一、Spark是什么

Spark是一个开源的大数据处理引擎。

 

二、Spark的主要组件如下图所示：

 

 三、Spark运行时架构

Spark共有三种运行模式：本地模式、集群模式、客户端模式。

生产环境基本都是用集群模式。集群模式需要用到集群管理器，三个核心的集群管理器为：Spark自带的独立集群管理器、Yarn、Mesos。

集群模式运行时，单个Spark任务的架构图为：

 

 其中集群管理器负责分配/回收服务器资源和监控整个Spark任务是否完成。

 

四、IDEA环境准备

1、准备Scala的SDK

若用Scala开发的话，需做此步。下载Scala的msi文件本地安装之后，在IDEA中如下图所示的加号位处导入Scala的SDK目录，导入之后会如下图所示：

 

2、在Plugins中安装名叫Scala的插件

自行安装即可

 

3、配置项目支持Scala

选中项目*目录后右键，选择【Add Framework Support】，然后在里面勾选Scala选项

 

 

 如此之后，便可以在包里面右键new Scala类了：

 

4、导入maven依赖

<dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-mllib_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>

版本用的是：

<spark.version>3.2.0</spark.version>
        <scala.version>2.13</scala.version>

 

5、编写个简单的脚本运行

def main(args: Array[String]): Unit = {
    val ss = SparkSession.builder().appName("localhost").master("local[*]").getOrCreate()

    val df1 = ss.range(2, 100, 2).toDF()
    val df2 = ss.range(2, 100, 4).toDF()

    val df11 = df1.repartition(5)
    val df21 = df2.repartition(6)

    val df12 = df11.selectExpr("id * 5 as id")
    val df3 = df2.join(df12, "id")
    val df4 = df3.selectExpr("sum(id)")

    df4.collect().foreach(println(_))
    df4.explain()
  }

运行结果：

 

 Intersting Number！

explain打印出来的逻辑计划，有时间再详细解读。

另附：

1、下载历史Hadoop版本的地址：

http://archive.apache.org/dist/hadoop/core/

2、下载winutils.exe、hadoop.dll文件的地址：

https://blog.csdn.net/ytp552200ytp/article/details/107223357