Spark简介以及最详细安装教程

刺骨的言语ヽ痛彻心扉 2023-03-02 10:47 113阅读 0赞

首先来聊聊什么是Spark?为什么现在那么多人都用Spark?

## Spark简介： ##

Spark是一种通用的大数据计算框架,是基于RDD(弹性分布式数据集)的一种计算模型。那到底是什么呢？可能很多人还不是太理解，通俗讲就是可以分布式处理大量集数据的，将大量集数据先拆分，分别进行计算，然后再将计算后的结果进行合并。

## 为什么使用Spark ##

Spark，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是——Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，而且比MapReduce平均快10倍以上的计算速度；因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。

Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 Scala 可以像操作本地集合对象一样轻松地操作分布式数据集。

## Spark优势 ##

1.  速度快  
    ■基于内存数据处理， 比MR快100个数量级以上(逻辑回归算法测试)  
    ■基于硬盘数据处理，比MR快10个数量级以上
2.  易用性  
    ■支持Java、 Scala、 Python、 R语言  
    ■交互式shell方便开发测试
3.  通用性  
    ■一栈式解决方案:批处理、交互式查询、实时流处理、图计算及机器学习  
    ■多种运行模式  
    ■YARN、 Mesos、 EC2、 Kubernetes、 Standalone(独立模式)、 Local(本地模式)

## Spark技术 ##

1.  Spark Core  
    ■核心组件，分布式计算引擎
2.  SparkSQL  
    ■高性能的基于Hadoop的SQL解决方案
3.  Spark Streaming  
    ■可以实现高吞吐量、具备容错机制的准实时流处理系统
4.  Spark GraphX  
    ■分布式图处理框架
5.  Spark MLlib  
    ■构建在Spark\_上的分布式机器学习库

## 架构核心组件 ##

1.**Application**  
说明：  
建立在Spark.上的用户程序，包括Driver代码和运行在集群各节点Executor中的代码

2.**Driver program**  
说明：  
驱动程序，Application中的main函数并创建SparkContext

3.**Cluster Manager**  
说明：  
在集群(Standalone、 Mesos、YARN) . 上获取资源的外部服务

4.**Worker Node**  
说明：  
集群中任何可以运行Application代码的节点

5.**Executor**  
说明：  
某个Application运行在worker节点上的一个进程 就像jdk的运行环境

6.**Task**  
说明：  
被送到某个Executor上的工作单元

7.**Job**  
说明：  
包含多个Task组成的并行计算，往往由Spark Action触发生成，一个Application中往往会产生多个Job

8.**Stage**  
说明：  
每个Job会被拆分成多组Task,作为一个TaskSet, 其名称为Stage 有一个或多个task任务

## 安装与配置 ##

我们要安装Spark，首先需要到Saprk官网去下载对应的安装包，Spark官网：**http://spark.apache.org/downloads.html**

第一步点击我下图中标记的红框框住的蓝色链接部分即可

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwMTc4MzQ5OTQwNzE_size_16_color_FFFFFF_t_70][]

下载好安装包后，直接拖到linux系统下的opt目录下进行解压  
**tar -zxf spark-2.4.0-bin-hadoop2.7.tgz**

解压后在opt目录下创建子目录soft并把解压后的文件夹重新命名放入其中  
**mv spark-2.4.0-bin-hadoop2.7 soft/spark240**

在conf里配置slaves 和 spark-env.sh  
首先把文件名spark-env.sh.template 改成spark-env.sh并修改内容  
**cp spark-env.sh.template spark-env.sh**  
**vi spark-env.sh**  
添加以下内容在文件最后：

export SPARK_MASTER_HOST=192.168.5.150
    
    
    export SPARK_MASTER_PORT=7077 
    
    
    export SPARK_WORKER_CORES=2
    
    
    export SPARK_WORKER_MEMORY=3g 
    
    
    export SPARK_MASTER_WEBUI_PORT=8888

把文件名slaves.template改成slaves  
**cp slaves.template slaves**  
**vi slaves**  
默认slaves现在就主机一台  
由于配的是单机，不是集群，所以不用Slaves(配置worker从机节点)，就是localhost，不用改设置

到spark-config.sh配置jdk环境变量  
**cd /opt/soft/spark240/sbin**  
**vi spark-config.sh**  
添加jdk路径在文件最后：

**export JAVA\_HOME=/opt/soft/jdk180**

#### 启动spark ####

到主节点spark的sbin下运行

**cd /opt/soft/spark240/sbin**

启动命令  
**./start-all.sh**

jps 查看到多出一个Master，worker进程

jps
    2281 DataNode
    2451 SecondaryNameNode
    1848 Master
    2617 ResourceManager
    2149 NameNode
    1934 Worker
    2532 NodeManager
    2904 Jps

说明已经启动成功！  
在bin目录下进入shell操作界面

**cd …/bin/**  
**./spark-shell**  
当出现有spark的英文图像时，表示已经进入操作界面可以进行操作了！如下图所示：  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwMTc4MzQ5OTQwNzE_size_16_color_FFFFFF_t_70 1][]

后续还会有更多关于spark的干货，记得关注小编！

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwMTc4MzQ5OTQwNzE_size_16_color_FFFFFF_t_70]: /images/20230208/385ac5535cbe490c9c9990ee78cbbd05.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwMTc4MzQ5OTQwNzE_size_16_color_FFFFFF_t_70 1]: /images/20230208/7d28cd3d80f3428e862a8292e40535f3.png