Spark学习散点总结

使用Spark 时，通常会有两种模式。
一、在交互式编程环境（REPL, a.k.a spark-shell）下实现一些代码，测试一些功能点。
二、像MapReduce 那样提前编写好源代码并编译打包（仅限 Java 或 Scala，Python 不需要），然后将程序代码通过spark-submit 命令提交到 YARN 集群完成计算。

spark-shell

启动 spark-shell 通常需要指定 master、executor 内存、executor 数量等参数。由于 YARN 集群有审计机制，每个人提交的 spark application 需要指定 name 参数，同时确保 name 是以个人的 LDAP 用户名为后缀。另外，如果你不确定 driver 是否有足够的内存能容纳一个 RDD 的计算结果，建议不要使用 RDD 的 collect 方法而使用其 take 方法，否则会使 driver 发生 OOM。

　　1.scala交互式编程环境

　　通过命令启动sprak-shell

/opt/tige/spark2/bin/spark-shell \
--master yarn-client \
--queue root.default \
--driver-memory 4g \
--executor-memory 8g\
--conf spark.dynamicAllocation.maxExecutors= \
--name spark_test_{your username} 

启动spark后系统自动创建sc和sqlContext(HiveContext实例)，可以使用它们来创建RDD或者DataFarme

　　2.使用Python交互式编程环境

　　通过命令pyspark

/opt/tiger/spark_deploy/spark2/bin/ipyspark --master yarn-client --queue root.default --driver-memory 4g --executor-memory 8g --num-executors  --name spark_test_${your LDAP user name}

spark-submit

首先我们需要使用 Spark 的 API 实现一个拥有入口（main）的程序，然后通过 spark-submit 提交到 YARN 集群。

1. Scala 版本的 WordCount

   import org.apache.spark.{SparkConf, SparkContext}
   
   object WordCount extends App {
       val sparkConf = new SparkConf()
       sparkConf.setAppName("spark_test_${your LDAP user name}")
       sparkConf.setMaster("yarn-client")
       sparkConf.set("spark.driver.memory", "4g")
       sparkConf.set("spark.executor.memory", "8g")
       sparkConf.set("spark.dynamicAllocation.initialExecutors", "")
       sparkConf.set("spark.dynamicAllocation.maxExecutors", "")
       val sc = new SparkContext(sparkConf)
       val words = sc.textFile("/path/to/text/file")
       val wordCount = words.map(word => (word, 1)).reduceByKey(_ + _).collect()
       wordCount.foreach(println)
   }

   完成代码编写与编译打包之后就可以通过 spark-submit 来提交应用了，命令如下：

   /opt/tiger/spark_deploy/spark2/bin/spark-submit --master yarn-client --class WordCount your_spark_test.jar

2. python版本的WordCount

   from pyspark import SparkContext, SparkConf
   from operator import add
   
   if __name__ == '__main__':
       conf = SparkConf()
       conf.setMaster('yarn-client')
       conf.setAppName('spark_test_${your LDAP user name}')
       conf.set("spark.driver.memory", "4g")
       conf.set("spark.executor.memory", "8g")
       conf.set("spark.dynamicAllocation.initialExecutors", "")
       conf.set("spark.dynamicAllocation.maxExecutors", "")
       sc = SparkContext(conf=conf)
   
       words = sc.textFile("/path/to/text/file")
       wordCount = words.map(lambda word: (word, 1)).reduceByKey(add).collect()
       for key, value in wordCount:
           print key, value

   假设上面这段 Python 代码的文件名为 your_spark_test.py，那么提交这段代码到 YARN 集群的命令如下：

   /opt/tiger/spark_deploy/spark2/bin/spark-submit --master yarn-client your_spark_test.py