Hadoop体系回顾
Hadoop 的概念可追溯到 2003，2004 Google2篇论文(老版三辆马车)，2011年发布1.0版本，2012年发布稳定版。Hadoop 在2.0版本之前组件主要是 HDFS跟MapReduce。
1.0版本框架主要如下：
职责：
HDFS负责文件存储 MapReduce负责资源调度跟计算
缺点：
- mr基于数据集的计算，所以面向数据
- 基本运算规则从存储介质中获取（采集）数据，然后进行计算，最后将结果存储到介质中，所以主要应用于
一次性计算，不适合于数据挖掘和机器学习这样的迭代计算和图形挖掘计算。 - MR基于文件存储介质的操作，所以性能非常的慢
- MR和hadoop紧密耦合在一起，无法动态替换。违背了OCP原则
2.0版本框架如下：
重点：在RM中 通过ApplicationMaster隔离Driver跟RM，在NM中 通过Container 来隔离NM跟Task . 细节调度图如下：
一般也就是客户端提交job后，RM负责给提交的job分配一个NM，在这个NM上会有AppMaster的启动，AppMaster启动后通知RM，然后RM负责找若干个NM，在每个NM中开辟Container来给任务分配资源， 这些container反向注册到Appmaster中 Appmaster来关联这些任务。核心思想就是引入了Yarn来负责资源的的调度，细节部分见上图。
Spark介绍
在Hadoop1.0时代由于MR太累赘，很多不方便的地方，因此在Hadoop的Yarn发布前，外部人员开发出来Spark。大致的架构思想跟MR类似就是基于内存，迭代式计算。
什么是Spark
Spark 是一种基于内存的快速、通用、可扩展的大数据分析引擎。
历史
2009年诞生于加州大学伯克利分校AMPLab，项目用Scala语言编写。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。
Spark内置模块
Spark Core：
实现了Spark的基本功能，包含任务调度、内存管理、错误恢复、与存储系统交互等模块。Spark Core中还包含了对弹性分布式数据集(Resilient Distributed DataSet，简称RDD)的API定义。
Spark SQL：
是Spark用来操作结构化数据的程序包。通过Spark SQL，我们可以使用 SQL或者Apache Hive版本的SQL方言(HQL)来查询数据。Spark SQL支持多种数据源，比如Hive表、Parquet以及JSON等。
Spark Streaming：
是Spark提供的对实时数据进行流式计算的组件。提供了用来操作数据流的API，并且与Spark Core中的 RDD API高度对应。
Spark MLlib：
提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。
集群管理器：
Spark 设计为可以高效地在一个计算节点到数千个计算节点之间
伸缩计算。为了实现这样的要求，同时获得最大灵活性，Spark支持在各种集群管理器(Cluster Manager)上运行，包括Hadoop YARN、Apache Mesos，以及Spark自带的一个简易调度 器，叫作独立调度器。
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。
Spark特点
快
跟Hadoop中的MapReduce相比，spark是基于内存的运算，速度提高100倍以上，基于硬盘的计算也提高10倍以上，spark实现了高效的DAG执行引擎。可以通过基于内存来高效处理数据流，计算的中间结果存储在内存中。
易用
Spark支持Java、Python、Scala的API，还支持超过80种高级算法，帮助用户快速构建不同的应用，而且Spark支持交互式的Python跟Scala的Shell，可以非常方便的在这些spark-shell中使用Spark集群验证问题。
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)、集群学习(Spark MLlib) 跟图计算(GraphX)。这些不同类型的处理都可以在一个应用各种无缝使用，减少了开发跟维护人员的成本跟不熟平台的物力成本。
兼容性
Spark非常方便的跟其他开源产品融合，比如Spark可以使用Hadoop中的YARN或者Apache MEsos作为它的资源管理跟调度器，并且可以处理所以Hadoop支持的数据，包括HDFS、HBase等，这对已经不熟Hadoop集群的用户特别重要，不需要任何数据迁移就可以使用Spark的强大处理能力。
Spark 运行模式
官方信息
- 官网地址http://spark.apache.org/
- 文档查看地址https://spark.apache.org/docs/2.1.1/
- 下载地址https://spark.apache.org/downloads.html
重要俩角色
在这里插入图片描述
Driver（驱动器）
Spark的驱动器是执行开发程序中的main方法的进程。它负责开发人员编写的用来创建SparkContext、创建RDD，以及进行RDD的转化操作和行动操作代码的执行。如果你是用spark-shell，那么当你启动Spark shell的时候，系统后台自启了一个Spark驱动器程序，就是在Spark shell中预加载的一个叫作 sc的SparkContext对象。如果驱动器程序终止，那么Spark应用也就结束了。主要负责：
- 把用户程序转为作业（JOB）
- 跟踪Executor的运行状况
- 为执行器节点调度任务
- UI展示应用运行状况
Executor（执行器）
Spark Executor是一个工作进程，负责在 Spark 作业中运行任务，任务间相互独立。Spark 应用启动时，Executor节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor节点上继续运行。主要负责：
- 负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程；
- 通过自身的块管理器（Block Manager）为用户程序中要求缓存的RDD提供内存式存储。RDD是直接缓存在Executor进程内的，因此任务可以在运行时充分利用缓存数据加速运算。
Driver跟Executor关系
看上图也就知道算子放到executor中其余在driver中一般，但是如果算子中用到了外部数据，则外部数据需要在driver跟executor中进行序列化跟反序列化到传输。切记！
Local模式
Local模式就是运行在一台计算机上的模式，通常就是用于在本机练手跟测试，它可以通过以下方式设置Master。
local：s所有计算都运行在一个线程中，没有任何并行计算，通常在本机执行测试代码或者练手。
local[K]：指定使用几个线程来运行计算，比如local[4]就是运行4个Worker线程，通常为哦们CPU有几个Core就指定几个线程，最大化利用CPU计算能力。
local[*]：这种2模式直接帮我们按照CPU最多Cores来设置线程数。
安装使用
- 上传并解压spark安装包
[atguigu@hadoop102 sorfware]$ tar -zxvf spark-2.1.1-bin-hadoop2.7.tgz -C /opt/module/
[atguigu@hadoop102 module]$ mv spark-2.1.1-bin-hadoop2.7 spark
- 官方求PI案例
[atguigu@hadoop102 spark]$ bin/spark-submit
--class org.apache.spark.examples.SparkPi
--executor-memory 1G --total-executor-cores 2
./examples/jars/spark-examples_2.11-2.1.1.jar 100
(spark版本不同example不同)
结果：
Pi is roughly 3.1419875141987514
基本语法
代码语言：javascript复制bin/spark-submit
--class <main-class> --master <master-url>
--deploy-mode <deploy-mode> --conf <key>=<value>
... # other options
<application-jar>
参数说明
参数 | 含义 |
|---|---|
--master | 指定Master的地址，默认为Local |
--class | 你的应用的启动类 (如 org.apache.spark.examples.SparkPi) |
--deploy-mode | 是否发布你的驱动到worker节点(cluster) 或者作为一个本地客户端 (client) (default: client)* |
--conf | 任意的Spark配置属性， 格式key=value. 如果值包含空格，可以加引号“key=value” |
application-jar | 打包好的应用jar,包含依赖. 这个URL在集群中全局可见。 比如hdfs:// 共享存储系统， 如果是 file:// path， 那么所有的节点的path都包含同样的jar |
application-arguments | 传给main()方法的参数 |
--executor-memory 1G | 指定每个executor可用内存为1G |
--total-executor-cores 2 | 指定每个executor使用的cup核数为2个 |
WordCount数据准备：在spark/bin 目录下创建input文件夹，然后input里面创建文件：
代码语言：javascript复制1.txt
hello word
hello scala
2.txt
hello spark
启动spark-shell
代码语言：javascript复制bin/spark-shell
...
Spark context Web UI available at http://10.0.0.153:4040
Spark context available as 'sc' (master = local[*], app id = local-1591940789459).
Spark session available as 'spark'.
Welcome to
____ __
/ __/__ ___ _____/ /__
_ / _ / _ `/ __/ '_/
/___/ .__/_,_/_/ /_/_ version 2.2.0
/_/
Using Scala version 2.11.8 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_152)
Type in expressions to have them evaluated.
Type :help for more information.
scala>
-----
[atguigu@hadoop102 spark]$ jps （查看Java进程）
3627 SparkSubmit
4047 Jps
分析流程：
spark-shell启动后有个sc是系统的SparkContext，可调用很多自带的方法。
sc.textFile("input").flatMap(.split(" ")).map((,1)).reduceByKey(_ _).collect
WordCount程序分析:
参数 | 含义 |
|---|---|
textFile("input") | 读取本地文件input文件夹数据； |
flatMap(_.split(" ")) | 压平操作，按照空格分割符将一行数据映射成一个个单词； |
map((_,1)) | 对每一个元素操作，将单词映射为元组； |
reduceByKey( ) | 按照key将值进行聚合，相加； |
collect | 将数据收集到Driver端展示。 |
Standalone模式
概述：构建一个由Master Slave构成的Spark集群(资源的调度跟管理用Spark自带的)，Spark运行在集群中。
- 修改配置文件名称: 主要是设定好spark集群启动的若干个节点，跟hadoop类似的。
mv slaves.template slaves
vim slaves
hadoop102
hadoop103
hadoop104
- 修改 spark-env.sh
mv spark-env.sh.template spark-env.sh
SPARK_MASTER_HOST=hadoop102
SPARK_MASTER_PORT=7077
也可以百度配置写别的配置参数哦
- 分发spark包
xsync spark/
- 启动Spark集群
spark/sbin/start-all.sh
- 查看集群服务
util.sh (自写shell脚本)
================atguigu@hadoop102================
3330 Jps
3238 Worker
3163 Master
================atguigu@hadoop103================
2966 Jps
2908 Worker
================atguigu@hadoop104================
2978 Worker
3036 Jps
ssh kg@IP jps (前提配置好无秘钥登陆)
- xsync脚本
#!/bin/bash
#1 获取输入参数个数，如果没有参数，直接退出
pcount=$#
if((pcount==0)); then
echo no args;
exit;
fi
#2 获取文件名称
p1=$1
fname=`basename $p1` # 获得文件名
echo fname=$fname
#3 获取上级目录到绝对路径
pdir=`cd -P $(dirname $p1); pwd` # -P 是进入到软链接 实际路径
echo pdir=$pdir
#4 获取当前用户名称
user=`whoami`
#5 循环 一般就是在102上进行修改 然后运行这个脚本实现 103 跟104的同步
for((host=103; host<105; host )); do
echo ------------------- hadoop$host --------------
rsync -rvl $pdir/$fname $user@hadoop$host:$pdir
done
注意：如果遇到JAVA_HOME not set异常，可以在sbin目录下的spark-config.sh跟conf 目录下的spark-env.sh文件中加入如下配置(随意一个配置即可)：
export JAVA_HOME=/usr/local/java/jdk1.8.0_152
- 集群启动
bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop102:7077
--executor-memory 1G --total-executor-cores 2 ./examples/jars/spark-examples_2.11-2.1.1.jar 100
- 启动spark shell
参数：--master spark://hadoop102:7077指定要连接的集群的master
spark-shell --master `spark://hadoop102:7077` --executor-memory 1g --total-executor-cores 2
JobHistoryServer配置
Standalone模式下配置History如下
- spark-default.conf 配置
mv spark-defaults.conf.template spark-defaults.conf
开启Log
vi spark-defaults.conf
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:9000/directory
注意：HDFS上的目录需要提前存在。 2. spark-env.sh
vi spark-env.sh
export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080
-Dspark.history.retainedApplications=30
-Dspark.history.fs.logDirectory=hdfs://hadoop102:9000/directory"
参数 | 含义 |
|---|---|
spark.eventLog.dir | Application在运行过程中所有的信息均记录在该属性指定的路径下 |
spark.history.ui.port=18080 | WEBUI访问的端口号为18080 |
spark.history.fs.logDirectory=hdfs://hadoop102:9000/directory | 配置了该属性后，在start-history-server.sh时就无需再显式的指定路径，Spark History Server页面只展示该指定路径下的信息 |
spark.history.retainedApplications=30 | 指定保存Application历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。 |
- 分发配置文件
xsync spark-defaults.conf
xsync spark-env.sh
- 启动历史服务
sbin/start-history-server.sh
- 再次执行demo
bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop102:7077
--executor-memory 1G --total-executor-cores 2 ./examples/jars/spark-examples_2.11-2.1.1.jar 100
- 查看历史服务： hadoop102:18080
Yarn模式(重点)
Spark客户端直接连接Yarn，不需要额外构建Spark集群。有yarn-client和yarn-cluster两种模式，主要区别在于：Driver程序的运行节点。yarn-client ：Driver程序运行在客户端，适用于交互、调试，希望立即看到app的输出yarn-cluster：Driver程序运行在由RM（ResourceManager）启动的AP（APPMaster）适用于生产环境。
安装使用
- 修改hadoop配置文件yarn-site.xml,添加如下内容：
[atguigu@hadoop102 hadoop]$ vi yarn-site.xml
<!--是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
- 修改spark-env.sh，添加如下配置：
[atguigu@hadoop102 conf]$ vi spark-env.sh
YARN_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop
- 分发配置文件
[atguigu@hadoop102 conf]$ xsync /opt/module/hadoop-2.7.2/etc/hadoop/yarn-site.xml
[atguigu@hadoop102 conf]$ xsync spark-env.sh
- 执行一个程序
[atguigu@hadoop102 spark]$ bin/spark-submit --class org.apache.spark.examples.SparkPi
--master yarn --deploy-mode client
./examples/jars/spark-examples_2.11-2.1.1.jar 100
注意：在提交任务之前需启动HDFS以及YARN集群。
日志查看
- 修改配置文件spark-defaults.conf 添加如下内容：
spark.yarn.historyServer.address=hadoop102:18080
spark.history.ui.port=18080
- 分发文件
xsxync spark-defaults.conf
- 重启spark历史服务
[atguigu@hadoop102 spark]$ sbin/stop-history-server.sh
stopping org.apache.spark.deploy.history.HistoryServer
[atguigu@hadoop102 spark]$ sbin/start-history-server.sh
starting org.apache.spark.deploy.history.HistoryServer, logging to /opt/module/spark/logs/spark-atguigu-org.apache.spark.deploy.history.HistoryServer-1-hadoop102.out
- 提交任务到Yarn执行
[atguigu@hadoop102 spark]$ bin/spark-submit --class org.apache.spark.examples.SparkPi
--master yarn --deploy-mode client
./examples/jars/spark-examples_2.11-2.1.1.jar 100
- Web页面查看日志
Mesos模式(了解)
Spark客户端直接连接Mesos；不需要额外构建Spark集群。国内应用比较少，更多的是运用yarn调度
几种模式对比
模式 | Spark安装机器数 | 需启动的进程 | 所属者 |
|---|---|---|---|
Local | 1 | 无 | Spark |
Standalone | 3 | Master及Worker | Spark |
Yarn | 1 | Yarn及HDFS | Hadoop |
注意 Spark跟YARN的模式，只需要一台机器提交任务即可了，反正任务的计算跟调度都是通过YARN来搞定的
HA模式
HA 环境的搭建，整体的原因跟思路跟Hadoop中是一样的(spark YARN的模式配置)。操作步骤如下：
- zookeeper正常安装并启动
- 修改spark-env.sh
vi spark-env.sh
注释掉如下内容：
#SPARK_MASTER_HOST=hadoop102
#SPARK_MASTER_PORT=7077
添加上如下内容：
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=hadoop102:2181,hadoop103:2181,hadoop104:2181
-Dspark.deploy.zookeeper.dir=/spark"
- 分发配置文件
xsync spark-env.sh
- 在hadoop102上启动全部节点
[atguigu@hadoop102 spark]$ sbin/start-all.sh
- 在hadoop103上单独启动master节点
[atguigu@hadoop103 spark]$ sbin/start-master.sh
- spark HA 集群访问
spark-shell --master spark://hadoop102:7077,hadoop103:7077 --executor-memory 2g --total-executor-cores 2
案例实操
Spark Shell仅在测试和验证我们的程序时使用的较多，在生产环境中，通常会在IDE中编制程序，然后打成jar包，然后提交到集群，最常用的是创建一个Maven项目，利用Maven来管理jar包的依赖。准备条件
java按照配置完毕，scala安装完毕，spark安装完毕，maven安装完毕。选择spark本地调试不用hadoop模式，这样简单啊！
代码阶段：
- maven依赖
<?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>com.sowhat.demo</groupId>
<artifactId>sparktest</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.1.1</version>
</dependency>
</dependencies>
<build>
<finalName>WordCount</finalName>
<plugins>
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<!-- 这个组件让我们不用再 在项目上add frame 选择scala了，可以自动创建 *.scala 文件 -->
<version>3.2.2</version>
<executions>
<execution>
<goals>
<goal>compile</goal>
<goal>testCompile</goal>
</goals>
</execution>
</executions>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>
<!-- 主要是定制化打包
https://www.cnblogs.com/fnlingnzb-learner/p/10537228.html-->
<version>3.0.0</version>
<configuration>
<archive>
<manifest>
<mainClass>WordCount</mainClass>
</manifest>
</archive>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
<!--将依赖的第三方jar包打包到jar中，这样方便我们发布可执行的jar包。 -->
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<!--名字任意 -->
<phase>package</phase>
<!-- 绑定到package生命周期阶段上 -->
<goals>
<goal>single</goal>
<!-- 只运行一次 -->
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
- WordCount 文件
package com.sowhat
import org.apache.spark.{SparkConf, SparkContext}
/**
* @author sowhat
* @create 2020-06-12 15:55
*/
object WordCount {
def main(args: Array[String]): Unit = {
val conf: SparkConf = new SparkConf().setAppName("WC")
val sc = new SparkContext(conf)
sc.textFile(args(0)).flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ _).sortBy(_._2).saveAsTextFile(args(1))
sc.stop()
}
}
maven打包：
一般将有依赖的jar放到spark服务器上运行即可。
代码语言：javascript复制bin/spark-submit --class com.sowhat.WordCount WordCount-jar-with-dependencies.jar ./input ./output
屏蔽掉烦人的INFO信息，两种方法。 第一种：
编辑您的conf/log4j.properties文件，然后更改以下行： log4j.rootCategory=INFO, console 至 log4j.rootCategory=ERROR, console
第二种：
代码语言：javascript复制import org.apache.log4j.Logger
import org.apache.log4j.Level
Logger.getLogger("org").setLevel(Level.OFF)
Logger.getLogger("akka").setLevel(Level.OFF)
- WordCountLocal文件(本地debug模式)
本地Spark程序调试需要使用local提交模式，即将本机当做运行环境，Master和Worker都为本机。运行时直接加断点调试即可。如下： 创建SparkConf的时候设置额外属性，表明本地执行：
val conf = new SparkConf().setAppName("WC").setMaster("local[*]")
package com.sowhat
import org.apache.log4j.{Level, Logger}
import org.apache.spark.{SparkConf, SparkContext}
/**
* @author sowhat
* @create 2020-06-12 15:55
*/
object WordCountLocal {
def main(args: Array[String]): Unit = {
Logger.getLogger("org").setLevel(Level.OFF)
Logger.getLogger("akka").setLevel(Level.OFF)
//1.创建SparkConf并设置App名称
val conf: SparkConf = new SparkConf().setAppName("WC").setMaster("local[*]")
//2.创建SparkContext，该对象是提交Spark App的入口
val sc = new SparkContext(conf)
//3.使用sc创建RDD并执行相应的transformation和action
val tuples = sc.textFile(args(0)).flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ _).sortBy(_._2).collect()
//4.关闭连接
tuples.foreach(println)
sc.stop()
}
}
如果本机操作系统是windows，如果在程序中使用了hadoop相关的东西，比如写入文件到HDFS，则会遇到如下异常：
出现这个问题的原因，并不是程序的错误，而是用到了hadoop相关的服务，解决办法 是https://github.com/srccodes/hadoop-common-2.2.0-bin解压到任意目录，比如(C:Program Fileshadoop)。
常用端口号
端口号 | 含义 |
|---|---|
50070 | HDFSwebUI的端口号 |
8485 | journalnode默认的端口号 |
9000 | 非高可用访问数rpc端口 |
8020 | 高可用访问数据rpc |
8088 | yarn的webUI的端口号 |
8080 | master的webUI，Tomcat的端口号 |
7077 | spark基于standalone的提交任务的端口号 |
8081 | worker的webUI的端口号 |
18080 | historyServer的webUI的端口号 |
4040 | application的webUI的端口号 |
2181 | zookeeper的rpc端口号 |
9083 | hive的metastore的端口号 |
60010 | Hbase的webUI的端口号 |
6379 | Redis的端口号 |
8080 | sparkwebUI的端口号 |
9092 | kafka broker的端口号 |
