初见spark-01

今天我们来学习spark，spark是一种快速,通用,可扩展的大数据分析引擎，现已成为Apache顶级项目,Spark是MapReduce的替代方案，而且兼容HDFS,Hive,可融入Hadoop的生态系统,以弥补MapReduce的不足，下面我们来介绍这样的一门语言:

　　一.spark安装

　　　　1.上传spark环境所需要的压缩包，

　　　　这里面请记住我们要的是预编译包(prebuild版本)，而不是源码包，即解压就可以使用的压缩包

　　　　我们这个里面使用的是spark-1.6.1-bin-hadoop2.6.tgz，首先我们把它上传到Linux之中，并解压到系统中

　　　　2.配置Spark

　　　　进入Spark安装目录，进入conf目录并重命名spark-evn.sh.template文件

　　　　cd conf/

　　　　mv spark-env.sh.template spark-env.sh

　　　　vi spark-env.sh

　　　　在配置文件中添加如下配置

　　　　export JAVA_HOME=/usr/java/jdk1.7.0_45(JAVA的安装路径)

　　　　export SPARK_MASTER_IP=node1.itcast.cn(master的那台机器的IP，这个里面我们可以写ip：192.168.109.136)

　　　　export SPARK_MASTER_PORT=7077

　　　　保存退出

　　　　重命名并修改slaves.template文件

　　　　mv　slave.template slaves

　　　　vi slaves

　　　　在该文件中添加子节点所在的位置(Worker节点)

　　　　192.168.109.137

　　　　192.168.109.138

　　　　192.168.109.139

　　　　保存退出

　　　　将配置好的Spark拷贝到其他节点上

　　　　scp -r spark-1.6.1 weekday02:/home/xxx/apps

　　　　scp -r spark-1.6.1 weekday03:/home/xxx/apps

　　　　scp -r spark-1.6.1 weekday04:/home/xxx/apps

　　　　3.Spark集群配置完毕，目前是1个Master，3个Worker,在Master的那台主机上启动Spark集群

　　　　/home/xxx/apps/spark-1.6.1/sbin/start-all.sh(这个一定要切记呀)

　　　　启动后执行jps命令,主节点上有Master进程,其他节点上有Work进行,登录Spark管理界面查看集群状态(主节点):http://mast1的ip:8080即可

　　　　注意，启动集群的时候，注意要关闭防火墙

　　二,我的第一个spark程序

　　　　这个里面我们只使用spark程序，这个算法是利用蒙特-卡罗算法求PI

/usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://192.168.109.136:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
/usr/local/spark-1.5.2-bin-hadoop2.6/lib/spark-examples-1.5.2-hadoop2.6.0.jar \
100

　　　　这个也不需要hadoop的启动,只需要我们有了spark的环境即可

　　　　参数说明

　　　　-master spark://192.168.109.136:7077 指定Master地址

　　　　-executor-memory 2g　指定每一个worker可以使用的内存是2G

　　　　-total-executor-cores 2 指定整个集群使用的cpu核数是2

　　　　注意:我们一般使用spark-shell,这个是spark自带交互式shell程序,方便用户进行交互式编程，用户可以在该命令下面使用scala编写spark程序

　　　　例如:/usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-shell，如果不写后面的，这个spark只能说是单机的，应为它没有与master的机器

　　　　相连，跟别提和别人的连接

　　三.在spark shell中编写WordCount程序

　　　　1.首先启动HDFS

　　　　2.向hdfs上传一个文件到hdfs://192.168.109.136:9000/words.txt

　　　　3.在spark shell 中用scala语言写spark程序

　　　　则此时这个结果在页面直接显示出来

sc.textFile("hdfs://192.168.109.136:9000/words.txt").flatMap(_.split(" "))
　　　　.map(_,1).reduceByKey(_+_).collect

　　　　则此时这个结果在hdfs的文件中显示出来

sc.textFile("hdfs://192.168.109.136:9000/words.txt").flatMap(_.split(" "))
　　　　.map(_,1).reduceByKey(_+_).saveAsTextFile("hdfs://192.168.109.136:9000/wc/out")

　　　　则此时因为我们有三个子节点，所以就想hadoop的mapreduce,中三个reduce,则此时我们将其让

　　　　最终的结果都读取到一个文件中去,此时我们就修改了一个地方，在reduceByKey(_+_)改为了reduceByKey(_+_,1)

sc.textFile("hdfs://192.168.109.136:9000/words.txt").flatMap(_.split(" "))
　　　　.map(_,1).reduceByKey(_+_,1).saveAsTextFile("hdfs://192.168.109.136:9000/wc/out")

　　四.spark算子

　　　spark算子一共分为两类

　　　一类叫做Transformation(转换)，一类叫做Action(动作)

　　　Transformation延迟执行,Transformation会记录元数据信息，当任务触犯到Action才开始真正的执行