怎么進行Spark WC開發與應用部署的分析

本篇文章給大家分享的是有關怎么進行Spark WC開發與應用部署的分析，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

Spark WordCount開發

創建的是maven工程，使用的依賴如下：

<dependency>
    <groupId>org.scala-lang</groupId>
    <artifactId>scala-library</artifactId>
    <version>2.10.5</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.10</artifactId>
    <version>1.6.2</version>
</dependency>

spark wc之Java版本

package cn.xpleaf.bigdata.spark.java.core.p1;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;
import scala.Tuple2;

import java.util.Arrays;

/**
 * spark Core 開發
 *
 * 基于Java
 * 計算國際慣例
 *
 * Spark程序的入口：
 *      SparkContext
 *          Java：JavaSparkContext
 *          scala：SparkContext
 *
 * D:/data\spark\hello.txt
 *
 * spark RDD的操作分為兩種，第一為Transformation，第二為Action
 * 我們將Transformation稱作轉換算子，Action稱作Action算子
 * Transformation算子常見的有：map flatMap reduceByKey groupByKey filter...
 * Action常見的有：foreach collect count save等等
 *
 * Transformation算子是懶加載的，其執行需要Action算子的觸發
 * （可以參考下面的代碼，只要foreach不執行，即使中間RDD的操作函數有異常也不會報錯，因為其只是加載到內存中，并沒有真正執行）
 */
public class _01SparkWordCountOps {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf();
        conf.setAppName(_01SparkWordCountOps.class.getSimpleName());
        /**
         * sparkConf中設置的master選擇，
         * local
         *      local
         *          spark作業在本地執行，為該spark作業分配一個工作線程
         *      local[N]
         *          spark作業在本地執行，為該spark作業分配N個工作線程
         *      local[*]
         *          spark作業在本地執行，根據機器的硬件資源，為spark分配適合的工作線程，一般也就2個
         *      local[N, M]
         *          local[N, M]和上面最大的區別就是，當spark作業啟動或者提交失敗之后，可以有M次重試的機會，上面幾種沒有
         * standalone模式：
         *      就是spark集群中master的地址，spark://uplooking01:7077
         * yarn
         *      yarn-cluster
         *          基于yarn的集群模式，sparkContext的構建和作業的運行都在yarn集群中執行
         *      yarn-client
         *          基于yarn的client模式，sparkContext的構建在本地，作業的運行在集群
         *
         * mesos
         *      mesos-cluster
         *      mesos-client
         */
        String master = "local[*]";
        conf.setMaster(master);
        JavaSparkContext jsc = new JavaSparkContext(conf);
        Integer defaultParallelism = jsc.defaultParallelism();
        System.out.println("defaultParallelism=" + defaultParallelism);
        /**
         * 下面的操作代碼，其實就是spark中RDD的DAG圖
         */
        JavaRDD<String> linesRDD = jsc.textFile("D:/data/spark/hello.txt");
        System.out.println("linesRDD's partition size is: " + linesRDD.partitions().size());
        JavaRDD<String> wordsRDD = linesRDD.flatMap(new FlatMapFunction<String, String>() {
            @Override
            public Iterable<String> call(String line) throws Exception {
                // int i = 1 / 0;  // 用以驗證Transformation算子的懶加載
                return Arrays.asList(line.split(" "));
            }
        });
        JavaPairRDD<String, Integer> pairRDD = wordsRDD.mapToPair(new PairFunction<String, String, Integer>() {
            @Override
            public Tuple2<String, Integer> call(String word) throws Exception {
                return new Tuple2<String, Integer>(word, 1);
            }
        });
        JavaPairRDD<String, Integer> retRDD = pairRDD.reduceByKey(new Function2<Integer, Integer, Integer>() {
            @Override
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1 + v2;
            }
        });
        System.out.println("retRDD's partition size is: " + retRDD.partitions().size());
        retRDD.foreach(new VoidFunction<Tuple2<String, Integer>>() {
            @Override
            public void call(Tuple2<String, Integer> tuple) throws Exception {
                System.out.println(tuple._1 + "---" + tuple._2);
            }
        });
        jsc.close();
    }
}

本地執行，輸出結果如下：

defaultParallelism=20
......
linesRDD's partition size is: 2
retRDD's partition size is: 2
......
hello---3
you---1
me---1
he---1

spark wc之Java lambda版本

package cn.xpleaf.bigdata.spark.java.core.p1;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;
import scala.Tuple2;

import java.util.Arrays;

/**
 * spark Core 開發
 *
 * 基于Java
 * 計算國際慣例
 *
 * Spark程序的入口：
 *      SparkContext
 *          Java：JavaSparkContext
 *          scala：SparkContext
 *
 * D:/data\spark\hello.txt
 *
 * lambda表達式的版本
 */
public class _02SparkWordCountOps {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf();
        conf.setAppName(_02SparkWordCountOps.class.getSimpleName());
        String master = "local";
        conf.setMaster(master);
        JavaSparkContext jsc = new JavaSparkContext(conf);
        /**
         * 下面的操作代碼，其實就是spark中RDD的DAG圖
         * 現在使用lambda表達式，更加簡單清晰
         */
        JavaRDD<String> linesRDD = jsc.textFile("D:/data/spark/hello.txt");
        JavaRDD<String> wordsRDD = linesRDD.flatMap(line -> {return Arrays.asList(line.split(" "));});
        JavaPairRDD<String, Integer> pairRDD = wordsRDD.mapToPair(word -> {return new Tuple2<String, Integer>(word, 1);});
        JavaPairRDD<String, Integer> retRDD = pairRDD.reduceByKey((v1, v2) -> {return v1 + v2;});
        retRDD.foreach(tuple -> {
            System.out.println(tuple._1 + "---" + tuple._2);
        });
        jsc.close();
    }
}

本地執行，輸出結果如下：

you---1
he---1
hello---3
me---1

spark wc之scala版本

package cn.xpleaf.bigdata.spark.scala.core.p1

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

/**
  * 基于Scala的WordCount統計
  *
  * java.net.UnknownHostException: ns1
  *
  * spark系統不認識ns1
  * 在spark的配置文件spark-defaults.conf中添加：
  *     spark.files /home/uplooking/app/hadoop/etc/hadoop/hdfs-site.xml,/home/uplooking/app/hadoop/etc/hadoop/core-site.xml
  */
object _01SparkWordCountOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf()
            .setAppName(s"${_01SparkWordCountOps.getClass().getSimpleName}")
            .setMaster("local")
        val sc = new SparkContext(conf)

        val linesRDD:RDD[String] = sc.textFile("D:/data/spark/hello.txt")
        /*val wordsRDD:RDD[String] = linesRDD.flatMap(line => line.split(" "))
        val parsRDD:RDD[(String, Int)] = wordsRDD.map(word => new Tuple2[String, Int](word, 1))
        val retRDD:RDD[(String, Int)] = parsRDD.reduceByKey((v1, v2) => v1 + v2)
        retRDD.collect().foreach(t => println(t._1 + "..." + t._2))*/

        // 更簡潔的方式
        linesRDD.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).collect().foreach(t => println(t._1 + "..." + t._2))
        sc.stop()
    }
}

本地執行，輸出結果如下：

you...1
he...1
hello...3
me...1

應用部署

部署說明

上面的方式其實都是本地執行的，可以把我們的應用部署到Spark集群或Yarn集群上，前面的代碼注釋也有提到這一點，就是關于Spark作業執行的問題：

/**
 * sparkConf中設置的master選擇，
 * local
 *      local
 *          spark作業在本地執行，為該spark作業分配一個工作線程
 *      local[N]
 *          spark作業在本地執行，為該spark作業分配N個工作線程
 *      local[*]
 *          spark作業在本地執行，根據機器的硬件資源，為spark分配適合的工作線程，一般也就2個
 *      local[N, M]
 *          local[N, M]和上面最大的區別就是，當spark作業啟動或者提交失敗之后，可以有M次重試的機會，上面幾種沒有
 * standalone模式：
 *      就是spark集群中master的地址，spark://uplooking01:7077
 * yarn
 *      yarn-cluster
 *          基于yarn的集群模式，sparkContext的構建和作業的運行都在yarn集群中執行
 *      yarn-client
 *          基于yarn的client模式，sparkContext的構建在本地，作業的運行在集群
 *
 * mesos
 *      mesos-cluster
 *      mesos-client
 */

local的多種情況可以自己測試一下。

這里只測試部署standalone和yarn-cluster兩種模式，實際上yarn-client也測試了，不過報異常，沒去折騰。注意用的是Scala的代碼。

其實很顯然，這里使用的是Spark離線計算的功能（Spark Core）。

程序打包

將前面的scala版本的代碼修改為如下：

package cn.xpleaf.bigdata.spark.scala.core.p1

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

/**
  * 基于Scala的WordCount統計
  *
  * java.net.UnknownHostException: ns1
  *
  * spark系統不認識ns1
  * 在spark的配置文件spark-defaults.conf中添加：
  *     spark.files /home/uplooking/app/hadoop/etc/hadoop/hdfs-site.xml,/home/uplooking/app/hadoop/etc/hadoop/core-site.xml
  */
object _01SparkWordCountOps {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf()
            .setAppName(s"${_01SparkWordCountOps.getClass().getSimpleName}")
            //.setMaster("local")
        val sc = new SparkContext(conf)

        val linesRDD:RDD[String] = sc.textFile("hdfs://ns1/hello")
        /*val wordsRDD:RDD[String] = linesRDD.flatMap(line => line.split(" "))
        val parsRDD:RDD[(String, Int)] = wordsRDD.map(word => new Tuple2[String, Int](word, 1))
        val retRDD:RDD[(String, Int)] = parsRDD.reduceByKey((v1, v2) => v1 + v2)
        retRDD.collect().foreach(t => println(t._1 + "..." + t._2))*/

        // 更簡潔的方式
        linesRDD.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).collect().foreach(t => println(t._1 + "..." + t._2))
        // collect不是必須要加的，但是如果在standalone的運行模式下，不加就看不到控制臺的輸出
        // 而在yarn運行模式下，是看不到輸出的
        sc.stop()
    }
}

主要是做了兩處的修改，一是注釋掉setMaster("local")，因為現在不是本地跑了，另外是數據來源，選擇的是HDFS上的數據文件。

需要注意的是，要想讓Spark集群認識ns1（我的Hadoop集群是HA部署方式），其實有兩種方式，一種設置環境變量HADOOP_CONF_DIR，但我測試的時候不生效，依然是無法識別ns1；另外一種是需要在Spark的配置文件spark-defaults.conf中添加spark.files /home/uplooking/app/hadoop/etc/hadoop/hdfs-site.xml,/home/uplooking/app/hadoop/etc/hadoop/core-site.xml，即指定Hadoop的配置文件地址，Hadoop HA的配置，就是在這兩個文件中進行的配置。我采用第二種方式有效。

上面準備工作完成后就可以將程序打包了，使用普通的打包或者maven打包都可以，注意不需要將依賴一起打包，因為我們的Spark集群環境中已經存在這些依賴了。

部署到Spark集群上

關于應用的部署，準確來說是submit，官方文檔有很詳細的說明，可以參考：http://spark.apache.org/docs/latest/submitting-applications.html

先編寫下面一個腳本：

[uplooking@uplooking01 spark]$ cat spark-submit-standalone.sh 
#export HADOOP_CONF_DIR=/home/uplooking/app/hadoop/etc/hadoop

/home/uplooking/app/spark/bin/spark-submit \
--class $2 \
--master spark://uplooking01:7077 \
--executor-memory 1G \
--num-executors 1 \
$1 \

然后執行下面的命令：

[uplooking@uplooking01 spark]$ ./spark-submit-standalone.sh spark-wc.jar cn.xpleaf.bigdata.spark.scala.core.p1._01SparkWordCountOps

因為在程序代碼中已經添加了collect Action算子，所以運行成功后可以直接在控制臺中看到輸出結果：

hello...3
me...1
you...1
he...1

然后也可以在spark提供的UI界面中看到其提交的作業以及執行結果：

部署到Yarn集群上

先編寫下面一個腳本：

[uplooking@uplooking01 spark]$ cat spark-submit-yarn.sh 
#export HADOOP_CONF_DIR=/home/uplooking/app/hadoop/etc/hadoop

/home/uplooking/app/spark/bin/spark-submit \
--class $2 \
--master yarn \
--deploy-mode cluster \
--executor-memory 1G \
--num-executors 1 \
$1 \

執行如下命令：

[uplooking@uplooking01 spark]$ ./spark-submit-yarn.sh spark-wc.jar cn.xpleaf.bigdata.spark.scala.core.p1._01SparkWordCountOps      
18/04/25 17:47:39 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
18/04/25 17:47:39 INFO yarn.Client: Requesting a new application from cluster with 2 NodeManagers
18/04/25 17:47:39 INFO yarn.Client: Verifying our application has not requested more than the maximum memory capability of the cluster (8192 MB per container)
18/04/25 17:47:39 INFO yarn.Client: Will allocate AM container, with 1408 MB memory including 384 MB overhead
18/04/25 17:47:39 INFO yarn.Client: Setting up container launch context for our AM
18/04/25 17:47:39 INFO yarn.Client: Setting up the launch environment for our AM container
18/04/25 17:47:39 INFO yarn.Client: Preparing resources for our AM container
18/04/25 17:47:40 INFO yarn.Client: Uploading resource file:/home/uplooking/app/spark/lib/spark-assembly-1.6.2-hadoop2.6.0.jar -> hdfs://ns1/user/uplooking/.sparkStaging/application_1524552224611_0005/spark-assembly-1.6.2-hadoop2.6.0.jar
18/04/25 17:47:42 INFO yarn.Client: Uploading resource file:/home/uplooking/jars/spark/spark-wc.jar -> hdfs://ns1/user/uplooking/.sparkStaging/application_1524552224611_0005/spark-wc.jar
18/04/25 17:47:42 INFO yarn.Client: Uploading resource file:/tmp/spark-ae34fa23-5166-4fd3-a4ec-8e5115691801/__spark_conf__6834084285342234312.zip -> hdfs://ns1/user/uplooking/.sparkStaging/application_1524552224611_0005/__spark_conf__6834084285342234312.zip
18/04/25 17:47:43 INFO spark.SecurityManager: Changing view acls to: uplooking
18/04/25 17:47:43 INFO spark.SecurityManager: Changing modify acls to: uplooking
18/04/25 17:47:43 INFO spark.SecurityManager: SecurityManager: authentication disabled; ui acls disabled; users with view permissions: Set(uplooking); users with modify permissions: Set(uplooking)
18/04/25 17:47:43 INFO yarn.Client: Submitting application 5 to ResourceManager
18/04/25 17:47:43 INFO impl.YarnClientImpl: Submitted application application_1524552224611_0005
18/04/25 17:47:44 INFO yarn.Client: Application report for application_1524552224611_0005 (state: ACCEPTED)
18/04/25 17:47:44 INFO yarn.Client: 
         client token: N/A
         diagnostics: N/A
         ApplicationMaster host: N/A
         ApplicationMaster RPC port: -1
         queue: default
         start time: 1524649663869
         final status: UNDEFINED
         tracking URL: http://uplooking02:8088/proxy/application_1524552224611_0005/
         user: uplooking
18/04/25 17:47:45 INFO yarn.Client: Application report for application_1524552224611_0005 (state: ACCEPTED)
18/04/25 17:47:46 INFO yarn.Client: Application report for application_1524552224611_0005 (state: ACCEPTED)
18/04/25 17:47:47 INFO yarn.Client: Application report for application_1524552224611_0005 (state: ACCEPTED)
18/04/25 17:47:48 INFO yarn.Client: Application report for application_1524552224611_0005 (state: ACCEPTED)
18/04/25 17:47:49 INFO yarn.Client: Application report for application_1524552224611_0005 (state: ACCEPTED)
18/04/25 17:47:50 INFO yarn.Client: Application report for application_1524552224611_0005 (state: ACCEPTED)
18/04/25 17:47:51 INFO yarn.Client: Application report for application_1524552224611_0005 (state: RUNNING)
18/04/25 17:47:51 INFO yarn.Client: 
         client token: N/A
         diagnostics: N/A
         ApplicationMaster host: 192.168.43.103
         ApplicationMaster RPC port: 0
         queue: default
         start time: 1524649663869
         final status: UNDEFINED
         tracking URL: http://uplooking02:8088/proxy/application_1524552224611_0005/
         user: uplooking
18/04/25 17:47:52 INFO yarn.Client: Application report for application_1524552224611_0005 (state: RUNNING)
18/04/25 17:47:53 INFO yarn.Client: Application report for application_1524552224611_0005 (state: RUNNING)
18/04/25 17:47:54 INFO yarn.Client: Application report for application_1524552224611_0005 (state: RUNNING)
18/04/25 17:47:55 INFO yarn.Client: Application report for application_1524552224611_0005 (state: RUNNING)
18/04/25 17:47:56 INFO yarn.Client: Application report for application_1524552224611_0005 (state: RUNNING)
18/04/25 17:47:57 INFO yarn.Client: Application report for application_1524552224611_0005 (state: RUNNING)
18/04/25 17:47:58 INFO yarn.Client: Application report for application_1524552224611_0005 (state: RUNNING)
18/04/25 17:47:59 INFO yarn.Client: Application report for application_1524552224611_0005 (state: FINISHED)
18/04/25 17:47:59 INFO yarn.Client: 
         client token: N/A
         diagnostics: N/A
         ApplicationMaster host: 192.168.43.103
         ApplicationMaster RPC port: 0
         queue: default
         start time: 1524649663869
         final status: SUCCEEDED
         tracking URL: http://uplooking02:8088/proxy/application_1524552224611_0005/
         user: uplooking
18/04/25 17:47:59 INFO util.ShutdownHookManager: Shutdown hook called
18/04/25 17:47:59 INFO util.ShutdownHookManager: Deleting directory /tmp/spark-ae34fa23-5166-4fd3-a4ec-8e5115691801

可以通過yarn提供的Web界面來查看其提交的作業情況：

但是找了日志也沒有找到輸出的統計結果，所以這種情況下，數據結果的落地就不應該只是輸出而已了，可以考慮其它的持久化存儲。

總體而言，對比MapReduce，僅僅從Spark Core來看，速度真的是有非常大的提高。

關于wc執行過程的說明

參考下面的圖示：

然后，下面是我跑的一個wordcount任務，在spark history server中查看其詳細信息，就很容易理解上面所說的stage劃分、寬依賴、窄依賴，相信會有一個相對比較清晰的認識：

以上就是怎么進行Spark WC開發與應用部署的分析，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。