Spark記錄（一）：Spark全景概述

一、Spark是什麼

Spark是一個開源的大數據處理引擎。

 

二、Spark的主要組件如下圖所示：

 

 三、Spark運行時架構

Spark共有三種運行模式：本地模式、集羣模式、客戶端模式。

生產環境基本都是用集羣模式。集羣模式需要用到集羣管理器，三個核心的集羣管理器爲：Spark自帶的獨立集羣管理器、Yarn、Mesos。

集羣模式運行時，單個Spark任務的架構圖爲：

 

 其中集羣管理器負責分配/回收服務器資源和監控整個Spark任務是否完成。

 

四、IDEA環境準備

1、準備Scala的SDK

若用Scala開發的話，需做此步。下載Scala的msi文件本地安裝之後，在IDEA中如下圖所示的加號位處導入Scala的SDK目錄，導入之後會如下圖所示：

 

2、在Plugins中安裝名叫Scala的插件

自行安裝即可

 

3、配置項目支持Scala

選中項目最高級目錄後右鍵，選擇【Add Framework Support】，然後在裏面勾選Scala選項

 

 

 如此之後，便可以在包裏面右鍵new Scala類了：

 

4、導入maven依賴

<dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-mllib_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>

版本用的是：

<spark.version>3.2.0</spark.version>
        <scala.version>2.13</scala.version>

 

5、編寫個簡單的腳本運行

def main(args: Array[String]): Unit = {
    val ss = SparkSession.builder().appName("localhost").master("local[*]").getOrCreate()

    val df1 = ss.range(2, 100, 2).toDF()
    val df2 = ss.range(2, 100, 4).toDF()

    val df11 = df1.repartition(5)
    val df21 = df2.repartition(6)

    val df12 = df11.selectExpr("id * 5 as id")
    val df3 = df2.join(df12, "id")
    val df4 = df3.selectExpr("sum(id)")

    df4.collect().foreach(println(_))
    df4.explain()
  }

運行結果：

 

 Intersting Number！

explain打印出來的邏輯計劃，有時間再詳細解讀。

另附：

1、下載歷史Hadoop版本的地址：

http://archive.apache.org/dist/hadoop/core/

2、下載winutils.exe、hadoop.dll文件的地址：

https://blog.csdn.net/ytp552200ytp/article/details/107223357