初识Spark-创新互联

Spark特点

Spark是Apache的一个顶级项目，Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架，Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是——Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

Spark的计算速度也要比MapReduce快得多，它有一个先进的DAG执行引擎，支持非循环的数据流和内存计算。官网介绍说在使用内存的情况下快100倍，而使用磁盘的情况下快10倍。

而且Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 Scala 可以像操作本地集合对象一样轻松地操作分布式数据集。

Spark也比MapReduce要易于使用，并且可以使用Java, Scala, Python, R等语言进行开发。Spark 提供了80多个高级API，可以很容易地实现并行计算的应用程序。还可以通过Scala、Python和R shells等交互式命令行，交互地使用它。

Spark 主要有四个特点：

• 高级 API 剥离了对集群本身的关注，Spark 应用开发者可以专注于应用所要做的计算本身。下图是python使用Spark API的代码：
  

• Spark 很快，支持交互式计算和复杂算法以及非循环的数据流和内存计算。下图是官网上展示的MapReduce与Spark进行回归计算时，计算速度的对比图：
  

• Spark 是一个十分通用的计算引擎，可用它来完成各种各样的运算，包括 SQL 查询、文本处理、机器学习等，而在 Spark 出现之前，我们一般需要学习各种各样的引擎来分别处理这些需求。如下图：
  
• Spark 可以运行在各种平台之上，例如可以运行在：Hadoop, Mesos, Kubernetes, standalone等平台上，或者运行在 cloud上。并且能访问各种数据源，包括HDFS, Cassandra, HBase 以及 S3等。
  

Spark官网地址：

http://spark.apache.org/

Spark与Hadoop深入对比

Spark的生态系统简称BDAS。如下图：

Hadoop生态圈对比Spark BDAS：

Hadoop对比Spark：

MapReduce对比Spark：

Spark开发语言及运行模式介绍

Spark支持的开发语言：

• Python
• Scala（推荐）
• Java
• R

Spark运行模式：

• Standalone（内置）
• Yarn（推荐）
• Mesos
• Local

Scala&Maven安装

安装Scala时，需要先准备好JDK环境，而我这里已经准备好jdk1.8的环境了。

Scala官网下载地址：

http://www.scala-lang.org/download/

下载Scala：

[root@study-01 ~]# cd /usr/local/src
[root@study-01 /usr/local/src]# wget https://downloads.lightbend.com/scala/2.12.5/scala-2.12.5.tgz

解压：

[root@study-01 /usr/local/src]# tar -zxvf scala-2.12.5.tgz -C /usr/local/
[root@study-01 /usr/local/src]# cd ../
[root@study-01 /usr/local]# ls
bin  etc  games  include  lib  lib64  libexec  sbin  scala-2.12.5  share  src
[root@study-01 /usr/local]# cd scala-2.12.5/
[root@study-01 /usr/local/scala-2.12.5]# ls
bin  doc  lib  man
[root@study-01 /usr/local/scala-2.12.5]#

配置环境变量：

[root@study-01 ~]# vim .bash_profile  # 更改如下内容
export SCALA_HOME=/usr/local/scala-2.12.5
PATH=$PATH:$HOME/bin:$JAVA_HOME/bin:$SCALA_HOME/bin
export PATH
[root@study-01 ~]# source .bash_profile
[root@study-01 ~]# scala  # 测试能否执行scala命令
Welcome to Scala 2.12.5 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_161).
Type in expressions for evaluation. Or try :help.

scala>

Maven官网下载地址：

https://maven.apache.org/download.cgi

下载并解压：

[root@study-01 ~]# cd /usr/local/src/
[root@study-01 /usr/local/src]# wget  http://mirror.bit.edu.cn/apache/maven/maven-3/3.5.2/binaries/apache-maven-3.5.2-bin.tar.gz
[root@study-01 /usr/local/src]# tar -zxvf apache-maven-3.5.2-bin.tar.gz -C /usr/local
[root@study-01 /usr/local/src]# cd ../apache-maven-3.5.2/
[root@study-01 /usr/local/apache-maven-3.5.2]# ls
bin  boot  conf  lib  LICENSE  NOTICE  README.txt
[root@study-01 /usr/local/apache-maven-3.5.2]#

配置环境变量：

[root@study-01 ~]# vim .bash_profile  # 更改如下内容
export MAVEN_HOME=/usr/local/apache-maven-3.5.2
PATH=$PATH:$HOME/bin:$JAVA_HOME/bin:$SCALA_HOME/bin:$MAVEN_HOME/bin
[root@study-01 ~]# source .bash_profile
[root@study-01 ~]# mvn --version  # 测试能否执行mvn命令
Apache Maven 3.5.2 (138edd61fd100ec658bfa2d307c43b76940a5d7d; 2017-10-18T15:58:13+08:00)
Maven home: /usr/local/apache-maven-3.5.2
Java version: 1.8.0_161, vendor: Oracle Corporation
Java home: /usr/local/jdk1.8/jre
Default locale: zh_CN, platform encoding: UTF-8
OS name: "linux", version: "3.10.0-327.el7.x86_64", arch: "amd64", family: "unix"
[root@study-01 ~]#

Spark环境搭建及wordcount案例实现

Spark官网下载地址：

http://spark.apache.org/downloads.html

我这里下载的是2.1.0版本的源码包，官网的编译安装文档：

http://spark.apache.org/docs/2.1.0/building-spark.html

从官网的介绍，我们得知：

• Java需要7+版本，而且在Spark2.0.0之后Java 7已经被标识成deprecated了，但是不影响使用，但是在Spark2.2.0版本之后Java 7的支持将会被移除；
• Maven需要3.3.9+版本

下载Spark2.1.0版本的源码包：

下载并解压：

[root@study-01 /usr/local/src]# wget https://archive.apache.org/dist/spark/spark-2.1.0/spark-2.1.0.tgz
[root@study-01 /usr/local/src]# tar -zxvf spark-2.1.0.tgz -C /usr/local
[root@study-01 /usr/local/src]# cd ../spark-2.1.0/
[root@study-01 /usr/local/spark-2.1.0]# ls
appveyor.yml  common           data      external  licenses     NOTICE   R          scalastyle-config.xml  yarn
assembly      conf             dev       graphx    mesos        pom.xml  README.md  sql
bin           CONTRIBUTING.md  docs      launcher  mllib        project  repl       streaming
build         core             examples  LICENSE   mllib-local  python   sbin       tools
[root@study-01 /usr/local/spark-2.1.0]#

安装完成之后我们还需要使用Spark源码目录中的dev下的make-distribution.sh脚本进行编译，官方提供的编译命令如下：

./dev/make-distribution.sh --name custom-spark --tgz -Psparkr -Phadoop-2.4 -Phive -Phive-thriftserver -Pmesos -Pyarn

参数说明：

• --name：指定编译完成后Spark安装包的名字
• --tgz：以tgz的方式进行压缩
• -Psparkr：编译出来的Spark支持R语言
• -Phadoop-2.4：以hadoop-2.4的profile进行编译，具体的profile可以看出源码根目录中的pom.xml中查看
• -Phive和-Phive-thriftserver：编译出来的Spark支持对Hive的操作
• -Pmesos：编译出来的Spark支持运行在Mesos上
• -Pyarn：编译出来的Spark支持运行在YARN上

那么我们就可以根据具体的条件来编译Spark，比如我们使用的Hadoop版本是2.6.0-cdh6.7.0，并且我们需要将Spark运行在YARN上、支持对Hive的操作，那么我们的Spark源码编译脚本就是：

[root@study-01 /usr/local/spark-2.1.0]# ./dev/make-distribution.sh --name 2.6.0-cdh6.7.0 --tgz -Pyarn -Phadoop-2.6 -Phive -Phive-thriftserver -Dhadoop.version=2.6.0-cdh6.7.0

但是在执行这个命令之前我们先需要编辑pom.xml文件，增加cdh的maven repository：

[root@study-01 /usr/local/spark-2.1.0]# vim pom.xml  # 在标签内，加入如下内容
    
      cloudera
      https://repository.cloudera.com/artifactory/cloudera-repos/
    
[root@study-01 /usr/local/spark-2.1.0]#

然后还需要更改编译脚本的mvn命令路径，因为使用自带的mvn编译有些慢：

[root@study-01 /usr/local/spark-2.1.0]# vim dev/make-distribution.sh
MVN="$MAVEN_HOME/bin/mvn"
[root@study-01 /usr/local/spark-2.1.0]#

完成以上的修改后，就可以执行编译命令了，编译的过程会有些慢（我这里编译了半个多小时）。而且内存尽量分配得大一些，避免内存不足导致编译中断。

编译完成之后，spark目录下会增加一个.tgz的文件，把这个文件解压到/usr/local/目录下：

[root@study-01 /usr/local/spark-2.1.0]# ls |grep *.tgz
spark-2.1.0-bin-2.6.0-cdh6.7.0.tgz
[root@study-01 /usr/local/spark-2.1.0]# tar -zxvf spark-2.1.0-bin-2.6.0-cdh6.7.0.tgz -C /usr/local
[root@study-01 /usr/local/spark-2.1.0]# cd ../spark-2.1.0-bin-2.6.0-cdh6.7.0/
[root@study-01 /usr/local/spark-2.1.0-bin-2.6.0-cdh6.7.0]# ls
bin  conf  data  examples  jars  LICENSE  licenses  NOTICE  python  README.md  RELEASE  sbin  yarn
[root@study-01 /usr/local/spark-2.1.0-bin-2.6.0-cdh6.7.0]#

到此为止，我们的spark就安装完成了。接下来我们尝试一下启动Spark的shell终端：

[root@study-01 /usr/local/spark-2.1.0-bin-2.6.0-cdh6.7.0]# ./bin/spark-shell --master local[2]

命令说明：

• master用于指定使用哪种模式启动
• local 表示本地模式启动，方括号里的数字表示开启几个线程

关于启动spark shell的官方文档说明：

http://spark.apache.org/docs/2.1.0/submitting-applications.html

启动成功：

启动成功后，我们来实现wordcount的案例。官网的快速入门文档：

http://spark.apache.org/docs/2.1.0/quick-start.html

现在有一个文件，内容如下：

[root@study-01 /data]# cat hello.txt 
hadoop welcome
hadoop hdfs mapreduce
hadoop hdfs
hello hadoop
spark vs mapreduce
[root@study-01 /data]#

在spark shell里完成对该文件的wordcount：

scala> val file = sc.textFile("file:///data/hello.txt")  # 读取文件
file: org.apache.spark.rdd.RDD[String] = file:///data/hello.txt MapPartitionsRDD[1] at textFile at :24

scala> file.collect  # 打印读取的数据
res1: Array[String] = Array(hadoop welcome, hadoop hdfs mapreduce, hadoop hdfs, hello hadoop, spark vs mapreduce)

scala> val a = file.flatMap(line => line.split(" "))  # 按空格进行拆分
a: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[2] at flatMap at :26

scala> a.collect
res2: Array[String] = Array(hadoop, welcome, hadoop, hdfs, mapreduce, hadoop, hdfs, hello, hadoop, spark, vs, mapreduce)

scala> val b = a.map(word => (word,1))  # 进行map操作，给每个单词附上1
b: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD[3] at map at :28

scala> b.collect
res3: Array[(String, Int)] = Array((hadoop,1), (welcome,1), (hadoop,1), (hdfs,1), (mapreduce,1), (hadoop,1), (hdfs,1), (hello,1), (hadoop,1), (spark,1), (vs,1), (mapreduce,1))

scala> val c = b.reduceByKey(_ + _)  # 进行Reduce操作，把每个相同key的值相加，并整合在一起
c: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[4] at reduceByKey at :30

scala> c.collect
res4: Array[(String, Int)] = Array((mapreduce,2), (hello,1), (welcome,1), (spark,1), (hadoop,4), (hdfs,2), (vs,1))

scala>

如上，可以看到，通过简单的交互式的代码我们就完成了对文件的词频统计，并且这些方法都可以形成一个方法链的调用，所以其实一句代码就可以完成wordcount了，如下示例：

scala> sc.textFile("file:///data/hello.txt").flatMap(line => line.split(" ")).map(word => (word,1)).reduceByKey(_ + _).collect
res5: Array[(String, Int)] = Array((mapreduce,2), (hello,1), (welcome,1), (spark,1), (hadoop,4), (hdfs,2), (vs,1))

scala>

我们还可以在web页面上看到任务执行的信息，访问主机ip的4040端口即可，如下：

另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。