基於IDEA構建Spark應用並部署

前言

本章將介紹如何通過IDEA構建Spark應用，並最終部署。

構建應用

Java應用

1、新建一個maven項目，並在POM中添加如下依賴：

<properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <java.version>1.8</java.version>
</properties>

<dependencies>
    <dependency>
        <groupId>junit</groupId>
        <artifactId>junit</artifactId>
        <version>3.8.1</version>
        <scope>test</scope>
    </dependency>
    <dependency> <!-- Spark dependency -->
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-sql_2.11</artifactId>
        <version>2.3.0</version>
    </dependency>
</dependencies>

<build>

    <plugins>
        <plugin>
            <groupId>org.apache.maven.plugins</groupId>
            <artifactId>maven-compiler-plugin</artifactId>
            <configuration>
                <source>${java.version}</source>
                <target>${java.version}</target>
            </configuration>
        </plugin>
    </plugins>

</build>

2、基於java8編寫一個main類，讀取spark的README.md文件，統計包含a、b分別有多少行：

public class SimpleJavaApp {
    public static void main(String[] args) {
        String logFile = "D:/spark-2.3.0-bin-hadoop2.7/README.md";
        SparkConf conf = new SparkConf().setMaster("local[8]");
        SparkSession spark = SparkSession.builder().config(conf).appName("Simple Application").getOrCreate();
        Dataset<String> logData = spark.read().textFile(logFile).cache();
        long numAs = logData.filter((FilterFunction<String>) str -> str.contains("a")).count();
        long numBs = logData.filter((FilterFunction<String>) str -> str.contains("b")).count();

        System.out.println("Lines with a: " + numAs + ", lines with b: " + numBs);
        spark.stop();
    }
}

Note：

• 通過SparkConf設定master參數，即可設定運行計算模式，先主要介紹Local模式：

Local模式就是運行在一臺計算機上的模式，通常就是用於在本機上練手和測試，有如下幾個方式：

• local: 所有計算都運行在一個線程當中，沒有任何並行計算，通常我們在本機執行一些測試代碼，或者練手，就用這種模式；
• local[K]: 指定使用幾個線程來運行計算，比如local[4]就是運行4個worker線程。通常我們的cpu有幾個core，就指定幾個線程，最大化利用cpu的計算能力；
• local[*]: 這種模式直接幫你按照cpu最多cores來設置線程數了；

實際的大規模計算還是需要cluster模式。

3、控制檯打印：

Scala應用

Scala 源代碼被編譯成Java字節碼，所以它可以運行於JVM之上，並可以調用現有的Java類庫。而Spark正是由Scala開發的，所以天然通過Scala構建的應用將是最佳方案，本小節將直接在當前項目中採用scala實現相同功能。

1、在idea中添加scala類庫配置：

2、編寫main方法如下：

object SimpleApp {
  def main(args: Array[String]) {
    val logFile = "D:/spark-2.3.0-bin-hadoop2.7/README.md"
    val conf = new SparkConf().setMaster("local[8]")
    val spark = SparkSession.builder.config(conf).appName("Simple Application").getOrCreate()
    val logData = spark.read.textFile(logFile).cache()
    val numAs = logData.filter(line => line.contains("a")).count()
    val numBs = logData.filter(line => line.contains("b")).count()
    println(s"Lines with a: $numAs, Lines with b: $numBs")
    spark.stop()
  }
}

3、控制檯打印：

Local模式部署

>spark-submit --class com.shf.spark.SimpleJavaApp --master local[4] --name demo D:\learnworkspace\spark-demo\target\spark-demo-1.0-SNAPSHOT.jar

查看到如下打印信息表明部署成功：

擴展

上述的開發環境調試和部署均採用local模式，實際生產者中必須採用cluster模式，先簡單介紹下概念：

cluster模式

cluster模式肯定就是運行很多機器上了，但是它又分爲以下三種模式，區別在於誰去管理資源調度。

這種模式下，Spark會自己負責資源的管理調度。它將cluster中的機器分爲master機器和worker機器，master通常就一個，可以簡單的理解爲那個後勤管家，worker就是負責幹計算任務活的苦勞力。具體怎麼配置可以參考Spark Standalone Mode

使用standalone模式示例：

/bin/spark-submit --cluster cluster_name --master spark://host:port ...

--master就是指定master那臺機器的地址和端口，我想這也正是--master參數名稱的由來吧。

mesos模式

這裏就很好理解了，如果使用mesos來管理資源調度，自然就應該用mesos模式了，示例如下：

/bin/spark-submit --cluster cluster_name --master mesos://host:port ...

yarn模式

同樣，如果採用yarn來管理資源調度，就應該用yarn模式，由於很多時候我們需要和mapreduce使用同一個集羣，所以都採用Yarn來管理資源調度，這也是生產環境大多采用yarn模式的原因。yarn模式又分爲yarn cluster模式和yarn client模式：

• yarn cluster: 這個就是生產環境常用的模式，所有的資源調度和計算都在集羣環境上運行。
• yarn client: 這個是說Spark Driver和ApplicationMaster進程均在本機運行，而計算任務在cluster上。