spark入門知識和job任務提交流程

spark是Apache開源社區的一個分布式計算引擎，基于內存計算，所以速度要快于hadoop.

下載

1. 地址spark.apache.org

安裝

1. 復制一臺單獨的虛擬機，名c

2. 修改其ip，192.168.56.200

3. 修改其hostname為c，hostnamectl set-hostname c

4. 修改/etc/hosts加入對本機的解析

5. 重啟網絡服務 systemctl restart network

6. 上傳spark安裝文件到root目錄

7. 解壓spark到/usr/local下，將其名字修改為spark

本地運行模式

使用spark-submit提交job

1. cd /usr/local/spark

2. ./bin/spark-submit --class org.apache.spark.examples.SparkPi ./examples/jars/spark-examples_2.11-2.1.0.jar 10000

使用spark-shell進行交互式提交

1. 創建root下的文本文件hello.txt

2. ./bin/spark-shell

3. 再次連接一個terminal，用jps觀察進程，會看到spark-submit進程

4. sc

5. sc.textFile("/root/hello.txt")

6. val lineRDD = sc.textFile("/root/hello.txt")

7. lineRDD.foreach(println)

8. 觀察網頁端情況

9. val wordRDD = lineRDD.flatMap(line => line.split(" "))

10. wordRDD.collect

11. val wordCountRDD = wordRDD.map(word => (word,1))

12. wordCountRDD.collect

13. val resultRDD = wordCountRDD.reduceByKey((x,y)=>x+y)

14. resultRDD.collect

15. val orderedRDD = resultRDD.sortByKey(false)

16. orderedRDD.collect

17. orderedRDD.saveAsTextFile("/root/result")

18. 觀察結果

19. 簡便寫法：sc.textFile("/root/hello.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).sortByKey().collect

使用local模式訪問hdfs數據

1. start-dfs.sh

2. spark-shell執行：sc.textFile("hdfs://192.168.56.100:9000/hello.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).sortByKey().collect （可以把ip換成master，修改/etc/hosts）

3. sc.textFile("hdfs://192.168.56.100:9000/hello.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).sortByKey().saveAsTextFile("hdfs://192.168.56.100:9000/output1")

spark standalone模式

1. 在master和所有slave上解壓spark

2. 修改master上conf/slaves文件，加入slave

3. 修改conf/spark-env.sh，export SPARK_MASTER_HOST=master

4. 復制spark-env.sh到每一臺slave

5. cd /usr/local/spark

6. ./sbin/start-all.sh

7. 在c上執行：./bin/spark-shell --master spark://192.168.56.100:7077 (也可以使用配置文件)

8. 觀察http://master:8080

spark on yarn模式