1. Spark概述
一种基于内存的快速、通用、可扩展的大数据分析引擎；
内置模块：
Spark Core(封装了rdd、任务调度、内存管理、错误恢复、与存储系统交互)；
Spark SQL(处理结构化数据)、
Spark Streaming(对实时数据进行流式计算) 、
Spark Mlib（机器学习程序库包括分类、回归、聚合、协同过滤等）、
Spark GraghX（图计算）；
独立调度器、Yarn、Mesos
特点：
快( 基于内存（而MR是基于磁盘）、多线程模型（而mapReduce是基于多进程的，每个MR都是独立的JVM进程）、可进行迭代计算（而hadoop需要多个mr串行） )、
易用(支持java、scala、python等的API，支持超过80多种算法，支持交互式的 Python 和 Scala 的 shell，可方便地在shell中使用spark集群来验证解决问题，而不像以前需要打包上传验证)、
通用（spark提供了统一解决方案，可用于批处理、交互式查询（spark sql）\ 实时流式处理（spark streaming）\机器学习和图计算，可在同一应用中无缝使用）
兼容性（与其他开源产品的融合，如hadoop的yarn、Mesos、HDFS、Hbase等）；
http://spark.apache.org/ 文档查看地址 https://spark.apache.org/docs/2.1.1/
集群角色
Master和Workers
1）Master
Spark特有资源调度系统的Leader。掌管着整个集群的资源信息，类似于Yarn框架中的ResourceManager，主要功能：
（1）监听Worker，看Worker是否正常工作；
（2）Master对Worker、Application等的管理(接收worker的注册并管理所有的worker，接收client提交的application，(FIFO)调度等待的application并向worker提交)。
2）Worker
Spark特有资源调度系统的Slave，有多个。每个Slave掌管着所在节点的资源信息，类似于Yarn框架中的NodeManager，主要功能：
（1）通过RegisterWorker注册到Master；
（2）定时发送心跳给Master；
（3）根据master发送的application配置进程环境，并启动StandaloneExecutorBackend(执行Task所需的临时进程)
Driver和Executor
1）Driver（驱动器）
Spark的驱动器是执行开发程序中的main方法的进程。它负责开发人员编写的用来创建SparkContext、创建RDD，以及进行RDD的转化操作和行动操作代码的执行。如果你是用spark shell，那么当你启动Spark shell的时候，系统后台自启了一个Spark驱动器程序，就是在Spark shell中预加载的一个叫作 sc的SparkContext对象。如果驱动器程序终止，那么Spark应用也就结束了。主要负责：
（1）把用户程序转为任务
（2）跟踪Executor的运行状况
（3）为执行器节点调度任务
（4）UI展示应用运行状况
2）Executor（执行器）
Spark Executor是一个工作进程，负责在 Spark 作业中运行任务，任务间相互独立。Spark 应用启动时，Executor节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor节点上继续运行。主要负责：
（1）负责运行组成 Spark 应用的任务，并将状态信息返回给驱动器进程；
（2）通过自身的块管理器（Block Manager）为用户程序中要求缓存的RDD提供内存式存储。RDD是直接缓存在Executor进程内的，因此任务可以在运行时充分利用缓存数据加速运算。
总结：Master和Worker是Spark的守护进程，即Spark在特定模式下正常运行所必须的进程。Driver和Executor是临时进程，当有具体任务提交到Spark集群才会开启的进程。
1. Local模式-本地单机
Linux中查看有多少核数： [kris@hadoop101 ~]$ cat /proc/cpuinfo ... [kris@hadoop101 ~]$ cat /proc/cpuinfo | grep 'processor' | wc -l 8
Local模式
在一台计算机,可以设置Master； （提交任务时需要指定--master）Local模式又分为：
① Local所有计算都运行在一个线程中（单节点单线程），没有任何并行计算；
②Local[K] ，如local[4]即运行4个Worker线程（单机也可以并行有多个线程），可指定几个线程来运行计算，通常CPU有几个Core就执行几个线程，最大化利用cpu的计算能力；
③Local[*]， 直接帮你安装Cpu最多Cores来设置线程数，这种是默认的；
bin/spark-submit \ //提供任务的命令 --class org.apache.spark.examples.SparkPi \ //指定运行jar的主类 --master //它有默认值是local[*] =>spark://host:port, mesos://host:port, yarn, or local. --executor-memory 1G \ //指定每个executor可用内存 --total-executor-cores 2 \ 指定executor总核数 ./examples/jars/spark-examples_2.11-2.1.1.jar \ \\jar包 100 //main方法中的args参数 ./bin/spark-submit 回车可查看所有的参数
[kris@hadoop101 spark-local]$ bin/spark-shell Spark context Web UI available at http://192.168.1.101:4040 Spark context available as 'sc' (master = local[*], app id = local-1554255531204). ##spark core的入口sc Spark session available as 'spark'. ##它是spark sql程序的入口 再起一个spark-shell会报错： spark sql也有一个默认的元数据也是存在derby数据库里边 Failed to start database 'metastore_db' with class loader org.apache.spark.sql.hive.client.IsolatedClientLoader$$anon$1@63e5b8aa, see the next exception for details. Caused by: org.apache.derby.iapi.error.StandardException: Another instance of Derby may have already booted the datab 查看页面:hadoop101:4040 scala> sc.textFile("./wc.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect res0: Array[(String, Int)] = Array((Hello,3), (smile,1), (java,2), (world,1), (kris,1)) 提交任务(或者开启spark-shell)的时候会有driver和executor进程，Local模式下它被封装到了SparkSubmit中
提交任务分析
driver和executor是干活的；
① Client提交任务--->②起一个Driver ---> ③注册应用程序，申请资源--资源管理者有 （Master（Standalone模式）、ResourceManage（yarn模式））----->④拿到资源后去其他节点启动Executor----> ⑤Executor会反向注册给Driver汇报；
⑥（把提交的jar包做任务切分，把任务发给具体执行的节点Executor）--->Driver会进行初始化sc、任务划分、任务调度 <===>Executor具体执行任务（负责具体执行任务、textFile、flatMap、map...）
⑦ Driver把任务发到Executor不一定会执行，有可能资源cpu或内存不够了或者executor挂了，spark会有一个容错机制，某一个挂了可转移到其他的Executor；
最后任务跑完了，Driver会向资源管理者申请注销（Executor也会注销）
数据流程
textFile("input")：读取本地文件input文件夹数据；
flatMap(_.split(" "))：压平操作，按照空格分割符将一行数据映射成一个个单词；
map((_,1))：对每一个元素操作，将单词映射为元组；
reduceByKey(_+_)：按照key将值进行聚合，相加；
collect：将数据收集到Driver端展示。
2. Standalone模式--完全分布式
概述
构建一个由Master+Slave构成的Spark集群，Spark运行在集群中；它的调度器是其实就是Master
提交任务时需要有一个客户端Client，Master和Worker是守护进程它们是资源管理系统，提交任务（运行spark-shell或者spark-submit）之前它们就已经启动了；
①提交--->起Driver就是初始化SparkContext，然后启动Executor时需要资源；②向Master申请资源（即注册），启动ExecutorBackend
启动Executor---->反向注册给Driver汇报信息；
③ Driver划分切分任务把Task发送给Executor，如果Executor会有一个容错机制，Executor运行时会给Driver发送报告Task运行状态直至结束；
④最后任务运行完之后driver向master申请注销，Executor也会注销掉；
不一定非要在Client中起Driver（SparkContext），cluster模式，具体在哪个节点起sc由Master决定，随机的在worker节点上选择一个一个；
Driver在哪个节点起的原因：driver和executor之间是有通讯，每个 executor都要向driver汇报信息，互相通讯（消耗内存、资源+cpu数）； 所有的executor节点都去跟driver做通讯，客户端的压力就会特别大；
Client是本地调试用，输入之后马上能看到输入的结果；
1）修改slave文件，添加work节点：
[kris@hadoop101 conf]$ vim slaves
hadoop101
hadoop102
hadoop103
2）修改spark-env.sh文件，添加如下配置：
在高可用集群需把下面内容这给注释掉：
#SPARK_MASTER_HOST=hadoop101
#SPARK_MASTER_PORT=7077
[kris@hadoop101 conf]$ vim spark-env.sh export JAVA_HOME=/opt/module/jdk1.8.0_144 ##如果遇到JAVA_HOME not set异常时可配置 SPARK_MASTER_HOST=hadoop101 SPARK_MASTER_PORT=7077 #配置历史服务 export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=30 -Dspark.history.fs.logDirectory=hdfs://hadoop101:9000/directory" #配置高可用 export SPARK_DAEMON_JAVA_OPTS=" -Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hadoop101,hadoop102,hadoop103 -Dspark.deploy.zookeeper.dir=/spark"
3）修改spark-default.conf文件，开启Log：
[kris@hadoop101 conf]$ vi spark-defaults.conf spark.eventLog.enabled true spark.eventLog.dir hdfs://hadoop101:9000/directory
注意：HDFS上的目录需要提前存在。 hadoop fs -mkdir /directory
4） 分发spark包 分发的原因，因为这种模式下的资源调度是master和worker，各个节点需要自己去启进程；
[kris@hadoop101 module]$ xsync spark/spark-standalone
5）启动
② [kris@hadoop101 spark]$ sbin/start-all.sh 网页查看Master：hadoop101:8080
可看到Status:ALIVE；Memory in use 等信息
高可用集群的启动，要① 先启动zookeeper； 在hadoop102上（也可以是其他节点）单独启动master节点 [kris@hadoop102 spark]$ sbin/start-master.sh
启动历史服务之前要先启动 ③ start-dfs.sh
sbin/start-history-server.sh --->HistoryServer
查看历史服务hadoop101:18080
官方求PI案例
##运行之前上边的① ② ③步都要启动其他； 默认的是client模式
[kris@hadoop101 spark]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop101:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.11-2.1.1.jar \
100
===>>
Pi is roughly 3.1417439141743913 启动spark shell /opt/module/spark/bin/spark-shell \ --master spark://hadoop101:7077 \ --executor-memory 1g \ --total-executor-cores 2 只要提交了任务就可以看到driver和executor，driver被封装在了SparkSubmit里边；CoarseGrainedExecutorBackend就是启动的executor 提交任务提交给哪个executor都是有可能的
执行WordCount程序 scala>sc.textFile("./wc.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((Hello,2), (World,1), (java,2), (sbase,1), (spark,2), (Hi,1))
[kris@hadoop101 ~]$ jpsall -------hadoop101-------
6675 DataNode 5971 Master 6100 Worker 7463 CoarseGrainedExecutorBackend 7895 Jps 7368 SparkSubmit 6527 NameNode 5855 QuorumPeerMain -------hadoop102-------
4647 CoarseGrainedExecutorBackend 4075 QuorumPeerMain 4875 Jps 4380 DataNode 4188 Worker -------hadoop103-------
4432 SecondaryNameNode 4353 DataNode 4085 QuorumPeerMain 4198 Worker 4778 Jps
在Standalone--cluster模式下
[kris@hadoop101 spark-standalone]$ bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master spark://hadoop101:7077 \ --deploy-mode cluster \ --executor-memory 1G \ --total-executor-cores 2 \ ./examples/jars/spark-examples_2.11-2.1.1.jar \ 100 任务未执行完时的进程： [kris@hadoop101 spark-standalone]$ jpsall -------hadoop101------- 16740 CoarseGrainedExecutorBackend 16404 HistoryServer 16006 NameNode 15686 Master 16842 Jps 15805 Worker 16127 DataNode -------hadoop102------- 10240 CoarseGrainedExecutorBackend 10021 DataNode 9911 Worker 10334 Jps -------hadoop103------- 9824 DataNode 9714 Worker 9944 SecondaryNameNode 10299 Jps 10093 DriverWrapper ##cluster 模式下的Driver 任务执行完的进程： [kris@hadoop101 spark-standalone]$ jpsall -------hadoop101------- 16404 HistoryServer 16006 NameNode 15686 Master 15805 Worker 17166 Jps 16127 DataNode -------hadoop102------- 10021 DataNode 9911 Worker 10447 Jps -------hadoop103------- 10416 Jps 9824 DataNode 9714 Worker 9944 SecondaryNameNode
spark-shell的 spark HA集群访问，前提是另外一个Master启起来了；
/opt/module/spark/bin/spark-shell \ --master spark://hadoop101:7077,hadoop102:7077 \ --executor-memory 1g \ --total-executor-cores 2
把其中ACTIVE状态节点的kill掉，另外一个Master的状态将从standby模式--->active状态；
可验证下：
scala>sc.textFile("./wc.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((Hello,2), (World,1), (java,2), (sbase,1), (spark,2), (Hi,1))
提交任务时： --deploy-mode DEPLOY_MODE Whether to launch the driver program locally ("client") or on one of the worker machines inside the cluster ("cluster") (Default: client). client和cluster的区别： SparkContext的位置不同(也就是运行Driver的位置不一样)，由Master决定，随机的在其他节点初始化一个sc Driver和Executor之间会有通信，通信需要消耗资源内存cpu等，所有的executor去和客户端(如果是client模式，Driver是启在Client上的)去通信， 客户端的压力会非常大，如果有大量的executor再加上提交多个任务就启动多个Driver，那么Client单点就挂掉被拖垮； cluster模式，每次提交任务时的sc的位置分散在不同节点上，分担了压力， Client本地调试时候用，可以看到输出的结果，如可看到打印的π
--deploy-mode DEPLOY_MODE Whether to launch the driver program locally ("client") or on one of the worker machines inside the cluster ("cluster") (Default: client). --executor-cores NUM Number of cores per executor. (Default: 1 in YARN mode, or all available cores on the worker in standalone mode) bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master spark://hadoop101:7077 \ --deploy-mode cluster \ --executor-memory 1G \ --total-executor-cores 2 \ ##总的是2，默认1个cores/executor--->推导出有2/1个executor；可控制executor的数量； ./examples/jars/spark-examples_2.11-2.1.1.jar \ 100 cluster模式下，driver叫DriverWrapper
3. Yarn模式
概述
之前的standalone模式，是自己Master和worker管理资源，分发是为了在各个节点启进程；yarn模式资源由RM、NM来管理
Spark客户端直接连接Yarn，不需要额外构建Spark集群。有yarn-client和yarn-cluster两种模式，主要区别在于：Driver程序的运行节点。
yarn-client：Driver程序运行在客户端，适用于交互、调试，希望立即看到app的输出；
yarn-cluster：Driver程序运行在由RM（ResourceManager）启动的AM（APPMaster）适用于生产环境。分担压力不会拖垮某个节点；
提交任务之前，客户端Client、ResourceManager、NodeManager都是要启动好的；
提交任务，App Submit； RM选择一个NM启动AM，AM来启动Driver（即初始化sc），yarn的cluster模式SparkAppMaster（用来申请资源，启动driver）和SparkContext在一个进程里边；
AM（SparkAppMaster）向RM申请启动Executor；（默认情况下一个节点启一个executor这样子负载比较均衡，也可以启两个），executor也是有个反向注册的过程；
切分分配任务，同时executor上报集群状况；跑完之后申请注销；
安装使用
1）修改hadoop配置文件yarn-site.xml,添加如下内容：
[kris@hadoop101 hadoop]$ vim yarn-site.xml
<!--是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
2）配置历史服务JobHistoryServer| 配置日志查看功能
修改spark-env.sh，添加如下配置：
[kris@hadoop101 conf]$ vim spark-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_144 YARN_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop # 配置JobHistoryServer 注意：HDFS上的目录需要提前存在。 export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=30 -Dspark.history.fs.logDirectory=hdfs://hadoop101:9000/directory"
从这里看到历史日志：http://hadoop102:8088/cluster点击直接跳转到spark中 http://hadoop101:18080/history/application_1554294467331_0001/jobs/
[kris@hadoop101 conf]$ vim spark-defaults.conf
#修改spark-default.conf文件，开启Log： spark.eventLog.enabled true spark.eventLog.dir hdfs://hadoop101:9000/directory # 日志查看 spark.yarn.historyServer.address=hadoop101:18080 spark.history.ui.port=18080
提交任务到Yarn执行 [kris@hadoop101 spark-yarn]$ bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master yarn \ --deploy-mode client \ ./examples/jars/spark-examples_2.11-2.1.1.jar \ 100
[kris@hadoop101 spark-yarn]$ bin/spark-shell --master yarn ##shell只能用client模式启动，默认的也是这种模式； Spark context Web UI available at http://192.168.1.101:4040 Spark context available as 'sc' (master = yarn, app id = application_1554290192113_0004). Spark session available as 'spark'. -------hadoop101------- 25920 NodeManager 25751 DataNode 28075 SparkSubmit ##Driver还是被封装到这里边的 28252 Jps 25469 QuorumPeerMain 25630 NameNode -------hadoop102------- 14995 CoarseGrainedExecutorBackend 15076 Jps 13447 DataNode 13672 NodeManager 13369 QuorumPeerMain 13549 ResourceManager 14942 ExecutorLauncher #Executor启动器，就是AppMaster,Cluster模式，AM和sc在一个进程里边的，这种模式AM的任务是：既可以申请资源又可以做任务切分和调度；
Client模式它们就不在一个进程了,由RM随机选择一个节点来启动AM，这种模式它的作用仅仅是用来申请资源去启动Executor； -------hadoop103------- 13536 DataNode 14610 CoarseGrainedExecutorBackend 14691 Jps 13638 NodeManager 13464 QuorumPeerMain 13710 SecondaryNameNode
yarn--cluster模式
[kris@hadoop101 spark-yarn]$ bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster ./examples/jars/spark-examples_2.11-2.1.1.jar 在任务未完成之前的进程： [kris@hadoop101 spark-yarn]$ jpsall -------hadoop101------- 13328 SparkSubmit 12146 NodeManager 13706 CoarseGrainedExecutorBackend 12555 NameNode 12702 DataNode 13951 Jps -------hadoop102------- 6864 ResourceManager 8101 Jps 7403 DataNode 6990 NodeManager -------hadoop103------- 7984 ApplicationMaster ## Yarn-Cluster模式下SparkAppMaster和Sparkcontext即Driver是在一个进程的 8432 Jps 7560 SecondaryNameNode 8158 CoarseGrainedExecutorBackend 7230 NodeManager 7438 DataNode 任务完成之后的进程： [kris@hadoop101 spark-yarn]$ jpsall -------hadoop101------- 12146 NodeManager 12555 NameNode 12702 DataNode 14031 Jps -------hadoop102------- 6864 ResourceManager 8153 Jps 7403 DataNode 6990 NodeManager -------hadoop103------- 7560 SecondaryNameNode 8537 Jps 7230 NodeManager 7438 DataNode
[kris@hadoop101 spark-yarn]$ sbin/start-history-server.sh ##开启历史服务
提交任务到Yarn执行 [kris@hadoop101 spark-yarn]$ bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master yarn \ --deploy-mode client \ ./examples/jars/spark-examples_2.11-2.1.1.jar \ 100
Mesos模式
Spark客户端直接连接Mesos；不需要额外构建Spark集群。国内应用比较少，更多的是运用yarn调度。
几种模式对比
package com.atguigu.spark import org.apache.spark.{SparkConf, SparkContext} object WordCount { def main(args: Array[String]): Unit = { //1.创建SparkConf并设置App名称 val conf = new SparkConf().setAppName("WordCount") //2.创建SparkContext，该对象是提交Spark App的入口 val context = new SparkContext(conf) //3.使用sc创建RDD并执行相应的transformation和action context.textFile(args(0)).flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_, 1).sortBy(_._2, false).saveAsTextFile(args(1)) //4.关闭连接 context.stop() } }
/wc.txt必须在HDFS上有这个文件
[kris@hadoop101 spark-yarn]$ hadoop fs -put wc.txt / [kris@hadoop101 spark-yarn]$ bin/spark-submit --class com.atguigu.spark.WordCount --master yarn --deploy-mode client /opt/module/spark/spark-yarn/WordCount.jar /wc.txt /out 结果： (Hello,3) (smile,2) (kris,2) (alex,1) (hi,1)