目录
1、Spark架构设计
2、运行模式与用户交互方式
3、java实现spark wordcount示例
4、scala实现spark wordcount示例
5、经典习题
详情
1、Spark架构设计
1.1 架构设计图
1.2 相关术语名词解释
RDD (Resilient Distributed DataSet)
- 弹性分布式数据集，是对数据集在spark存储和计算过程中的一种抽象。
- 是一组只读、可分区的的分布式数据集合
- 一个RDD 包含多个分区Partition(类似于MapReduce中的InputSplit)，分区是依照一定的规则的，将具有相同规则的属性的数据记录放在一起 。
- 横向上可切分并行计算，以分区Partition为切分后的最小存储和计算单元。
- 纵向上可进行内外存切换使用，即当数据在内存不足时，可以用外存磁盘来补充。
Partition（分区）
- Partition类似hadoop的Split，计算是以partition为单位进行的，提供了一种划分数据的方式。
- partition的划分依据有很多，可以自己定义的，像HDFS文件，划分的方式就和MapReduce一样，以文件的block来划分不同的partition。
- 一个Partition交给一个Task去计算处理
算子
- 英文简称：Operator
- 广义上讲，对任何函数进行某一项操作都可以认为是一个算子
- 通俗上讲，算子即为映射、关系、变换。
- MapReduce算子，主要分为两个，即为Map和Reduce两个主要操作的算子，导致灵活可用性比较差。
- Spark算子，分为两大类，即为Transformation和Action类，合计有80多个。
Transformation类算子
操作是延迟计算的，也就是说从一个RDD 转换生成另一个 RDD 的转换操作不是马上执行，需要等到有 Action 操作的时候才会真正触发运算。
细分类
- Value数据类型的Transformation算子
- Key-Value数据类型的Transfromation算子
Action类算子
- 会触发 Spark 提交作业（Job），并将数据输出 Spark系统。
窄依赖
- 如果一个父RDD的每个分区只被子RDD的一个分区使用 ----> 一对一关系
宽依赖
- 如果一个父RDD的每个分区要被子RDD 的多个分区使用 ----> 一对多关系
Application
- Spark Application的概念和MapReduce中的job或者yarn中的application类似，指的是用户编写的Spark应用程序，包含了一个Driver 功能的代码和分布在集群中多个节点上运行的Executor代码；
- 一般是指整个Spark项目从开发、测试、布署、运行的全部。
Driver
运行main函数并且创建SparkContext的程序。
称为驱动程序，Driver Program类似于hadoop的wordcount程序的main函数。
Cluster Manager
- 集群的资源管理器，在集群上获取资源的外部服务。如Yarn、Mesos、Spark Standalone等。
- 以Yarn为例，驱动程序会向Yarn申请计算我这个任务需要多少的内存，多少CPU等，后由Cluster Manager会通过调度告诉驱动程序可以使用，然后驱动程序将任务分配到既定的Worker Node上面执行。
WorkerNode
集群中任何一个可以运行spark应用代码的节点。
Worker Node就是物理机器节点，可以在上面启动Executor进程。
Executor
- Application运行在Worker节点上的一个进程，该进程负责运行Task，并且负责将数据存在内存或者磁盘上，每个Application都有各自独立专享的一批Executor。
- Executor即为spark概念的资源容器，类比于yarn的container容器，真正承载Task的运行与管理，以多线程的方式运行Task，更加高效快速。
Task
与Hadoop中的Map Task或者Reduce Task是类同的。
分配到executor上的基本工作单元，执行实际的计算任务。
Task分为两类，即为ShuffleMapTask和ResultTask。
- ShuffleMapTask：即为Map任务和发生Shuffle的任务的操作，由Transformation操作组成，其输出结果是为下个阶段任务(ResultTask)进行做准备，不是最终要输出的结果。
- ResultTask：即为Action操作触发的Job作业的最后一个阶段任务，其输出结果即为Application最终的输出或存储结果。
Job（作业）
Spark RDD 里的每个action的计算会生成一个job。
用户提交的Job会提交给DAGScheduler（Job调度器），Job会被分解成Stage去执行，
每个Stage由一组相同计算规则的Task组成，该组Task也称为TaskSet， 实际交由TaskScheduler去调度Task的机器执行节点， 最终完成作业的执行。
Stage（阶段）
Stage是Job的组成部分，每个Job可以包含1个或者多个Stage。
Job切分成Stage是以Shuffle作为分隔依据，Shuffle前是一个Stage，Shuffle后是一个Stage。
即为按RDD宽窄依赖来划分Stage。
每个Job会被拆分很多组Task，每组任务被称为Stage，也可称TaskSet，一个作业分为多个阶段；
2、spark运行模式与用户交互方式
* 运行模式
* 即作业以什么样的模式去执行，主要是单机、分布式两种方式的细节选择。
序号模式名称特点应用场景
1本地运行模式(local)单台机器多线程来模拟spark分布式计算机器资源不够测试验证程序逻辑的正确性
2伪分布式模式单台机器多进程来模拟spark分布式计算机器资源不够测试验证程序逻辑的正确性
3standalone(client)独立布署spark计算集群自带clustermanagerdriver运行在spark submit client端机器资源充分纯用spark计算框架任务提交后在spark submit client端实时查看反馈信息
4standalone(cluster)独立布署spark计算集群自带clustermanagerdriver运行在spark worknode端机器资源充分纯用spark计算框架任务提交后将退出spark submit client端
5spark on yarn(yarn-client)以yarn集群为基础只添加spark计算框架相关包driver运行在yarn client上机器资源充分多种计算框架混用数据共享性强任务提交后在yarn client端实时查看反馈信息
6spark on yarn(yarn-cluster)以yarn集群为基础只添加spark计算框架相关包driver运行在集群的am contianer中机器资源充分多种计算框架混用数据共享性强任务提交后将退出yarn client端
7spark on mesos/ec2与spark on yarn类似与spark on yarn类似在国内应用较少
用户交互方式
- 交互方式列表
- 1、spark-shell： spark命令行方式来操作spark作业。
多用于简单的学习、测试、简易作业操作。
2、spark-submit: 通过程序脚本，提交相关的代码、依赖等来操作spark作业。
- 最多见的提交任务的交互方式，简单易用、参数齐全。
3、spark-sql :通过sql的方式操作spark作业。
- sql相关的学习、测试、生产环境研发均可以使用该直接操作交互方式。
4、spark-class: 最低层的调用方式，其它调用方式多是最终转化到该方式中去提交。
- 直接使用较少
5、sparkR,sparkPython：通过其它非java、scala语言直接操作spark作业的方式。
- R、python语言使用者的交互方式。
重要交互方式使用介绍
重点说明spark-shell,spark-submit两大方式，spark-sql后有专门章节介绍，其它小众方式不做介绍。
1、spark-shell
交互方式定位
- 一个强大的交互式数据操作与分析的工具，提供一个简单的方式快速学习spark相关的API。
启动方式
- 前置环境：已将spark-shell等交互式脚本已加入系统PATH变量，可在任意位置使用。
- 1、spark-shell： spark命令行方式来操作spark作业。
- 交互方式列表
#以本地2个线程来模拟运行spark相关操作，该数量一般与本机的cpu核数相一致为最佳spark-shell --master local[2]
- 相关参数
参数列表获取方式：spark-shell --help
- 其参数非常多，但由于该方式主要是简单学习使用，故其参数使用极少，故不做详解。
使用示例介绍
- 交互式入口
构建一个scala列表，并输出
通过scala列表，构造一个rdd，并进行基本操作
通过本地文本文件构建rdd，并进行基本操作
通过hdfs文本文件构建rdd，并进行基本操作
对rdd进行字符串过滤操作
对rdd进行求最大值操作
对输入进行wodcount计算-无排序
对输入进行wodcount计算-按词频降序排列输出
2、spark-submit
交互方式定位
- 最常用的通过程序脚本，提交相关的代码、依赖等来操作spark作业的方式。
启动方式
- spark-submit提交任务的模板
spark-submit \ --class \ --master \ --jars jar_list_by_comma \ --conf = \ … # other options \ [application-arguments]
- spark-submit提交任务的模板
天亮教育是一家从事大数据云计算、人工智能、教育培训、产品开发、咨询服务、人才优选为一体的综合型互联网科技公司。
公司由一批BAT等一线互联网IT精英人士创建，
以"快乐工作，认真生活，打造高端职业技能教育的一面旗帜"为愿景，胸怀"让天下没有难找的工作"使命，
坚持"客户第一、诚信、激情、拥抱变化"的价值观，
全心全意为学员赋能提效，践行技术改变命运的初心。
更多学习讨论， 请加入
官方-天亮大数据交流-366784928
群二维码：
天亮教育公开课-从小白到大佬修成记-全系列视频地址：http://bbs.myhope365.com/forum.php?mod=viewthread&tid=1422&extra=page%3D1
欢迎关注天亮教育公众号，大数据技术资料与课程、招生就业动态、教育资讯动态、创业历程分享一站式分享，官方微信公众号二维码：
天亮教育官方群318971238，
爬虫、nlp技术qq群320349384
hadoop & spark & hive技术群297585251，
教育培训官网：http://myhope365.com
项目研发官网：http://shangyuninfo.com/
官方天亮论坛:http://bbs.myhope365.com/