Spark入门及安装与配置

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