Scala进阶之路-Spark本地模式搭建

          Scala进阶之路-Spark本地模式搭建

                             作者:尹正杰

版权声明:原创作品,谢绝转载!否则将追究法律责任。

一.Spark简介

1>.Spark的产生背景

  传统式的Hadoop缺点主要有以下两点:  

    第一.迭代式计算效率低(一个MapReduce依赖上一个MapReduce的结果);

    第二.交互式数据挖掘效率低(运行一个HIVE语句效率是极低的,第一天输入的SQL可能等到第二天才能拿到结果)

  Spark优化了Hadoop的两个缺点,可以将多个job合并成一个job来执行,也可以将于磁盘的交互迁移到内存进行交互,从而提升了工作效率。

Scala进阶之路-Spark本地模式搭建

2>.Spark是什么

、软件栈中所有的程序库和高级组件 都可以从下层的改进中获益。

、运行整个软件栈的代价变小了。不需要运行5到10套独立的软件系统了,一个机构只需要运行一套软件系统即可。系统的部署、维护、测试、支持等大大缩减。

、能够构建出无缝整合不同处理模型的应用。

Scala进阶之路-Spark本地模式搭建

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。

3>.Spark的安装模式

安装模式可分为以下几种:
Local、Local-Cluster、Standalone、Yarn、Mesos Master节点主要运行集群管理器的中心化部分,所承载的作用是分配Application到Worker节点,维护Worker节点,Driver,Application的状态。 Worker节点负责具体的业务运行。

Scala进阶之路-Spark本地模式搭建

二.部署Spark本地模式

1>.下载Spark软件

  官网下载地址:http://spark.apache.org/downloads.html

Scala进阶之路-Spark本地模式搭建

  当然点上面的网页只是对该版本的支持,允许我调戏你一下,哈哈,实际上下载位置应该在这里:https://archive.apache.org/dist/spark/ 。

Scala进阶之路-Spark本地模式搭建

2>.解压下载的Spark并创建软连接

[yinzhengjie@s101 download]$ wget https://archive.apache.org/dist/spark/spark-2.1.0/spark-2.1.0-bin-hadoop2.7.tgz
[yinzhengjie@s101 download]$ ll
total
-rw-r--r-- yinzhengjie yinzhengjie Jan spark-2.1.-bin-hadoop2..tgz
[yinzhengjie@s101 download]$
[yinzhengjie@s101 download]$ tar -zxf spark-2.1.-bin-hadoop2..tgz -C /soft/
[yinzhengjie@s101 download]$
[yinzhengjie@s101 download]$ ln -s /soft/spark-2.1.-bin-hadoop2./ /soft/spark
[yinzhengjie@s101 download]$
[yinzhengjie@s101 download]$ ll /soft/ | grep spark
lrwxrwxrwx yinzhengjie yinzhengjie Jul : spark -> /soft/spark-2.1.-bin-hadoop2./
drwxr-xr-x yinzhengjie yinzhengjie Dec spark-2.1.-bin-hadoop2.
[yinzhengjie@s101 download]$

3>.配置环境变量并使环境变量生效

[yinzhengjie@s101 download]$ tail - /etc/profile
#ADD spark Path
export SPARK_HOME=/soft/spark
PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
[yinzhengjie@s101 download]$
[yinzhengjie@s101 download]$ source /etc/profile
[yinzhengjie@s101 download]$

4>.启动Spark

Scala进阶之路-Spark本地模式搭建

5>.查看进程是否启动

Scala进阶之路-Spark本地模式搭建

6>.查看WebUI界面

Scala进阶之路-Spark本地模式搭建

三.Spark初体验-使用Spark实现单词统计

1>.创建测试文件

[yinzhengjie@s101 download]$ cat /home/yinzhengjie/.txt
hello world
yinzhengjie hello word
hello scala
hello java
hello python
hello shell
hello yinzhengjie
hello golang
[yinzhengjie@s101 download]$

2>.实现单词统计

体验Spark
----------------------
.登录spark
      spark-shell .编写scala代码
//1.加载文本
val rdd1 = sc.textFile("/home/yinzhengjie/1.txt")
//2.压扁
val rdd2 = rdd1.flatMap(line=>{line.split(" ")})
//3.变换,标1成对
val rdd3 = rdd2.map(word=>{(word , )})
//4.按照key进行化简
val rdd4 = rdd3.reduceByKey((a,b)=> a + b).sortBy(t=> -t._2 )
//5.输出结果
rdd4.collect() .一行完成
sc.textFile("/home/yinzhengjie/1.txt").flatMap(_.split(" ")).map((_,)).reduceByKey(_+_).sortBy(t=> -t._2 ).collect()

Scala进阶之路-Spark本地模式搭建

上一篇:Android 导入v7包常见错误,以及项目引用v7包错误解决


下一篇:Scala进阶之路-高级数据类型之数组的使用