Spark简介
整体认识
Apache Spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架。最初在2009年由加州大学伯克利分校的AMPLab开发，并于2010年成为Apache的开源项目之一。 Spark在整个大数据系统中处于中间偏上层的地位，如下图，对hadoop起到了补充作用：
基本概念
Fork/Join框架是Java7提供了的一个用于并行执行任务的框架， 是一个把大任务分割成若干个小任务，最终汇总每个小任务结果后得到大任务结果的框架。
第一步分割任务。首先我们需要有一个fork类来把大任务分割成子任务，有可能子任务还是很大，所以还需要不停的分割，直到分割出的子任务足够小。
第二步执行任务并合并结果。分割的子任务分别放在双端队列里，然后几个启动线程分别从双端队列里获取任务执行。子任务执行完的结果都统一放在一个队列里，启动一个线程从队列里拿数据，然后合并这些数据。
具体可参考Fork/Join
核心概念
RDD(Resilient Distributed Dataset) 弹性分布数据集介绍 弹性分布式数据集（基于Matei的研究论文）或RDD是Spark框架中的核心概念。
可以将RDD视作数据库中的一张表。其中可以保存任何类型的数据。Spark将数据存储在不同分区上的RDD之中。 RDD可以帮助重新安排计算并优化数据处理过程。
此外，它还具有容错性，因为RDD知道如何重新创建和重新计算数据集。
RDD是不可变的。你可以用变换（Transformation）修改RDD，但是这个变换所返回的是一个全新的RDD，而原有的RDD仍然保持不变。
RDD支持两种类型的操作： o 变换（Transformation） o 行动（Action） 变换：变换的返回值是一个新的RDD集合，而不是单个值。调用一个变换方法，不会有任何求值计算，它只获取一个RDD作为参数，然后返回一个新的RDD。变换函数包括：map，filter，flatMap，groupByKey，reduceByKey，aggregateByKey，pipe和coalesce。
行动：行动操作计算并返回一个新的值。当在一个RDD对象上调用行动函数时，会在这一时刻计算全部的数据处理查询并返回结果值。
行动操作包括：reduce，collect，count，first，take，countByKey以及foreach。 共享变量（Shared varialbes） o 广播变量（Broadcast variables） o 累加器（Accumulators） Master/Worker/Driver/Executor
o Master：
1. 接受Worker的注册请求，统筹记录所有Worker的CPU、Memory等资源，并跟踪Worker结点的活动状态；2. 接受Driver中App的注册请求(这个请求由Driver端的Client发出)，为App在Worker上分配CPU、Memory资源，生成后台Executor进程；之后跟踪Executor和App的活动状态。 o Worker：负责接收Master的指示，为App创建Executor进程。Worker在Master和Executor之间起着桥梁作用，实际不会参与计算工作。 o Driver：负责用户侧逻辑处理。 o Executor：负责计算，接受并执行由App划分的Task任务，并将结果缓存在本地内存或磁盘。
Spark部署
关于Spark的部署网上相关资料很多，这里进行归纳整理 部署环境 Ubuntu 14.04LTS Hadoop:2.7.0 Java JDK 1.8 Spark 1.6.1 Scala 2.11.8
Hadoop安装
由于Spark会利用HDFS和YARN，所以需要提前配置Hadoop，配置教程可以参考： Setting up a Apache Hadoop 2.7 single node on Ubuntu 14.04 Hadoop安装教程_单机/伪分布式配置_Hadoop2.6.0/Ubuntu14.04
Spark安装
在安装好Hadoop的基础上，搭建Spark，配置教程参考：
Spark快速入门指南 – Spark安装与基础使用
scala安装
Scala作为编写Spark的源生语言，更新速度和支持情况肯定是最好的，而另一方面Scala本身语言中对于面向对象和函数式编程两种思想的糅合，使得该语言具有很多炫酷的语法糖，所以在使用Spark的过程中我采用了Scala语言进行开发。
Scala最终编译成字节码需要运行在JVM中，所以需要依托于jdk，需要部署jdk Eclipse作为一款开发Java的IDE神器，在Scala中当然也可以使用，有两种方式: o Eclipse->Help->Install New Software安装Scala Plugins o 下载官网已经提供的集成好的Scala IDE 基于以上两步已经可以进行Scala开发，需要用到Scala自带的SBT编译的同学可以装下Scala官网下载地址，本人一直使用Maven进行包管理就延续Maven的使用
简单示例：WordCount（Spark Scala） 开发IDE：Eclipse Scala 包管理：Maven 开发语言：Scala
创建Maven项目
- 跳过archetype项目模板的选择
- 下载模板pom.xml
- 对maven项目添加Scala属性： Right click on project -> configure - > Add Scala Nature.
- 调整下Scala编译器的版本，与Spark版本对应： Right click on project- > Go to properties -> Scala compiler -> update Scala installation version to 2.10.5
- 从Build Path中移除Scala Library（由于在Maven中添加了Spark Core的依赖项，而Spark是依赖于Scala的，Scala的jar包已经存在于Maven Dependency中）： Right click on the project -> Build path -> Configure build path and remove Scala Library Container.
- 添加package包com.spark.sample
- 创建Object WordCount和SimpleCount，用来作为Spark的两个简单示例 Spark Sample SimpleCount.scala
package com.spark.sample
import org.apache.spark.SparkConf import org.apache.spark.SparkContext
object SimpleCount { def main(args: Array[String]) { val conf = new SparkConf().setAppName("TrySparkStreaming").setMaster("local[2]") // Create spark context val sc = new SparkContext(conf) // val ssc = new StreamingContext(conf, Seconds(1)) // create streaming context
val txtFile = "test"
val txtData = sc.textFile(txtFile)
txtData.cache()
txtData.count()
val wcData = txtData.flatMap { line => line.split(",") }.map { word => (word, 1) }.reduceByKey(_ + _)
wcData.collect().foreach(println)
sc.stop
}
}
WordCount.scala
package com.spark.sample import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.rdd.RDD.rddToPairRDDFunctions object WordCount { def main(args: Array[String]) = {
//Start the Spark context
val conf = new SparkConf()
.setAppName("WordCount")
.setMaster("local")
val sc = new SparkContext(conf)
//Read some example file to a test RDD
val test = sc.textFile("input.txt")
test.flatMap { line => //for each line
line.split(" ") //split the line in word by word.
}.map { word => //for each word
(word, 1) //Return a key/value tuple, with the word as key and 1 as value
}.reduceByKey(_ + _) //Sum all of the value with same key
.saveAsTextFile("output.txt") //Save to a text file
//Stop the Spark context
sc.stop}
}
原理如下图：
参考文献：
- http://km.oa.com/group/2430/articles/show/181711?kmref=search&from_page=1&no=1&is_from_iso=1
- http://spark.apache.org/docs/latest/programming-guide.html#resilient-distributed-datasets-rdds
- http://www.infoq.com/cn/articles/apache-spark-introduction?utm_source=infoq_en&utm_medium=link_on_en_item&utm_campaign=item_in_other_langs
- http://www.infoq.com/cn/articles/apache-spark-sql
- http://www.infoq.com/cn/articles/apache-spark-streaming
- http://www.devinline.com/2016/01/apache-spark-setup-in-eclipse-scala-ide.html
- https://databricks.gitbooks.io/databricks-spark-reference-applications/content/
- http://wuchong.me/blog/2015/04/06/spark-on-hbase-new-api/
- http://colobu.com/2015/01/05/kafka-spark-streaming-integration-summary/
- http://www.devinline.com/2016/01/apache-spark-setup-in-eclipse-scala-ide.html
作者：张景龙 畅移（上海）信息科技有限公司CTO，CCFYOCSEF上海委员，京东今夜酒店特价APP技术奠基人和首任CTO，中国第一代智能手机开发者。