一、概述
Apache Spark 是專為大規模數據處理而設計的快速通用的計算引擎。Spark是UC Berkeley AMP lab (加州大學伯克利分校的AMP實驗室)所開源的類Hadoop MapReduce的通用並行框架，Spark，擁有Hadoop MapReduce所具有的優點；但不同於MapReduce的是——Job中間輸出結果可以保存在內存中，從而不再需要讀寫HDFS，因此Spark能更好地適用於數據挖掘與機器學習等需要迭代的MapReduce的算法。官方地址
1）Spark特點
- 高效性：不同於MapReduce將中間計算結果放入磁盤中，Spark采用內存存儲中間計算結果，減少了迭代運算的磁盤IO，並通過並行計算DAG圖的優化，減少了不同任務之間的依賴，降低了延遲等待時間。內存計算下，Spark 比 MapReduce 快100倍。
- 通用性：Spark提供了統一的解決方案。Spark可以用於批處理、交互式查詢（Spark SQL）、實時流處理（Spark Streaming）、機器學習（Spark MLlib）和圖計算（GraphX）。
- 易用性：不同於MapReduce僅支持Map和Reduce兩種編程算子，Spark提供了超過80種不同的Transformation和Action算子，如map,reduce,filter,groupByKey,sortByKey,foreach等，並且采用函數式編程風格，實現相同的功能需要的代碼量極大縮小。
- 兼容性：Spark能夠跟很多開源工程兼容使用。如Spark可以使用Hadoop的YARN和Apache Mesos作為它的資源管理和調度器，並且Spark可以讀取多種數據源，如HDFS、HBase、MySQL等。
- 容錯性高：Spark引進了彈性分布式數據集RDD (Resilient Distributed Dataset) 的抽象，它是分布在一組節點中的只讀對象集合，這些集合是彈性的，如果數據集一部分丟失，則可以根據“血統”（即充許基於數據衍生過程）對它們進行重建。另外在RDD計算時可以通過CheckPoint來實現容錯，而CheckPoint有兩種方式：CheckPoint Data，和Logging The Updates，用戶可以控制采用哪種方式來實現容錯。
- 適用場景廣泛：大數據分析統計，實時數據處理，圖計算及機器學習。
2）Spark適用場景
- 復雜的批量處理（Batch Data Processing），偏重點在於處理海量數據的能力，至於處理速度可忍受，通常的時間可能是在數十分鍾到數小時。
- 基於歷史數據的交互式查詢（Interactive Query），通常的時間在數十秒到數十分鍾之間。
- 基於實時數據流的數據處理（Streaming Data Processing），通常在數百毫秒到數秒之間。
二、Spark核心組件
- Spark Core：包含Spark的基本功能；尤其是定義RDD的API、操作以及這兩者上的動作。其他Spark的庫都是構建在RDD和Spark Core之上的。
- Spark SQL：提供通過Apache Hive的SQL變體Hive查詢語言（HiveQL）與Spark進行交互的API。每個數據庫表被當做一個RDD，Spark SQL查詢被轉換為Spark操作。Spark提供的sql形式的對接Hive、JDBC、HBase等各種數據渠道的API，用Java開發人員的思想來講就是面向接口、解耦合，ORMapping、Spring Cloud Stream等都是類似的思想。
- Spark Streaming：基於SparkCore實現的可擴展、高吞吐、高可靠性的實時數據流處理。支持從Kafka、Flume等數據源處理后存儲到HDFS、DataBase、Dashboard中。對實時數據流進行處理和控制。Spark Streaming允許程序能夠像普通RDD一樣處理實時數據。
- MLlib：一個常用機器學習算法庫，算法被實現為對RDD的Spark操作。這個庫包含可擴展的學習算法，比如分類、回歸等需要對大量數據集進行迭代的操作。
三、Spark專業術語詳解
1）Application：Spark應用程序
指的是用戶編寫的Spark應用程序，包含了Driver功能代碼和分布在集群中多個節點上運行的Executor代碼。Spark應用程序，由一個或多個作業JOB組成，如下圖所示：
2）Driver：驅動程序
Spark中的Driver即運行上述Application的Main()函數並且創建SparkContext，其中創建SparkContext的目的是為了准備Spark應用程序的運行環境。在Spark中由SparkContext負責和ClusterManager通信，進行資源的申請、任務的分配和監控等；當Executor部分運行完畢后，Driver負責將SparkContext關閉。通常SparkContext代表Driver，如下圖所示：
3）Cluster Manager：資源管理器
指的是在集群上獲取資源的外部服務，常用的有：Standalone，Spark原生的資源管理器，由Master負責資源的分配；Haddop Yarn，由Yarn中的ResearchManager負責資源的分配；Messos，由Messos中的Messos Master負責資源管理。
4）Executor：執行器
Application運行在Worker節點上的一個進程，該進程負責運行Task，並且負責將數據存在內存或者磁盤上，每個Application都有各自獨立的一批Executor，如下圖所示：
5）Worker：計算節點
集群中任何可以運行Application代碼的節點，類似於Yarn中的NodeManager節點。在Standalone模式中指的就是通過Slave文件配置的Worker節點，在Spark on Yarn模式中指的就是NodeManager節點，在Spark on Messos模式中指的就是Messos Slave節點，如下圖所示：
6）RDD：彈性分布式數據集
Resillient Distributed Dataset，Spark的基本計算單元，可以通過一系列算子進行操作（主要有Transformation和Action操作），如下圖所示：
7）窄依賴
父RDD每一個分區最多被一個子RDD的分區所用；表現為一個父RDD的分區對應於一個子RDD的分區，或兩個父RDD的分區對應於一個子RDD 的分區。如圖所示：
8）寬依賴
父RDD的每個分區都可能被多個子RDD分區所使用，子RDD分區通常對應所有的父RDD分區。如圖所示：
- 常見的窄依賴有：map、filter、union、mapPartitions、mapValues、join（父RDD是hash-partitioned ：如果JoinAPI之前被調用的RDD API是寬依賴(存在shuffle), 而且兩個join的RDD的分區數量一致，join結果的rdd分區數量也一樣，這個時候join api是窄依賴）。
- 常見的寬依賴有groupByKey、partitionBy、reduceByKey、join（父RDD不是hash-partitioned ：除此之外的，rdd 的join api是寬依賴）。
9）DAG：有向無環圖
Directed Acycle graph，反應RDD之間的依賴關系，如圖所示：
10）DAGScheduler：有向無環圖調度器
基於DAG划分Stage 並以TaskSet的形勢提交Stage給TaskScheduler；負責將作業拆分成不同階段的具有依賴關系的多批任務；最重要的任務之一就是：計算作業和任務的依賴關系，制定調度邏輯。在SparkContext初始化的過程中被實例化，一個SparkContext對應創建一個DAGScheduler。如圖所示：
11）TaskScheduler：任務調度器
將Taskset提交給worker（集群）運行並回報結果；負責每個具體任務的實際物理調度。如圖所示：
12）Job：作業
由一個或多個調度階段所組成的一次計算作業；包含多個Task組成的並行計算，往往由Spark Action催生，一個JOB包含多個RDD及作用於相應RDD上的各種Operation。如圖所示：
13）Stage：調度階段
一個任務集對應的調度階段；每個Job會被拆分很多組Task，每組任務被稱為Stage，也可稱TaskSet，一個作業分為多個階段；Stage分成兩種類型ShuffleMapStage、ResultStage。如圖所示：
14）TaskSet：任務集
由一組關聯的，但相互之間沒有Shuffle依賴關系的任務所組成的任務集。如圖所示：
15）Task：任務
被送到某個Executor上的工作任務；單個分區數據集上的最小處理流程單元。如圖所示：
總體如圖所示：
四、Spark運行基本流程
計算流程：
七，Spark支持的資源管理器
Spark與資源管理器無關，只要能夠獲取executor進程，並能保持相互通信就可以了，Spark支持資源管理器包含： Standalone（Spark）、On Mesos、On YARN、Or On K8S，當然還有local模式。
| 模式 | 含義 |
|---|---|
| local | 在本地運行，只有一個工作進程，無並行計算能力 |
| local[K] | 在本地運行，有 K 個工作進程，通常設置 K 為機器的CPU 核心數量 |
| local[*] | 在本地運行，工作進程數量等於機器的 CPU 核心數量。 |
| spark://HOST:PORT | 以 Standalone 模式運行，這是 Spark 自身提供的集群運行模式，默認端口號: 7077 |
| mesos://HOST:PORT | 在 Mesos 集群上運行，Driver 進程和 Worker 進程運行在 Mesos 集群上，部署模式必須使用固定值:--deploy-mode cluster |
| yarn | 在yarn集群上運行，依賴於hadoop集群，yarn資源調度框架，將應用提交給yarn，在ApplactionMaster（相當於Stand alone模式中的Master）中運行driver，在集群上調度資源，開啟excutor執行任務。 |
| k8s | 在k8s集群上運行 |
七、Spark環境搭建（Spark on Yarn）
1）下載
Spark下載地址：http://spark.apache.org/downloads.html
這里需要注意版本，我的hadoop版本是3.3.1，這里spark就下載最新版本的3.2.0，而Spark3.2.0依賴的Scala的2.13，所以后面用到Scala編程時注意Scala的版本。
$ cd /opt/bigdata/hadoop/software
# 下載
$ wget https://dlcdn.apache.org/spark/spark-3.2.0/spark-3.2.0-bin-hadoop3.2.tgz
# 解壓
$ tar -zxvf spark-3.2.0-bin-hadoop3.2.tgz -C /opt/bigdata/hadoop/server/
2）修改配置文件
# 進入spark配置目錄
$ cd /opt/bigdata/hadoop/server/spark-3.2.0-bin-hadoop3.2/conf
# copy 一個模板配置
$ cp spark-env.sh.template spark-env.sh
在spark-env.sh下加入如下配置
# Hadoop 的配置文件目錄
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
# YARN 的配置文件目錄
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop
# SPARK 的目錄
export SPARK_HOME=/opt/bigdata/hadoop/server/spark-3.2.0-bin-hadoop3.2
# SPARK 執行文件目錄
export PATH=$SPARK_HOME/bin:$PATH
復制/opt/bigdata/hadoop/server/spark-3.2.0-bin-hadoop3.2 到其它節點
$ scp -r /opt/bigdata/hadoop/server/spark-3.2.0-bin-hadoop3.2 hadoop-node2:/opt/bigdata/hadoop/server/
$ scp -r /opt/bigdata/hadoop/server/spark-3.2.0-bin-hadoop3.2 hadoop-node3:/opt/bigdata/hadoop/server/
3）配置環境變量
在/etc/profile文件中追加如下內容：
export SPARK_HOME=/opt/bigdata/hadoop/server/spark-3.2.0-bin-hadoop3.2
export PATH=$SPARK_HOME/bin:$PATH
source 加載生效
$ source /etc/profile
4）運行SparkPi（圓周率） 測試驗證
spark-submit 詳細參數說明
| 參數名 | 參數說明 |
|---|---|
| --master | master 的地址，提交任務到哪里執行，例如 spark://host:port, yarn, local |
| --deploy-mode | 在本地 (client) 啟動 driver 或在 cluster 上啟動，默認是 client |
| --class | 應用程序的主類，僅針對 java 或 scala 應用 |
| --name | 應用程序的名稱 |
| --jars | 用逗號分隔的本地 jar 包，設置后，這些 jar 將包含在 driver 和 executor 的 classpath 下 |
| --packages | 包含在driver 和executor 的 classpath 中的 jar 的 maven 坐標 |
| --exclude-packages | 為了避免沖突 而指定不包含的 package |
| --repositories | 遠程 repository |
| --conf PROP=VALUE | 指定 spark 配置屬性的值， 例如 -conf spark.executor.extraJavaOptions="-XX:MaxPermSize=256m" |
| --properties-file | 加載的配置文件，默認為 conf/spark-defaults.conf |
| --driver-memory | Driver內存，默認 1G |
| --driver-java-options | 傳給 driver 的額外的 Java 選項 |
| --driver-library-path | 傳給 driver 的額外的庫路徑 |
| --driver-class-path | 傳給 driver 的額外的類路徑 |
| --driver-cores | Driver 的核數，默認是1。在 yarn 或者 standalone 下使用 |
| --executor-memory | 每個 executor 的內存，默認是1G |
| --total-executor-cores | 所有 executor 總共的核數。僅僅在 mesos 或者 standalone 下使用 |
| --num-executors | 啟動的 executor 數量。默認為2。在 yarn 下使用 |
| --executor-core | 每個 executor 的核數。在yarn或者standalone下使用 |
spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
--driver-memory 1G \
--num-executors 3 \
--executor-memory 1G \
--executor-cores 1 \
/opt/bigdata/hadoop/server/spark-3.2.0-bin-hadoop3.2/examples/jars/spark-examples_2.12-3.2.0.jar 100
如果看到控制台出現這個，說明運行成功。
查看yarn任務
查看任務日志
【注意】默認情況下，Hadoop歷史服務historyserver是沒有啟動的，我們可以通過下面的命令來啟動Hadoop歷史服務器。查看日志依賴於historyserver服務
#啟動JobHistoryServer服務
$ mapred --daemon start historyserver
#查看進程
$ jps
#停止JobHistoryServer服務
$ mapred --daemon stop historyserver
至此已經完成的Spark on Yarn 的環境搭建，並通過測試SparkPi的運行成功了。