1、2020/11/302内容简介 Spark是什么 Spark的发展历程 Spark能干什么 Spark的适用场景 Spark的特点 Spark生态系统 Spark运行模式 Spark高可用 Spark核心概念：RDD Spark集群搭建 Spark与Hadoop整合 Spark应用部署模式2020/11/303Spark是什么 Spark是一个基于内存基于内存计算的开源的分布式集群并行计算系统 Spark非常小巧玲珑，由加州伯克利大学AMP实验室的Matei为主的小团队所开发。使用的语言是Scala，运行在JVM上，项目的core部分的代码只有63个Scala文件，非常短小精悍。是继Hadoo
2、p之后的新一代大数据分布式处理框架 目前Spark在全球已有广泛的应用，其中包括 Alibaba、Baidu、Tencent Youku、IBM、Intel、雅虎等。2020/11/304Spark发展历程 Spark诞生于2009年，那时候它是，加州大学伯克利分校RAD实验室的一个研究项目，后来到了AMP实验室。Spark最初是基于Hadoop Mapreduce的，后来发现Mapreduce在迭代式计算和交互式上是低效的。因此Spark进行了改进，引入了内存存储和高容错机制。关于Spark的研究论文在学术会议上发表，并且在它被创建的2009年不久之后，对于一些特定的工作，Spark比Map
3、reduce快10-20倍。2010年3月份Spark开源。2011年，AMP实验室开始在Spark上面开发高级组件，像Shark(Hive on Spark)，Spark Streaming。2013年转移到了Apache下，现在已经是顶级项目了。2014年5月份Spark1.0发布。目前：发布最新版Spark1.6.1 Spark在7年内迅速发展，较于其他大数据平台或框架，Spark代码库最为活跃2020/11/305Spark发展历程2020/11/306Spark能干什么大规模数据处理。例如用户行为数据，电子商务平台用户的操作行为记录，放进Spark系统，然后对数据进行多维度的分析，发
4、现潜在客户，个性化推荐商品流数据处理。图计算。社交网络机器学习。协同过滤2020/11/307Spark的适用场景 Spark是基于内存的迭代计算框架，适用于需要多次操作特定数据集的应用场合。需要反复操作的次数越多，所需读取的数据量越大，受益越大，数据量小但是计算密集度较大的场合，受益就相对较小 由于RDD的特性，Spark不适用那种异步细粒度更新状态的应用，例如web服务的存储或者是增量的web爬虫和索引。就是对于那种增量修改的应用模型不适合 数据量不是特别大，但是要求实时统计分析需求2020/11/308Spark特点Spark是快速的是快速的很多任务能够秒级完成，对于一些特定的工作，Sp
5、ark比Mapreduce快10-20倍。Spark扩充了流行的Mapreduce计算模型，使Spark更高效地支持更多类型的计算，包括交互式查询，和流处理。速度快的另一个主要原因就是，能够在内存中计算。官方提供的数据表明，如果数据由磁盘读取，速度是Hadoop MapReduce的10倍以上，如果数据从内存中读取，速度可以高达100多倍。2020/11/309Spark特点Spark是易用的Spark不仅支持Scala编写应用程序，而且支持Java和Python,Python,R等语言进行编写。2020/11/3010Spark特点 Spark是通用的是通用的Spark的设计，容纳了之前很多
6、独立的，分布式系统所拥有的功能。独立的分布式系统包括：批处理，迭代式计算，交互查询和流处理等。并且，由之前需要维护不同的集群，到现在只需要维护一个Spark集群。Spark生态圈即BDAS（伯克利数据分析栈）包含了Spark Core、Spark SQL、Spark Streaming、MLLib和GraphX等组件，这些组件分别处理Spark Core提供内存计算框架、SparkStreaming的实时处理应用、Spark SQL的即席查询、MLlib或MLbase的机器学习和GraphX的图处理，它们都是由AMP实验室提供，能够无缝的集成并提供一站式解决平台。2020/11/3011Spa
7、rk特点Spark是开放的是开放的Spark提供了Java，Scala，Python，R，SQL的API和丰富的内置库。同时，Spark和其它的大数据工具整合的很好。尤其，Spark能够运行在Hadoop集群上面，能够访问Hadoop数据。2020/11/3012Spark特点Spark随处运行随处运行Spark具有很强的适应性，能够读取HDFS、Cassandra、HBase、S3和Techyon为持久层读写原生数据，能够以Mesos、YARN和自身携带的Standalone作为资源管理器调度job，来完成Spark应用程序的计算。2020/11/3013Spark生态系统2020/11/3
8、014Spark生态系统 Spark生态圈也称为BDAS（伯克利数据分析栈），是伯克利APMLab实验室打造的，力图在算法（Algorithms）、机器（Machines）、人（People）之间通过大规模集成来展现大数据应用的一个平台。伯克利AMPLab运用大数据、云计算、通信等各种资源以及各种灵活的技术方案，对海量不透明的数据进行甄别并转化为有用的信息，以供人们更好的理解世界。该生态圈已经涉及到机器学习、数据挖掘、数据库、信息检索、自然语言处理和语音识别等多个领域。Spark生态圈以Spark Core为核心，从HDFS、Amazon S3和HBase等持久层读取数据，以MESS、YARN
9、和自身携带的Standalone为资源管理器调度Job完成Spark应用程序的计算。这些应用程序可以来自于不同的组件，如Spark Shell/Spark Submit的批处理、Spark Streaming的实时处理应用、Spark SQL的即席查询、BlinkDB的权衡查询、MLlib/MLbase的机器学习、GraphX的图处理和SparkR的数学计算等等。2020/11/3015Spark生态系统 Spark生态系统学习、维护成本很低。要实现一个相对完整的端到端的解决方案，以前需要部署多个专有系统，现在只需要一个Spark Spark Core 对应Hadoop MR SparkSQL
10、 对应Hive SparkStreaming 对应Strom SparkGraphX对应Giraph SparkMLLib 对应Mahout2020/11/3016Spark运行模式Spark目前主要有目前主要有4种运行模式种运行模式LocalN模式，适用N个线程，用于调试。Local cluster 伪分布式模式，可以配置worker数量，每个worker管理的cpu和内存，用于调试Standalone Cluster集群模式，Spark:/hostname:port，需要部署spark到相关节点，url为master地址和端口YARN Cluster 模式，运行在资源管理器yarn集群中M
11、esos Cluster模式，运行在资源管理器Mesos集群中2020/11/3017Spark运行模式2020/11/3018Spark运行模式2020/11/3019Spark运行模式 Client 提交driver的终端，可以是集群中的任何一个node，也可以是spark集群外的机器，甚至是调试程序的Ide Driver就是用户提交的程序，这里边定义了SparkContext的实例 SparkContext初始化过程中Spark会分别创建DAGScheduler作业调度和TaskScheduler任务调度两级调度模块 DAGScheduler是基于任务模块的高层调度模块，为每个Spark
12、作业(job)计算具有依赖关系的多个调度模块(通常根据shuffle来划分)，然后为每个阶段构建出一组具体的任务(Task)，即任务集TaskSet交给TaskScheduler来具体执行 TaskScheduler则负责具体启动任务、监控和汇报任务运行情况 DAGScheduler和TaskScheduler都是不同阶段的调度者，具体执行任务的是Exector Master接收Client提交的作业，管理Worker，并命令Worker启动Driver和Executor Worker负责管理本节点的资源，定期向Master汇报心跳，接收Master的命令，比如启动Driver和Executo
13、r2020/11/3020Spark高可用Spark 采用了Master/Slaves架构的集群模式，因此，存在着Master单点故障。基于文件系统的单点恢复此模式下虽然可以恢复，但需要人工参与。因此，适合对高可用要求不高的场景，如果离线分析。当Master挂掉后，手工启动Master仍然能继续执行原来的任务。当然，也可以继续提交任务export SPARK_DAEMON_JAVA_OPTS=-Dspark.deploy.recoveryMode=-Dspark.deploy.recoveryDirectory=/opt/spark/recovery“基于ZooKeeper的HASpark S
14、tandalone使用多个Master节点，通过ZooKeeper推举一个为Active（激活）状态，其它的均为Standby（备用）状态。当Active Master节点挂掉后，ZooKeeper会从所有的Standby Mater中推举会一个新的Activer Master。新的Active Master恢复到旧有的Active Master的状态，然后恢复调度。从Activer Master失去作用，到新Active Master恢复调度可能需要12分钟。export SPARK_DAEMON_JAVA_OPTS=“-Dspark.deploy.recoveryMode=ZOOKEEPE
15、R-Dspark.deploy.zookeeper.url=10-154:2181,10-153:2181,10-152:2181,10-154:2181-Dspark.deploy.zookeeper.dir=/spark2020/11/3021Spark核心概念：RDD 什么是RDDSpark的核心概念是RDD(resilient distributed dataset)，是一个只读的，可分区的分布式数据集，这个数据集的全部或部分可以缓存在内存中，在多次计算间重用。一种有容错机制的特殊集合，可以分布在集群的节点上，以函数式编程操作集合的方式，进行各种并行操作分布式的，可以分布在多台机器上，
16、进行计算弹性的，计算过程中内存不够时它会和磁盘进行数据交换2020/11/3022Spark核心概念：RDD RDD创建操作(creation operation)集合创建，由内部集合生成，Spark中提供了parallelize和makeRDD两类函数来实现从集合生成RDD。var rdd=sc.makeRDD(1 to 10,3)存储创建，从文件存储(文本文件，hdfs)，数据库(hbase,mongodb)，消息队列(kafka)等获得数据并转换成RDD2020/11/3023Spark核心概念：RDDRDD转换操作转换操作(transfermation operation)把一种RDD
17、变成另一种新的RDD。如：map(func)：返回一个新的分布式数据集，由每个原元素经过func函数转换后组成filter(func)：返回一个新的数据集，由经过func函数后返回值为true的原元素组成flatMap(func)：类似于map，但是每一个输入元素，会被映射为0到多个输出元素（因此，func函数的返回值是一个Seq，而不是单一元素）2020/11/3024Spark核心概念：RDDRDD控制操作(control operation)在spark中持久化操作是一种重要的功能，可以将RDD存储在不同层次的存储介质中，以便后续的操作能够重复使用。如：cache()persist()2
18、020/11/3025Spark核心概念：RDDRDD行动操作(action operation)行动操作是和转换操作相对应的一种对RDD的操作类型，在Spark中每调用一次行动操作都会触发一次Spark的调度并返回相应的结果将变量或集合返回给driver程序。如：first(),count(),reduce()将RDD直接保存到外部文件系统或数据库，如HDFS,文本文件,hbasesaveAsTestFile()saveAsNewHadoopFile()saveAsNewHadoopDataset()2020/11/3026Spark核心概念：RDD实例代码var sc=new SparkC
19、ontext(“spark:/.:7077”,”I love plu”,”spark_home”,”app_jar”)var(“”)var filterRDD=(_contains(“I love plu”)filterRDD.cache()filterRDD.cout()/filterRDD.saveAstestFile(“/.txt”)2020/11/3027Spark核心概念：RDD实例注解：第1行创建了spark上下文，在上下文实例化的过程中向集群申请资源和运行环境第2行读取一个文件并创建了第一个RDD第3行对执行转换操作，过滤符合条件的每一行字符串，生成新的RDD,即filterRD
20、D第4行对filterRDD进行控制操作，缓存在内存。通过配置不同的缓存策略也可以缓存在硬盘，或者一半在内存一半在硬盘第5行对filterRDD进行行动操作，进行count计算，返回包含”I love plu”的行数Spark是惰性计算，也就是延迟计算，只有当进行行动操作时，才会触发spark作业的运行，也就是说在action 之前的代码相当于定义了job的执行计划2020/11/3028Spark核心概念：RDD2020/11/3029Spark集群搭建 下载解压jdk，配置环境变量 下载解压scala，配置环境变量 Spark节点之间通过ssh协议通信，各节点需配置ssh免密码访问 Spa
21、rk通过主机名来进行互相访问，通过修改通过主机名来进行互相访问，通过修改/etc/hosts文件可配置本地主机名映文件可配置本地主机名映射关系，在射关系，在hosts文件中添加计算机的名称和文件中添加计算机的名称和IP的对应关系的对应关系 下载解压spark，配置spark-env,slaves2020/11/3030Spark集群搭建两台机器10-160,10-161部署spark，这两台机免密码ssh登录两台机器10-153,10-154均部署了zookeeper10台机器10-7010-79均部署了hadoop10-70部署hive2020/11/3031Spark集群搭建2台台spar
22、kspark-env.sh文件：文件：#exportSPARK_MASTER_IP=192.168.10.160#exportSPARK_LOCAL_IP=10-160#zk高可用模式下不要上面两项exportSPARK_SSH_OPTS=-p58422exportJAVA_HOME=/usr/local/jdk1.7.0_79exportSCALA_HOME=/usr/local/scala-2.11.8exportSPARK_WORKER_MEMORY=8gexportSPARK_WORKER_CORES=4exportSPARK_HISTORY_OPTS=-Dspark.history.
23、ui.port=18080-Dspark.history.retainedApplications=3-Dspark.history.fs.logDirectory=exportSPARK_DAEMON_JAVA_OPTS=-Dspark.deploy.recoveryMode=ZOOKEEPER-Dspark.deploy.zookeeper.url=10-154:2181,10-153:2181-Dspark.deploy.zookeeper.dir=/spark2台台sparkslaves文件：文件：10-16010-1612020/11/3032Spark集群搭建选用10-160作为默
24、认master在10-160 执行start-all.sh 命令，在10-161执行stat-master.sh 命令跑一个job试试，执行命令root10-160 spark-1.6.1-bin-hadoop2.6#./bin/spark-submit-class plu.platform.StartLiveEvent-master spark:/10-160:6066,10-161:6066-deploy-mode cluster plu.platform.jar 2020/11/3033Spark集群搭建2020/11/3034Spark集群搭建2020/11/3035Spark与Had
25、oop整合 Run Spark on Yarn Cluster2020/11/3036Spark与Hadoop整合在在spark-env.sh设置配置项设置配置项exportHADOOP_CONF_DIR=/app/hadoop/etc/Hadoop/指明了hadoop集群的配置启用启用Yarn日志聚合功能日志聚合功能yarn.log-aggregation-enabletrue操作操作HDFS这样我们在spark中操作hdfs就不需要关心hdfs的集群部署情况，如：varrdd1=sc.textFile();/读本地文件rdd1.saveAsTextFile(hdfs:/tmp/spark_
26、readme.md);/写入hdfsvarrdd2=sc.textFile(hdfs:/tmp/spark_readme.md);/读取hdfsrdd2.collect()/显示文本2020/11/3037Spark与Hadoop整合Run Spark on Yarn./bin/spark-submit-classplu.platform.sparkjob.LiveEventJob-masteryarn-deploy-modecluster-executor-memory5G-num-executors5plu.platform.jar2020/11/3038Spark与Hadoop整合Spa
27、rk on yarn提供了应用程序运行的web界面，可以通过这个界面查看spark作业的stage，task等详细信息，但无法获取应用程序的运行日志。这些日志通常保存在YARN的NodeManager节点上，一旦运行完成后可能会被聚集后保存到HDFS上2020/11/3039Spark与Hadoop整合 Spark-sql&Hive2020/11/3040Spark与Hadoop整合YarnHDFSMRSpark CoreZKHiveSparkJobSparkStreamingSparkSQLMySQLSqoop2020/11/3041Spark应用部署模式Client 模式模式，driver
28、运行在当前执行命令的机器上，程序执行日志在终端输出，适合交互式应用./bin/spark-submit-class plu.platform.StartLiveEvent-master spark:/10-160:7077,10-161:7077-deploy-mode client plu.platform.jarCluster模式模式，driver运行在任意一台worker机器上，程序执行日志不会在终端输出在webui可以查看./bin/spark-submit-class plu.platform.StartLiveEvent-master spark:/10-160:6066,10-161:6066-deploy-mode cluster plu.platform.jar谢谢！
