0
0

Spark系列之Spark启动与基础使用

title: Spark系列

第三章 Spark启动与基础使用

3.1 Spark Shell

3.1.1 Spark Shell启动

安装目录的bin目录下面，启动命令：

spark-shell

$SPARK_HOME/bin/spark-shell \
--master spark://hadoop10:7077 \
--executor-memory 512M \
--total-executor-cores 2

注意上面的 cores 参数，若是 0，那么以后这个 spark shell 中运行的代码是不能执行成功的。千万注意。必要要把 cpu cores 和 memory 设置合理。

1、executor memory不能超过虚拟机的内存
2、cpu cores不要超过spark集群能够提供的总cpu cores，否则会使用全部。最好不要使用全部。否则其他程序由于没有cpu core可用，就不能正常运行

参数说明：

--master spark://hadoop10:7077 指定Master的地址
--executor-memory 2G 指定每个worker可用内存为2G
--total-executor-cores 2 指定整个集群使用的cpu核数为2个

注意：

如果启动spark shell时没有指定master地址，但是也可以正常启动spark shell和执行spark shell中的程序，其实是启动了spark的local模式，该模式仅在本机启动一个Driver进程，没有与集群建立联系。

Spark-2.x开始/Spark3.x

Spark Shell 中已经默认将 SparkContext 类初始化为对象 sc
Spark Shell 中已经默认将 SparkSession 类初始化为对象 spark
用户代码如果需要用到，则直接应用 sc，spark 即可

Spark-1.x

Spark Shell 中已经默认将 SparkContext 类初始化为对象 sc
Spark Shell 中已经默认将 SQLContext 类初始化为对象 sqlContext
用户代码如果需要用到，则直接应用sc，sqlContext即可

3.1.2 编写WordCount

在提交WordCount程序之前，先在HDFS集群中的准备一个文件用于做单词统计：

words.txt内容如下：

hello huangbo
hello xuzheng
hello wangbaoqiang

把该文件上传到HDFS文件系统中：

hadoop fs -mkdir -p /spark/wc/input
hadoop fs -put words.txt /spark/wc/input

在 Spark Shell 中提交 WordCount 程序：

sc.textFile("hdfs://hadoop10/spark/wc/input/words.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).saveAsTextFile("hdfs://hadoop10/spark/wc/output")

查询验证结果：

hadoop fs -ls hdfs://hadoop10/spark/wc/output
hadoop fs -cat hdfs://hadoop10/spark/wc/output/*

说明：

sc
.textFile("hdfs://hadoop10/spark/wc/input/words.txt")
.flatMap(_.split(""))
.map((_,1))
.reduceByKey(_+_)
.saveAsTextFile("hdfs://hadoop10/spark/wc/output")

1、sc
    是SparkContext对象，该对象时提交spark程序的入口
2、textFile("hdfs://hadoop10/spark/wc/input/words.txt")是从HDFS中读取数据
    底层是通过InputFormat去读取（因为数据在HDFS，从HDFS读取数据的规范就是InputFormat）
    RDD[String] (文件中的一行，就是RDD中的一条数据。)
3、flatMap(_.split(" "))
    先map，再压平，切割压平
    Array(Array("hello", "a"), Array("hello", "b")) =》 Array("hello", "a","hello", "b")
4、map((_,1))
    将单词和1构成元组(word,1)
5、reduceByKey(_+_)
    按照key进行reduce，并将value累加
6、saveAsTextFile("hdfs://hadoop10/spark/wc/output")
    将结果写入到HDFS对应输出目录中

3.2 Spark Submit

利用Spark自带的例子程序执行一个求PI（蒙特卡洛算法）的程序：

[root@hadoop10 bin]# ./spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop10:7077 \
--executor-memory 512m \
--total-executor-cores 2 \
/software/spark/examples/jars/spark-examples_2.12-3.1.2.jar \
100

在这里插入图片描述

运行结果：

在这里插入图片描述

理解：

执行通过/software/spark/bin/spark-shell来运行。
如果不设置master那么默认运行在本机节点；
如果设置 --master spark://hadoop10:7077,那么运行在Spark Standalone模式集群。

参数说明：

--class 指定 jar 包的主类

--master 指定jar包提交的模式
详解如下：
1、local
    本地模式，本地运行，可以调试（local 1个线程、local[*]不限线程、local[N] N个线程，理想情况下，N设置为你机器的CPU核数）
2、spark
    提交到Spark Standalone集群，有Master和Worker进程
3、mesos
    将jar包提交到mesos集群，运行在mesos资源管理器框架之上，由mesos负责资源管理，Spark负责任务调度和计算
4、YARN
    将jar包提交到yarn集群，运行在yarn资源管理器框架之上，由yarn负责资源管理，Spark负责任务调度和计算
5、cloud
    比如AWS的EC2，使用这个模式能很方便的访问Amazon的S3，Spark支持多种分布式存储系统，比如HDFS和S3

--deploy-mode 指定jar的运行方式（默认是 client 模式）
详解如下：
1、client 模式
    在提交端生成的JVM会一直等待所有计算过程全部完成才退出，它有两个功能，一个是提交，一个是监控jar包运行（测试环境下使用）
2、cluster 模式
    在提交端生成的JVM在提交jar包后会退出，它只有一个提交功能，然后在某一个 worker上会生成一个Driver的JVM，该JVM执行监控jar包运行的功能，等待所有代码运行完毕退出（生产环境下使用 ）

application.jar 指定你的jar包的地址
arguments       传递给main()方法的参数

3.2.1 Spark Submit多种运行模式

1、提交任务到本地运行

/software/spark/bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master local[4]\
--driver-memory 512m \
--executor-memory 512m \
--total-executor-cores 1\
/software/spark/examples/jars/spark-examples_2.12-3.1.2.jar \10

2、提交任务到Spark集群运行

/software/spark/bin/spark-submit \--class org.apache.spark.examples.SparkPi \--master spark://hadoop10:7077 \
--driver-memory 512m \
--executor-memory 512m \
--total-executor-cores 1\
/software/spark/examples/jars/spark-examples_2.12-3.1.2.jar \10

3、提交Yarn集群，使用Yarn-Client模式

/software/spark/bin/spark-submit \--class org.apache.spark.examples.SparkPi \--masteryarn\
--deploy-mode client \
--driver-memory 512m \
--executor-memory 512m \
--total-executor-cores 1\
/software/spark/examples/jars/spark-examples_2.12-3.1.2.jar \10

3.3 修改Spark日志级别

3.3.1 临时修改

val sparkContext:SparkContext = new SparkContext(conf)
sparkContext.setLogLevel("WARN")

3.3.2 永久修改

可以通过修改Spark配置文件来Spark日志级别

以下是详细步骤的：

第一步：先进入conf目录
[root@hadoop10 conf]$ cd /software/spark/conf

第二步：准备log4j.properties
[root@hadoop10 conf]$ cp log4j.properties.template log4j.properties

第三步：配置日志级别：
把INFO改成你想要的级别：主要有ERROR, WARN, INFO, DEBUG几种

在这里插入图片描述

3.4 Spark的WordCount案例

3.4.0 spark-shell中的WordCount

[root@hadoop10 bin]# cd /software/spark/bin/
[root@hadoop10 bin]# pwd
/software/spark/bin
[root@hadoop10 bin]# spark-shell 
2021-11-09 16:57:03,855 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://hadoop10:4040
Spark context available as 'sc' (master = local[*], app id = local-1636448230277).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 3.1.2
      /_/
         
Using Scala version 2.12.10 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_202)
Type in expressions to have them evaluated.
Type :help for more information.

scala> sc.textFile("file:///home/data/wordcount.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).foreach(println)
(hadoop,1)                                                          (0 + 2) / 2]
(hbase,1)
(hello,3)
(world,1)
                                                                                
scala>

3.4.1 Java7版本WordCount

packagecom.aa.sparkjava.core.wordcount;importorg.apache.spark.SparkConf;importorg.apache.spark.api.java.JavaPairRDD;importorg.apache.spark.api.java.JavaRDD;importorg.apache.spark.api.java.JavaSparkContext;importorg.apache.spark.api.java.function.FlatMapFunction;importorg.apache.spark.api.java.function.Function2;importorg.apache.spark.api.java.function.PairFunction;importorg.apache.spark.api.java.function.VoidFunction;importscala.Tuple2;importjava.util.Arrays;importjava.util.Iterator;/**
 * @Author AA
 * @Date 2021/11/25 16:46
 * @Project bigdatapre
 * @Package com.aa.sparkjava.core.wordcount
 * WordCountJava java7版本的编写
 */publicclassWordCountJava7{publicstaticvoidmain(String[] args){//一、参数判断if(args.length!=2){System.out.println("Usage:JavaWordCount7: Please enter the necessary parameters:<input><output>");System.exit(1);}//二、编程入口SparkConf conf =newSparkConf();
        conf.setMaster("local");
        conf.setAppName(WordCountJava7.class.getSimpleName());JavaSparkContext jsc =newJavaSparkContext(conf);//三、读取数据，设置输入路径。JavaRDD<String> lineRDD = jsc.textFile(args[0]);//四、进行逻辑处理，切割压平JavaRDD<String> jrdd1 = lineRDD.flatMap(newFlatMapFunction<String,String>(){@OverridepublicIterator<String>call(String line)throwsException{returnArrays.asList(line.split(" ")).iterator();}});//五、将四中的单词结果和1组合成元组JavaPairRDD<String,Integer> javaPairRDD = jrdd1.mapToPair(newPairFunction<String,String,Integer>(){@OverridepublicTuple2<String,Integer>call(String s)throwsException{returnnewTuple2<String,Integer>(s,1);}});//六、 分组聚合  reduceByKey()  (a,b)=>a+b   前两个参数是输入参数类型，第三个参数：返回值的类型JavaPairRDD<String,Integer> result = javaPairRDD.reduceByKey(newFunction2<Integer,Integer,Integer>(){@OverridepublicIntegercall(Integer v1,Integer v2)throwsException{return v1 + v2;}});//七、保存结果或者打印输出//打印输出
        result.foreach(newVoidFunction<Tuple2<String,Integer>>(){@Overridepublicvoidcall(Tuple2<String,Integer> tuple)throwsException{System.out.println(tuple);//System.out.println(tuple._1 + " " + tuple._2);}});//保存结果//result.saveAsTextFile(args[1]);//八、释放资源
        jsc.close();}}

3.4.2 Java8 Lambda表达式版本WordCount

packagecom.aa.sparkjava.core.wordcount;importorg.apache.spark.SparkConf;importorg.apache.spark.api.java.JavaPairRDD;importorg.apache.spark.api.java.JavaRDD;importorg.apache.spark.api.java.JavaSparkContext;importscala.Tuple2;importjava.util.Arrays;/**
 * @Author AA
 * @Date 2021/11/26 11:53
 * @Project bigdatapre
 * @Package com.aa.sparkjava.core.wordcount
 * WordCountJava java8版本  使用lambda表达式
 */publicclassWordCountJava8{publicstaticvoidmain(String[] args){if(args.length !=2){System.out.println("Please enter the necessary parameters:Usage Java8 Lambda WordCount<input><output>");System.exit(1);}SparkConf conf =newSparkConf();
        conf.setMaster("local");
        conf.setAppName(WordCountJava8.class.getSimpleName());JavaSparkContext jsc =newJavaSparkContext(conf);//1、读取数据JavaRDD<String> jrdd = jsc.textFile(args[0]);//2、切割压平JavaRDD<String> jrdd2 = jrdd.flatMap(t ->Arrays.asList(t.split(" ")).iterator());//3、和1组合 JavaPairRDD<String,Integer> jprdd = jrdd2.mapToPair(t ->newTuple2<String,Integer>(t,1));//4、分组聚合JavaPairRDD<String,Integer> res = jprdd.reduceByKey((a, b)-> a + b);//5、保存输出
        res.saveAsTextFile(args[1]);//6、释放资源
        jsc.close();}}

3.4.3 Scala版本WordCount

packagecom.aa.sparkscala.core.wordcountimportorg.apache.spark.rdd.RDDimportorg.apache.spark.{SparkConf,SparkContext}/**
 * @Author AA
 * @Date 2021/11/26 15:08
 * @Project bigdatapre
 * @Package com.aa.sparkscala.core.wordcount
 * Spark WordCount  Scala版本  使用老的API SparkContext
 */
object WordCountScala{
  def main(args:Array[String]):Unit={//1、创建一个SparkConf对象，并设置程序的名称
    val conf =newSparkConf().setAppName("WordCount").setMaster("local")//2、创建一个SparkContext对象
    val sparkContext:SparkContext=newSparkContext(conf)//3、读取HDFS上的文件构建一个RDD
    val fileRDD:RDD[String]= sparkContext.textFile("D:\\input\\test1.txt")//4、构建一个单词RDD
    val wordAndOneRDD:RDD[(String,Int)]= fileRDD.flatMap(_.split(" ")).map((_,1))//5、进行单词的聚合
    val resultRDD:RDD[(String,Int)]= wordAndOneRDD.reduceByKey(_ + _)//6、保存结果
    resultRDD.saveAsTextFile("D:\\output\\wordcountscala1")//7、关闭sc
    sparkContext.stop()}}

3.4.4 补充API依赖

<dependency><groupId>org.scala-lang</groupId><artifactId>scala-library</artifactId><version>2.12.14</version></dependency><dependency><groupId>org.apache.spark</groupId><artifactId>spark-core_2.12</artifactId><version>3.1.2</version></dependency>

声明：
文章中代码及相关语句为自己根据相应理解编写，文章中出现的相关图片为自己实践中的截图和相关技术对应的图片，若有相关异议，请联系删除。感谢。转载请注明出处，感谢。

By luoyepiaoxue2014

B站： https://space.bilibili.com/1523287361 点击打开链接
微博地址： http://weibo.com/luoyepiaoxue2014 点击打开链接

标签： Spark 大数据
本文转载自: https://blog.csdn.net/luoyepiaoxue2014/article/details/128076088
版权归原作者 落叶飘雪2014 所有， 如有侵权，请联系我们删除。
登录后发布评论

“Spark系列之Spark启动与基础使用”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

docker无法搜索和拉取镜像

visual studio之安装详解

【Linux】版本控制器git、调试器gdb/cgdb

面试题：RabbitMQ（一）

Vllm进行Qwen2-vl部署（包含单卡多卡部署及爬虫请求）

MySQL wait_timeout参数介绍

Python毕业设计选题：基于django+vue的企业it资产管理系统

文章导航