Spark入门及安装与配置

23decxf

以下是老男孩教育编写的大数据资料，转载请注明出处：http://www.oldboyedu.com
　　Hadoop
　　Hadoop是分布式计算引擎，含有四大模块，common、hdfs、mapreduce和yarn。
　　并发和并行
　　并发通常指针对单个节点的应对多个请求的能力，是单一节点上计算能力的衡量，并行通常针对集群来讲，是利用多个节点进行分布式协同作业，我们称之为并行计算。
　　Spark
　　快如闪电集群计算引擎，应用于大规模数据处理快速通用引擎，使用内存计算。
　　1.Speed
　　内存计算速度是hadoop的100倍以上，硬盘计算是Hadoop是10倍以上，Spark使用高级DAG(Direct acycle graph)执行引擎。
　　2.易于使用
　　提供了80+高级算子，能够轻松构建并行应用，也可以使用scala，python，r的shell进行交互式操作。
　　3.通用性
　　对SQL、流计算、复杂分析可进行组合应用。spark提供了类库栈，包括SQL、MLlib、graphx和Spark streaming。
　　4.架构
　　包括： Spark core、 Spark SQL、 Spark streaming、 Spark mllib和 Spark graphx
　　5. 到处运行
　　Spark可以运行在hadoop、mesos、standalone和clound上，同时可以访问多种数据源，如hdfs、hbase、hive、Cassandra、 S3等。
　　spark集群部署模式
　　1.local
　　不需要启动任何Spark进程，使用一个JVM运行Spark所有组件，主要用于调试和测试。
　　2.standalone
　　独立模式，需要安装Spark集群，分别启动master节点和worker节点，master是管理节点，worker是task的执行节点。
　　3.yarn
　　不需要单独部署Spark集群，可以说根本没有Spark集群的概念。
　　该模式下，使用的完全是Hadoop的Job执行流程，只是到末端启动任务时使用Spark的Task执行发生，相当于Spark是一个Hadoop的Job，将Spark的所有jar包打入job运行的依赖包中，流程按照hadoop的执行流程来进行。
　　安装spark
　　1.下载spark-2.1.0-bin-hadoop2.7.tgz
　　以下是Spark的官方下载地址：
　　https://www.apache.org/dyn/closer.lua/spark/spark-2.3.0/spark-2.3.0-bin-hadoop2.7.tgz
　　2.解压文件到/soft目录下
　　$>tar -xzvf spark-2.3.0-bin-hadoop2.7.tgz -C /soft
　　3.创建软连接
　　创建软连接后，编译各种文件配置以及后期进行版本升级和替换非常方便。
　　$>cd /soft
　　$>ln -s spark-2.3.0-bin-hadoop2.7 spark
　　4.配置环境变量
　　编辑/etc/profile环境变量文件：
　　$>sudo nano /etc/profile
　　在文件末尾添加如下内容：
　　...
　　SPARK_HOME=/soft/spark
　　PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
　　注意：将Spark的bin目录和sbin目录都添加到环境变量path中，而且Linux使用“:”作为分隔符。
　　5.环境变量生效
　　$>source /etc/profile
　　6.进入Spark-shell命令行
　　$>/soft/spark/spark-shell
　　#进入scala命令提示符
　　$scala>
　　7.体验Spark-shell
　　因为Spark使用的scala语言，因此同Scala的使用完全一致。
　　$scala>1 + 1
　　#输出结果