spark入门知识和job任务提交流程

spark是Apache开源社区的一个分布式计算引擎，基于内存计算，所以速度要快于hadoop.

下载

1. 地址spark.apache.org

安装

1. 复制一台单独的虚拟机，名c

2. 修改其ip，192.168.56.200

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

4. 修改/etc/hosts加入对本机的解析

5. 重启网络服务 systemctl restart network

6. 上传spark安装文件到root目录

7. 解压spark到/usr/local下，将其名字修改为spark

本地运行模式

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进行交互式提交

1. 创建root下的文本文件hello.txt

2. ./bin/spark-shell

3. 再次连接一个terminal，用jps观察进程，会看到spark-submit进程

4. sc

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

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

7. lineRDD.foreach(println)

8. 观察网页端情况

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. 观察结果

19. 简便写法：sc.textFile("/root/hello.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).sortByKey().collect

使用local模式访问hdfs数据

1. start-dfs.sh

2. spark-shell执行：sc.textFile("hdfs://192.168.56.100:9000/hello.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).sortByKey().collect （可以把ip换成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上解压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. 复制spark-env.sh到每一台slave

5. cd /usr/local/spark

6. ./sbin/start-all.sh

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

8. 观察http://master:8080

spark on yarn模式