http://spark.apache.org/
Apache Spark™ is a unified analytics engine for large-scale data processing
Lightning-fast cluster computing。 快如闪电的集群计算。 大规模快速通用的计算引擎。 速度: 比hadoop 100x,磁盘计算快10x 使用: java / Scala /R /python 提供80+算子(操作符),容易构建并行应用。 通用: 组合SQL ,流计算 + 复杂分析。
运行: Hadoop, Mesos, standalone, or in the cloud,local.
Spark core //核心模块 Spark SQL //SQL Spark Streaming //流计算 Spark MLlib //机器学习 Spark graph //图计算
DAG //direct acycle graph,有向无环图。
1.下载spark-2.2.1-bin-hadoop2.7.tgz .. 2.解压 .. 3.环境变量 [/etc/profile] SPARK_HOME=/soft/spark PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin [source] $>source /etc/profile
4.验证spark $>cd /soft/spark $>./spark-shell
5.webui http://localhost:4040/
0.sc SparkContext,Spark程序的入口点,封装了整个spark运行环境的信息。
1.进入spark-shell $>spark-shell $scala>sc
[SparkContext] Spark程序的入口点,封装了整个spark运行环境的信息。
[RDD] resilient distributed dataset,弹性分布式数据集。等价于集合。
1 spark实现word count ------------------------ //加载文本文件,以换行符方式切割文本.Array(hello world2,hello world2 ,...) val rdd1 = sc.textFile("/home/test.txt");
//单词统计1 $scala>val rdd1 = sc.textFile("/home/centos/test.txt") $scala>val rdd2 = rdd1.flatMap(line=>line.split(" ")) $scala>val rdd3 = rdd2.map(word = > (word,1)) $scala>val rdd4 = rdd3.reduceByKey(_ + _) $scala>rdd4.collect
//单词统计2 sc.textFile("/home/test.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_ + _).collect
//统计所有含有wor字样到单词个数。filter
//过滤单词 sc.textFile("/home/centos/test.txt").flatMap(_.split(" ")).filter(_.contains("wor")).map((_,1)).reduceByKey(_ + _).collect
2 编程实现wordcount
依赖
<groupId>org.apache.spark</groupId> <artifactId>spark-core_2.11</artifactId> <version>2.1.0</version>
开发scala程序
import org.apache.spark.{SparkConf, SparkContext}
/** * Created by Administrator on 2017/4/20. */ object WordCountDemo { def main(args: Array[String]): Unit = { //创建Spark配置对象 val conf = new SparkConf(); conf.setAppName("WordCountSpark") //设置master属性 conf.setMaster("local") ;
//通过conf创建sc val sc = new SparkContext(conf);
//加载文本文件 val rdd1 = sc.textFile("d:/scala/test.txt"); //压扁 val rdd2 = rdd1.flatMap(line => line.split(" ")) ; //映射w => (w,1) val rdd3 = rdd2.map((_,1)) val rdd4 = rdd3.reduceByKey(_ + _) val r = rdd4.collect() r.foreach(println) } }
提交作业到spark集群运行 1.导出jar包 2.spark-submit提交命令运行job //Scala版本 $>spark-submit --master local --name MyWordCount --class com.it18zhang.spark.scala.WordCountScala SparkDemo1-1.0-SNAPSHOT.jar /home/centos/test.txt //java版 $>spark-submit --master local --name MyWordCount --class com.it18zhang.spark.java.WordCountJava SparkDemo1-1.0-SNAPSHOT.jar /home/centos/test.txt
1.local nothing! spark-shell --master local; //默认
2.standalone 独立。 a)复制spark目录到其他主机 b)配置其他主机的所有环境变量 [/etc/profile] SPARK_HOME PATH
c)配置master节点的slaves [/soft/spark/conf/slaves] s202 s203 s204 d)启动spark集群 /soft/spark/sbin/start-all.sh
e)查看进程 $>xcall.jps jps master //s201 worker //s202 worker //s203 worker //s204 e)webui http://s201:8080/
提交作业jar到完全分布式spark集群 -------------------------------- 1.需要启动hadoop集群(只需要hdfs) $>start-dfs.sh 2.put文件到hdfs. 3.运行spark-submit $>spark-submit --master spark://s201:7077 --name MyWordCount --class com.it18zhang.spark.scala.WordCountScala SparkDemo1-1.0-SNAPSHOT.jar hdfs://s201:8020/user/centos/test.txt
脚本分析 ----------------------- [start-all.sh] sbin/spark-config.sh sbin/spark-master.sh //启动master进程 sbin/spark-slaves.sh //启动worker进程
[start-master.sh] sbin/spark-config.sh org.apache.spark.deploy.master.Master spark-daemon.sh start org.apache.spark.deploy.master.Master --host --port --webui-port ...
[spark-slaves.sh] sbin/spark-config.sh slaves.sh //conf/slaves
[slaves.sh] for conf/slaves{ ssh host start-slave.sh ... }
[start-slave.sh] CLASS="org.apache.spark.deploy.worker.Worker" sbin/spark-config.sh for (( .. )) ; do start_instance $(( 1 + $i )) "$@" done
$>cd /soft/spark/sbin $>./stop-all.sh //停掉整个spark集群. $>./start-master.sh //停掉整个spark集群. $>./start-master.sh //启动master节点 $>./start-slaves.sh //启动所有worker节点