为某企业做的培训,完整文档见:http://gudaoxuri.github.io/bd-lab/
7. Spark
此主题介绍Spark的安装、配置及基础使用。
Spark介绍
http://www.ibm.com/developerworks/cn/opensource/os-spark/
— ibm.com
Spark基本信息
官网:http://spark.apache.org/
官方教程:http://spark.apache.org/docs/latest/programming-guide.html
7.1. 环境准备
# 切换到工作空间
cd /opt/workspaces
# 创建Spark数据目录
mkdir data/spark
# 创建Spark日志目录
mkdir logs/spark
官方教程 http://spark.apache.org/docs/latest/spark-standalone.html |
7.2. 安装
wget http://mirrors.hust.edu.cn/apache/spark/spark-1.6.1/spark-1.6.1-bin-hadoop2.6.tgz
tar -zxf spark-1.6.1-bin-hadoop2.6.tgz
rm -rf spark-1.6.1-bin-hadoop2.6.tgz
mv spark-1.6.1-bin-hadoop2.6 ./frameworks/spark
7.3. 配置(伪分布式)
vi ./frameworks/spark/conf/spark-env.sh
export SPARK_MASTER_IP=bd
export SPARK_MASTER_PORT=7077
export MASTER=spark://${SPARK_MASTER_IP}:${SPARK_MASTER_PORT}
# 指定Spark数据目录
export SPARK_LOCAL_DIRS=/opt/workspaces/data/spark/
# 指定Spark日志目录
export SPARK_LOG_DIR=/opt/workspaces/logs/spark/
# 指定JDK目录
export JAVA_HOME=/opt/env/java
# 指定Scala目录
export SCALA_HOME=/opt/env/scala
7.4. 启动与停止
./frameworks/spark/sbin/start-all.sh
7.5. 测试
# 执行圆周率计算示例
./frameworks/spark/bin/run-example org.apache.spark.examples.SparkPi
./frameworks/spark/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://bd:6066\
--deploy-mode cluster \
--driver-memory 512M \
--executor-memory 256M \ #如果运行出错请改大些
./frameworks/spark/lib/spark-examples-1.6.1-hadoop2.6.0.jar \
1000
7.6. Word Count
http://spark.apache.org/docs/latest/quick-start.html |
Word Count
./frameworks/spark/bin/spark-shell
// 基础版
val textFile = sc.textFile("./frameworks/spark/README.md")
val words = textFile.flatMap(line => line.split(" "))
val exchangeVal = words.map(word => (word,1))
val count = exchangeVal.reduceByKey((a,b) => a + b)
count.collect
// 优化版
sc.textFile("./frameworks/spark/README.md").flatMap(_.split(" ")).map((_,1)).reduceByKey(_ + _).collect
// 带排序
sc.textFile("./frameworks/spark/README.md").flatMap(_.split(" ")).map((_,1)).reduceByKey(_ + _).map(_.swap).sortByKey(false).map(_.swap).collect
// 最终版
val wordR="""\w+""".r
sc.textFile("./frameworks/spark/README.md").flatMap(_.split(" ")).filter(wordR.pattern.matcher(_).matches).map((_,1)).reduceByKey(_ + _).map(_.swap).sortByKey(false).map(_.swap).saveAsTextFile("hdfs://bd:9000/wordcount")
可以访问 http://<host>:8080 查看作业 |
7.7. 参数说明
在哪配置:
Spark properties (Spark属性)在应用程序中通过SparkConf
对象设置,或通过Java系统属性设置。
Environment variables (环境变量)指定各节点的设置,如IP地址、端口,配置文件在conf/spark-env.sh中。
Logging (日志)可以通过log4j.properties配置日志。
Spark properties
在代码中指定配置
val conf = new SparkConf()
// 指定使用2个本地线程来运行,本地模式下,我们可以使用n个线程(n >= 1),但在像Spark Streaming这样的场景下,我们可能需要多个线程
.setMaster("local[2]")
.setAppName("CountingSheep")
val sc = new SparkContext(conf)
在脚本中指定配置
./bin/spark-submit --name "My app" --master local[4] --conf spark.eventLog.enabled=false
--conf "spark.executor.extraJavaOptions=-XX:+PrintGCDetails -XX:+PrintGCTimeStamps" myApp.jar
Table 1. 常用配置
属性名称 | 默认值 | 说明 |
---|---|---|
spark.app.name |
Spark应用的名字 |
|
spark.driver.cores |
1 |
在cluster模式下运行driver进程的核数 |
spark.driver.memory |
1g |
driver进程可以用的内存总量(如:1g,2g),client模式下无效果,必须要在命令行里用 –driver-memory 或者在默认属性配置文件里设置 |
spark.executor.memory |
1g |
单个executor使用的内存总量(如,2g,8g) |
spark.master |
集群管理器URL |
Environment variables
环境变量在${SPARK_HOME}/conf/spark-env.sh脚本中设置
Table 2. 常用配置
模式 | 属性名称 | 默认值 | 说明 |
---|---|---|---|
JAVA_HOME |
Java安装目录 |
||
SCALA_HOME |
Scala安装目录 |
||
SPARK_LOCAL_IP |
本地绑定的IP |
||
SPARK_LOG_DIR |
${SPARK_HOME}/logs |
日志目录 |
|
standalone |
SPARK_MASTER_IP |
(当前IP) |
Master IP |
standalone |
SPARK_MASTER_PORT |
7077(6066) |
Master 端口 |
standalone |
MASTER |
默认Master URL |
|
standalone |
SPARK_WORKER_CORES |
所有 |
每个节点使用的CPU core上限 |
standalone |
SPARK_WORKER_MEMORY |
本节点所有内存减去1GB |
每个节点使用的内存上限 |
standalone |
SPARK_WORKER_INSTANCES |
1 |
每个节点启动的worker实例个数 |
standalone |
SPARK_WORKER_PORT |
随机 |
Worker绑定的端口 |
如果你的slave节点性能非常强劲,可以把SPARK_WORKER_INSTANCES 设为大于1;相应的,需要设置SPARK_WORKER_CORES参数限制每个worker实例使用的CPU个数,否则每个worker实例都会使用所有的CPU。 |
Logging
日志在${SPARK_HOME}/conf/log4j.properties中设置
Hadoop集群配置
使用HDFS时需要从Hadoop中复制hdfs-site.xml、 core-site.xml
到Spark的classpath中
http://spark.apache.org/docs/latest/configuration.html |
7.8. 资源调度
standalone目前只支持简单的先进先出(FIFO)调度器。这个调度器可以支持多用户,你可以控制每个应用所使用的最大资源。默认情况下,Spark应用会申请集群中所有的CPU。
在代码中限制资源
val conf = new SparkConf()
.setMaster(...)
.setAppName(...)
.set("spark.cores.max", "10")
val sc = new SparkContext(conf)
在配置文件 spark-env.sh
中限制资源
export SPARK_MASTER_OPTS="-Dspark.deploy.defaultCores=<value>"
7.9. 性能调优
http://spark.apache.org/docs/latest/tuning.html |
7.10. 硬件配置
每个节点:
* 4-8块磁盘
* 8G以上内存
* 千兆网卡
* 8-16核CPU
至少3个节点
http://spark.apache.org/docs/latest/hardware-provisioning.html |
7.11. 整合Hive
在
spark-env.sh
中添加配置项# Hive目录 export HIVE_HOME=$HIVE_HOME
SPARK_CLASSPATH 有些教程中说要添加 |
复制Hive的几个配置文件
cp ./frameworks/hive/conf/hive-site.xml ./frameworks/spark/conf cp ./frameworks/hive/conf/hive-log4j.properties ./frameworks/spark/conf
启动thriftserver,用于对外提供JDBC服务
./frameworks/spark/sbin/start-thriftserver.sh
测试连接
./frameworks/spark/bin/beeline !connect jdbc:hive2://bd:10000 show tables;
.Spark 架构设计 |
http://spark-internals.books.yourtion.com/index.html +
此文写得挺详细,由于撰写时间较早,与新版本有出入(比如Shuffle Manager现在默认是Sort-based),但不影响对Spark的整体理解。
来源:oschina
链接:https://my.oschina.net/u/816048/blog/670651