Scala进阶之路-Spark本地模式搭建

　　　　　　　　　　Scala进阶之路-Spark本地模式搭建

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　作者：尹正杰

版权声明：原创作品，谢绝转载！否则将追究法律责任。

一.Spark简介

1>.Spark的产生背景

　　传统式的Hadoop缺点主要有以下两点：　　

　　　　第一.迭代式计算效率低（一个MapReduce依赖上一个MapReduce的结果）;

　　　　第二.交互式数据挖掘效率低（运行一个HIVE语句效率是极低的，第一天输入的SQL可能等到第二天才能拿到结果）

　　Spark优化了Hadoop的两个缺点，可以将多个job合并成一个job来执行，也可以将于磁盘的交互迁移到内存进行交互，从而提升了工作效率。

2>.Spark是什么

、软件栈中所有的程序库和高级组件 都可以从下层的改进中获益。

、运行整个软件栈的代价变小了。不需要运行5到10套独立的软件系统了，一个机构只需要运行一套软件系统即可。系统的部署、维护、测试、支持等大大缩减。

、能够构建出无缝整合不同处理模型的应用。

Spark Core：
　　实现了 Spark 的基本功能，包含任务调度、内存管理、错误恢复、与存储系统 交互等模块。Spark Core 中还包含了对弹性分布式数据集(resilient distributed dataset，简称RDD)的 API 定义。
Spark SQL：
　　是 Spark 用来操作结构化数据的程序包。通过 Spark SQL，我们可以使用 SQL 或者 Apache Hive 版本的 SQL 方言(HQL)来查询数据。Spark SQL 支持多种数据源，比 如 Hive 表、Parquet 以及 JSON 等。
Spark Streaming：
　　是 Spark 提供的对实时数据进行流式计算的组件。提供了用来操作数据流的 API，并且与 Spark Core 中的 RDD API 高度对应。
Spark MLlib：
　　提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。
集群管理器：
　　Spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求，同时获得最大灵活性，Spark 支持在各种集群管理器(cluster manager)上运行，包括 Hadoop YARN、Apache Mesos，以及 Spark 自带的一个简易调度 器，叫作独立调度器。 

    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。

3>.Spark的安装模式

安装模式可分为以下几种:
Local、Local-Cluster、Standalone、Yarn、Mesos

Master节点主要运行集群管理器的中心化部分，所承载的作用是分配Application到Worker节点，维护Worker节点，Driver，Application的状态。

Worker节点负责具体的业务运行。

二.部署Spark本地模式

1>.下载Spark软件

　　官网下载地址：http://spark.apache.org/downloads.html

　　当然点上面的网页只是对该版本的支持，允许我调戏你一下，哈哈，实际上下载位置应该在这里：https://archive.apache.org/dist/spark/ 。

2>.解压下载的Spark并创建软连接

[yinzhengjie@s101 download]$ wget https://archive.apache.org/dist/spark/spark-2.1.0/spark-2.1.0-bin-hadoop2.7.tgz
[yinzhengjie@s101 download]$ ll
total
-rw-r--r--  yinzhengjie yinzhengjie  Jan    spark-2.1.-bin-hadoop2..tgz
[yinzhengjie@s101 download]$
[yinzhengjie@s101 download]$ tar -zxf spark-2.1.-bin-hadoop2..tgz -C /soft/
[yinzhengjie@s101 download]$
[yinzhengjie@s101 download]$ ln -s /soft/spark-2.1.-bin-hadoop2./ /soft/spark
[yinzhengjie@s101 download]$
[yinzhengjie@s101 download]$ ll /soft/ | grep spark
lrwxrwxrwx    yinzhengjie yinzhengjie    Jul  : spark -> /soft/spark-2.1.-bin-hadoop2./
drwxr-xr-x   yinzhengjie yinzhengjie  Dec    spark-2.1.-bin-hadoop2.
[yinzhengjie@s101 download]$ 

3>.配置环境变量并使环境变量生效

[yinzhengjie@s101 download]$ tail - /etc/profile
#ADD spark Path
export SPARK_HOME=/soft/spark
PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
[yinzhengjie@s101 download]$
[yinzhengjie@s101 download]$ source /etc/profile
[yinzhengjie@s101 download]$ 

4>.启动Spark

5>.查看进程是否启动

6>.查看WebUI界面

三.Spark初体验-使用Spark实现单词统计

1>.创建测试文件

[yinzhengjie@s101 download]$ cat /home/yinzhengjie/.txt
hello world
yinzhengjie hello word
hello scala
hello java
hello python
hello shell
hello yinzhengjie
hello golang
[yinzhengjie@s101 download]$ 

2>.实现单词统计

体验Spark
----------------------
    .登录spark
　　　　　　spark-shell

    .编写scala代码
        //1.加载文本
        val rdd1 = sc.textFile("/home/yinzhengjie/1.txt")
        //2.压扁
        val rdd2 = rdd1.flatMap(line=>{line.split(" ")})
        //3.变换，标1成对
        val rdd3 = rdd2.map(word=>{(word , )})
        //4.按照key进行化简
        val rdd4 = rdd3.reduceByKey((a,b)=> a + b).sortBy(t=> -t._2 )
        //5.输出结果
        rdd4.collect()

    .一行完成
         sc.textFile("/home/yinzhengjie/1.txt").flatMap(_.split(" ")).map((_,)).reduceByKey(_+_).sortBy(t=> -t._2 ).collect()