初識Spark

Spark特點

Spark是Apache的一個頂級項目，Apache Spark 是專為大規模數據處理而設計的快速通用的計算引擎。Spark是UC Berkeley AMP lab (加州大學伯克利分校的AMP實驗室)所開源的類Hadoop MapReduce的通用并行框架，Spark擁有Hadoop MapReduce所具有的優點；但不同于MapReduce的是——Job中間輸出結果可以保存在內存中，從而不再需要讀寫HDFS，因此Spark能更好地適用于數據挖掘與機器學習等需要迭代的MapReduce的算法。

Spark的計算速度也要比MapReduce快得多，它有一個先進的DAG執行引擎，支持非循環的數據流和內存計算。官網介紹說在使用內存的情況下快100倍，而使用磁盤的情況下快10倍。

而且Spark 是在 Scala 語言中實現的，它將 Scala 用作其應用程序框架。與 Hadoop 不同，Spark 和 Scala 能夠緊密集成，其中的 Scala 可以像操作本地集合對象一樣輕松地操作分布式數據集。

Spark也比MapReduce要易于使用，并且可以使用Java, Scala, Python, R等語言進行開發。Spark 提供了80多個高級API，可以很容易地實現并行計算的應用程序。還可以通過Scala、Python和R shells等交互式命令行，交互地使用它。

Spark 主要有四個特點：

• 高級 API 剝離了對集群本身的關注，Spark 應用開發者可以專注于應用所要做的計算本身。下圖是python使用Spark API的代碼：
  

• Spark 很快，支持交互式計算和復雜算法以及非循環的數據流和內存計算。下圖是官網上展示的MapReduce與Spark進行回歸計算時，計算速度的對比圖：
  

• Spark 是一個十分通用的計算引擎，可用它來完成各種各樣的運算，包括 SQL 查詢、文本處理、機器學習等，而在 Spark 出現之前，我們一般需要學習各種各樣的引擎來分別處理這些需求。如下圖：
  
• Spark 可以運行在各種平臺之上，例如可以運行在：Hadoop, Mesos, Kubernetes, standalone等平臺上，或者運行在 cloud上。并且能訪問各種數據源，包括HDFS, Cassandra, HBase 以及 S3等。
  

Spark官網地址：

http://spark.apache.org/

Spark與Hadoop深入對比

Spark的生態系統簡稱BDAS。如下圖：

Hadoop生態圈對比Spark BDAS：

Hadoop對比Spark：

MapReduce對比Spark：

Spark開發語言及運行模式介紹

Spark支持的開發語言：

• Python
• Scala（推薦）
• Java
• R

Spark運行模式：

• Standalone（內置）
• Yarn（推薦）
• Mesos
• Local

Scala&Maven安裝

安裝Scala時，需要先準備好JDK環境，而我這里已經準備好jdk1.8的環境了。

Scala官網下載地址：

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

下載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

解壓：

[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]#

配置環境變量：

[root@study-01 ~]# vim .bash_profile  # 更改如下內容
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  # 測試能否執行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官網下載地址：

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

下載并解壓：

[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]#

配置環境變量：

[root@study-01 ~]# vim .bash_profile  # 更改如下內容
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  # 測試能否執行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環境搭建及wordcount案例實現

Spark官網下載地址：

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

我這里下載的是2.1.0版本的源碼包，官網的編譯安裝文檔：

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

從官網的介紹，我們得知：

• Java需要7+版本，而且在Spark2.0.0之后Java 7已經被標識成deprecated了，但是不影響使用，但是在Spark2.2.0版本之后Java 7的支持將會被移除；
• Maven需要3.3.9+版本

下載Spark2.1.0版本的源碼包：

下載并解壓：

[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]#

安裝完成之后我們還需要使用Spark源碼目錄中的dev下的make-distribution.sh腳本進行編譯，官方提供的編譯命令如下：

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

參數說明：

• --name：指定編譯完成后Spark安裝包的名字
• --tgz：以tgz的方式進行壓縮
• -Psparkr：編譯出來的Spark支持R語言
• -Phadoop-2.4：以hadoop-2.4的profile進行編譯，具體的profile可以看出源碼根目錄中的pom.xml中查看
• -Phive和-Phive-thriftserver：編譯出來的Spark支持對Hive的操作
• -Pmesos：編譯出來的Spark支持運行在Mesos上
• -Pyarn：編譯出來的Spark支持運行在YARN上

那么我們就可以根據具體的條件來編譯Spark，比如我們使用的Hadoop版本是2.6.0-cdh6.7.0，并且我們需要將Spark運行在YARN上、支持對Hive的操作，那么我們的Spark源碼編譯腳本就是：

[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

但是在執行這個命令之前我們先需要編輯pom.xml文件，增加cdh的maven repository：

[root@study-01 /usr/local/spark-2.1.0]# vim pom.xml  # 在<repositories>標簽內，加入如下內容
    <repository>
      <id>cloudera</id>
      <url>https://repository.cloudera.com/artifactory/cloudera-repos/</url>
    </repository>
[root@study-01 /usr/local/spark-2.1.0]# 

然后還需要更改編譯腳本的mvn命令路徑，因為使用自帶的mvn編譯有些慢：

[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，就可以執行編譯命令了，編譯的過程會有些慢（我這里編譯了半個多小時）。而且內存盡量分配得大一些，避免內存不足導致編譯中斷。

編譯完成之后，spark目錄下會增加一個.tgz的文件，把這個文件解壓到/usr/local/目錄下：

[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]#

到此為止，我們的spark就安裝完成了。接下來我們嘗試一下啟動Spark的shell終端：

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

命令說明：

• master用于指定使用哪種模式啟動
• local 表示本地模式啟動，方括號里的數字表示開啟幾個線程

關于啟動spark shell的官方文檔說明：

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

啟動成功：

啟動成功后，我們來實現wordcount的案例。官網的快速入門文檔：

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

現在有一個文件，內容如下：

[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里完成對該文件的wordcount：

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

scala> file.collect  # 打印讀取的數據
res1: Array[String] = Array(hadoop welcome, hadoop hdfs mapreduce, hadoop hdfs, hello hadoop, spark vs mapreduce)

scala> val a = file.flatMap(line => line.split(" "))  # 按空格進行拆分
a: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[2] at flatMap at <console>: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))  # 進行map操作，給每個單詞附上1
b: org.apache.spark.rdd.RDD[(String, Int)] = MapPartitionsRDD[3] at map at <console>: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(_ + _)  # 進行Reduce操作，把每個相同key的值相加，并整合在一起
c: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[4] at reduceByKey at <console>: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，通過簡單的交互式的代碼我們就完成了對文件的詞頻統計，并且這些方法都可以形成一個方法鏈的調用，所以其實一句代碼就可以完成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>

我們還可以在web頁面上看到任務執行的信息，訪問主機ip的4040端口即可，如下：