Spark3学习入门【基于Java】

Spark 是离线数据处理的一种大数据技术，和Flick相比数据处理要延后，因为Flick是实时数据处理，而Spark需要先读取数据到内存。

Spark的库是基于Scala写的，虽然Scala也是运行在jvm上的，但是Spark提供的Java  api的能力和原生api并不完全相同，据说执行效率也有微弱差异。

但是scala语法比较难，编码也不如Java规范，用的人和企业越来越少。为了更好推广和更好交接，我们也选择Java API。

• 环境搭建
  • 官方下载
  • maven依赖进来
  • 安装hadoop
• 小试牛刀
  • 程序运行
  • 任务提交

环境搭建

要用spark的库有两种方法：官方下载或maven依赖。

官方下载

到apache下载网站 Downloads | Apache Spark 点击链接下载

下载后解压到某位置。比如我放在 D:\Programs\spark-3.2.0-bin-hadoop3.2，这里就是SPARK_HOME，可以加到系统的环境变量里。

里面的bin是可执行文件和脚本，jar就是Java的api包：

里面有200+个jar，其中以spark开头的有21个。使用的时候把这个jar目录或者里面特定的jar包引入到项目即可：

maven依赖进来

在上面的下载页面可以同时看到maven的坐标

依赖进来

1. </dependencies><dependencies>
2.     <dependency>
   <!-- Spark dependency -->
3.         <groupId>org.apache.spark</groupId>
4.         <artifactId>spark-core_2.12</artifactId>
5.         <version>3.2.0</version>
6.     </dependency>
7. </dependencies>

spark-core只是spark的核心和最重要的部分，但是它一般不能独立使用。它里面定义了spark的工作流程和算法，比较底层，提供给其他spark模块使用。

安装hadoop

spark不少功能都是依赖hadoop的，因为spark不提供数据存储的能力（它提供的能力是和map-reduce阶段类似的），那它读取的数据通常都是hdfs来的（当然也可以从其他路径来）。为了以后方便，可以提前安装好hadoop。

从spark下载页面可以看到，和我们这个版本搭配的hadoop是版本3.3。

Hadoop下载页面是 Apache Hadoop，下载后解压到特定目录，并添加环境变量HADOOP_HOME。

小试牛刀

1. 通过IDEA创建一个Maven项目，引入jar包或通过maven导入：<dependencies>
2.     <dependency>
   <!-- Spark dependency -->
3.         <groupId>org.apache.spark</groupId>
4.         <artifactId>spark-sql_2.12</artifactId>
5.         <version>3.2.0</version>
6.     </dependency>
7. </dependencies>

注意这里引入的是最常用的spark-sql包，解压目录里也能找到。sql模块提供了数据帧和数据集 DataFrame和DataSet的处理，针对的是结构化数据。

> 除了sql模块，还有streaming模块处理流式计算，MLlib处理机器学习，和处理图数据的GraphX。可能有之前就接触过spark的会说RDD，著名的弹性分布式数据集，这个已经过时了，被spark-sql取代

编写程序：

1. import org.apache.spark.sql.SparkSession;
2. import org.apache.spark.sql.Dataset;
3.  
4. public
   class SimpleApp {
5.     public
   static
   void main(String[] args) {
6.         String logFile = "D:\\Programs\\spark-3.2.0-bin-hadoop3.2\\README.md";
7.         SparkSession spark = SparkSession.builder().appName("Simple Application").master("local").getOrCreate();
8.         Dataset<String> logData = spark.read().textFile(logFile).cache();
9. rr
10.         String a1 = "scala";
11.         String a2 = "Scala";
12.         long numAs = logData.filter((org.apache.spark.api.java.function.FilterFunction<String>) s -> s.contains(a1)).count();
13.         long numBs = logData.filter((org.apache.spark.api.java.function.FilterFunction<String>) s -> s.contains(a2)).count();
14.  
15.         System.out.println("Lines with " + a1 + ": " + numAs + ", lines with " + a2 + ": " + numBs);
16.  
17.         spark.stop();
18.     }
19. }

程序运行

执行上面的main方法就可以看到控制台打印出某个文件里有某个单词的行数。

> 这个程序经过我的改造，官方 Quick Start - Spark 3.2.0 Documentation (apache.org) 给的例子直接运行会报错，连编译都报错。另外只能使用Java8，刚开始使用的java 16总报错也修不好。

任务提交

spark运行的都是一个个任务，需要提交给spark环境。接下来我们把项目打包成jar提交给spark。

执行mvn package，就会在target目录下生成Jar包。拿到它的绝对路径

通过SPARK_HOME\bin\spark-submit.bat来提交：

.\bin\spark-submit --class "SimpleApp" --master local[4] 绝对路径.jar

这样可以执行完并打印计数，但是我本地会报错，执行完的时候要删除零时文件删不掉

在IDEA中可以成功删掉，在cmd中用管理员也删不掉

下一步

接下来开始学习spark sql和spark streaming。

学习网站：Spark SQL and DataFrames - Spark 3.2.0 Documentation (apache.org)

学习视频：尚硅谷大数据Spark教程从入门到精通_哔哩哔哩_bilibili