处理。

7.Spark 组件 Spark组件使Apache Spark快速可靠。构建了很多这些Spark组件来解决使用Hadoop MapReduce时出现的问题。 Apache Spark具有以下组件：

Spark Core
Spark Streaming
Spark SQL
GraphX
MLlib (Machine Learning)

Spark Core Spark Core是大规模并行和分布式数据处理的基础引擎。核心是分布式执行引擎，Java，Scala和Python API为分布式ETL应用程序开发提供了一个平台。此外，在核心上构建的其他库允许用于流式传输，SQL和机器学习的各种工作负载。它负责：

内存管理和故障恢复
在群集上调度，分发和监视作业
与存储系统交互

Spark Streaming Spark Streaming是Spark的组件，用于处理实时流数据。因此，它是核心Spark API的补充。它支持实时数据流的高吞吐量和容错流处理。基本流单元是DStream，它基本上是一系列用于处理实时数据的RDD（弹性分布式数据集）。

图：spark streaming Spark SQL Spark SQL是Spark中的一个新模块，它使用Spark编程API实现集成关系处理。它支持通过SQL或Hive查询查询数据。对于那些熟悉RDBMS的人来说，Spark SQL将很容易从之前的工具过渡到可以扩展传统关系数据处理的边界。 Spark SQL通过函数编程API集成关系处理。此外，它为各种数据源提供支持，并且使用代码转换编织SQL查询，从而产生一个非常强大的工具。以下是Spark SQL的四个库。

Data Source API
DataFrame API
Interpreter & Optimizer
SQL Service

GraphX GraphX是用于图形和图形并行计算的Spark API。因此，它使用弹性分布式属性图扩展了Spark RDD。属性图是一个有向多图，它可以有多个平行边。每个边和顶点都有与之关联的用户定义属性。这里，平行边缘允许相同顶点之间的多个关系。在高层次上，GraphX通过引入弹性分布式属性图来扩展Spark RDD抽象：一个定向多图，其属性附加到每个顶点和边。为了支持图形计算，GraphX公开了一组基本运算符（例如，subgraph，joinVertices和mapReduceTriplets）以及Pregel API的优化变体。此外，GraphX包含越来越多的图算法和构建器，以简化图形分析任务。 MlLib (Machine Learning) MLlib代表机器学习库。 Spark MLlib用于在Apache Spark中执行机器学习。

8.使用案例：使用Spark进行地震检测 现在我们已经理解了Spark的核心概念，让我们使用Apache Spark解决现实问题。这将有助于我们有信心在未来处理任何Spark项目。问题描述：设计实时地震检测模型以发送救生警报，这应该改善其机器学习，以提供接近实时的计算结果。用例 - 要求：

实时处理数据
处理来自多个来源的输入
易于使用的系统
批量传输警报

我们将使用Apache Spark，它是满足我们要求的工具。

数据下载：链接: https://pan.baidu.com/s/1sb5S42oKLdIBzaoJ11dGDA 密码: rx85 在继续前进之前，我们必须了解一个概念，即我们将在地震检测系统中使用它，它被称为接收器操作特性（ROC）。 ROC曲线是图解说明二元分类器系统的性能的图表，因为其辨别阈值是变化的。我们将使用数据集在Apache Spark中使用机器学习获取ROC值。用例 - 流程图：下图清楚地解释了我们的地震检测系统涉及的所有步骤。

用例 - Spark实现：继续，现在让我们使用Eclipse IDE for Spark实现我们的项目。找到下面的伪代码：

[Scala] 纯文本查看复制代码

//Importing the necessary classes
import org.apache.spark._
...
//Creating an Object earthquake
object earthquake {
 def main(args: Array[String]) {
   
//Creating a Spark Configuration and Spark Context
val sparkConf = new SparkConf().setAppName("earthquake").setMaster("local[2]")
val sc = new SparkContext(sparkConf)
   
//Loading the Earthquake ROC Dataset file as a LibSVM file
val data = MLUtils.loadLibSVMFile(sc, *Path to the Earthquake File* )
   
//Training the data for Machine Learning
val splits = data.randomSplit( *Splitting 60% to 40%* , seed = 11L)
val training = splits(0).cache()
val test = splits(1)
  
//Creating a model of the trained data
val numIterations = 100
val model = *Creating SVM Model with SGD* (  *Training Data* , *Number of Iterations* )
   
//Using map transformation of model RDD
val scoreAndLabels = *Map the model to predict features* 
   
//Using Binary Classification Metrics on scoreAndLabels
val metrics = * Use Binary Classification Metrics on scoreAndLabels *(scoreAndLabels)
val auROC = metrics. *Get the area under the ROC Curve*()
   
//Displaying the area under Receiver Operating Characteristic
println("Area under ROC = " + auROC)
 }
}

由于代码尚未公布下载，公布后，将会在第一时间公众号发布，回复【spark地震检测】，可获取。

从我们的Spark程序中，我们获得的ROC值为0.088137。我们将转换此值以获得ROC曲线下的区域。用例 - 可视化结果：我们将绘制ROC曲线并将其与特定地震点进行比较。如果地震点超过ROC曲线，这些点将被视为主要地震。根据我们计算ROC曲线下面积的算法，我们可以假设这些主要地震在里氏震级上超过6.0级。