spark复习笔记(2)

　　之前工作的时候经常用，隔了段时间，现在学校要用学的东西也忘了，翻翻书谢谢博客吧。

　　1.什么是spark?

Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，2010年开源，2013年6月成为Apache孵化项目，2014年2月成为Apache顶级项目。目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLlib等子项目，Spark是基于内存计算的大数据并行计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。Spark得到了众多大数据公司的支持，这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于凤巢、大搜索、直达号、百度大数据等业务；阿里利用GraphX构建了大规模的图计算和图挖掘系统，实现了很多生产系统的推荐算法；腾讯Spark集群达到8000台的规模，是当前已知的世界上最大的Spark集群。

2为什么要学Spark

Spark是一个开源的类似于Hadoop MapReduce的通用的并行计算框架，Spark基于map reduce算法实现的分布式计算，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Spark中的Job中间输出和结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。

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。

3 Spark特点

　　1) 快

与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。

　　2)易用

　　Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。

　　3)通用

　　Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。

　　4)兼容性

　　Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。

4.spark安装

　　1)下载spark安装包

　　下载地址spark官网：http://spark.apache.org/downloads.html这里我们使用 spark-2.0.2-bin-hadoop2.7版本.

　　2)解压安装包

　　tar -zxvf spark-2.0.2-bin-hadoop2.7.tgz -C /soft

　　3)创建软连接

　　ln -s spark-2.0.2-bin-hadoop2.7.tgz spark

　　4)修改配置文件

　　　　(1)配置文件目录在/soft/spark/conf

　　　　 nano   spark-env.sh 修改文件(先把spark-env.sh.template重命名为spark-env.sh)

　　　　(2)配置spark环境变量　　　　　

　　　　　　#指定spark老大Master的IP

　　　　　　export SPARK_MASTER_HOST=s201

　　　　　　#指定spark老大Master的端口

　　　　　　export SPARK_MASTER_PORT=7077

　　　　(2)nano slaves文件

　　　　先把slaves.template重命名为slaves

　　　　(3)将spark分发到其他主机

　　　　s201:8080

　　5)配置spark环境变量

　　　　export SPARK_HOME=/opt/bigdata/spark

　　　　export PATH=$PATH:$SPARK_HOME/bin

　　　　将spark添加到环境变量,添加以下内容到 /etc/profile

　　　　注意最后 source /etc/profile  刷新配置

　　6)启动spark集群

　　　　start-all.sh

　　7)停止spark集群

　　　　stop-all.sh

　　8)验证是否成功

　　　　

5.体验spark

　　1)进入spark-shell

　　　　$>spark-shell

　　　　$scala>

　　2)API

　　　　(1)[SparkContext]

　　　　　　　　Spark程序的入口点，封装了整个spark程序的运行环境信息

　　　　　　即sc:这是spark应用上下文即sparkContext对象，spark程序的的入口点，封装spark运行环境信息。通过sc.+Tab键可以得到如下方法

　　　　(2)RDD  resilient distributed dataset 弹性分布式数据集，等价于集合。

　　3)通过spark实现word count

　　　　(1)加载文件：val rdd1 = sc.textFile("/home/centos/test.txt")，将文件加载进入内存中

　　　　　　　　　　sc.textFile:def 　加载之后将其转换成数组　　　　textFile(path:String,minPartitions:Int):org.apache.spark.rdd.RDD(String)

　　　　(2)按照空格进行切割。压扁操作

　　　　　　val rdd2 =rdd1.map(line=>line.split(" "))

　　　　　　就是对第一步集合进行处理，把没一行的元素进行切割，切开之后每个元素仍然是一个数组，现在切开之后就变成了数组的集合了。

　　　　(3)在进行单词统计的时候需要在后面标1，变成一个key-value键值对的形式

　　　　　　flatmap()函数只能是从集合元素到map的形式

　　　　　　val rdd3 = flatMap(line=>line.split(" "));//压扁操作

　　　　(4)map(word=>(word,1))　　//变换成对偶(k,v)，将单词变换成对偶，也就是映射

　　　　(5)聚合：reduceByKey(_ + _)

一句话写完spark