一  spark简介

Spark是基于内存计算的大数据分布式计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。

二架构及生态介绍：

通常当需要处理的数据量超过了单机尺度(比如我们的计算机有4GB的内存，而我们需要处理100GB以上的数据)这时我们可以选择spark集群进行计算，有时我们可能需要处理的数据量并不大，但是计算很复杂，需要大量的时间，这时我们也可以选择利用spark集群强大的计算资源，并行化地计算，其架构示意图如下：

Spark Core：包含Spark的基本功能；尤其是定义RDD的API、操作以及这两者上的动作。其他Spark的库都是构建在RDD和Spark Core之上的

Spark SQL：提供通过Apache Hive的SQL变体Hive查询语言（HiveQL）与Spark进行交互的API。每个数据库表被当做一个RDD，Spark SQL查询被转换为Spark操作。

Spark Streaming：对实时数据流进行处理和控制。Spark Streaming允许程序能够像普通RDD一样处理实时数据

MLlib：一个常用机器学习算法库，算法被实现为对RDD的Spark操作。这个库包含可扩展的学习算法，比如分类、回归等需要对大量数据集进行迭代的操作。

GraphX：控制图、并行图操作和计算的一组算法和工具的集合。GraphX扩展了RDD API，包含控制图、创建子图、访问路径上所有顶点的操作

三 学习spark的原因

Spark扩展了广泛使用的MapReduce计算模型，其中Spark有个Directed Acyclic Graph（DAG有向无环图）执行引擎，支持循环数据流和内存计算。Hadoop是磁盘级计算，进行计算时，都需要从磁盘读或者写数据，同时整个计算模型需要网络传输，导致MapReduce具有高延迟的致命弱点。据统计，基于Spark内存的计算速度比Hadoop MapReduce快100倍以上，基于磁盘的计算速度也要快10倍以上

四  Spark优点

1.运算效率高

Spark把中间数据放到内存中，迭代运算效率高。MapReduce中计算结果需要落地，保存到磁盘上，这样势必会影响整体速度，而Spark支持DAG图的分布式并行计算的编程框架，减少了迭代过程中数据的落地，提高了处理效率。（延迟加载）

2.容错性高

Spark引进了弹性分布式数据集RDD (Resilient Distributed Dataset) 的抽象，它是分布在一组节点中的只读对象集合，这些集合是弹性的，如果数据集一部分丢失，则可以根据“血统”（即允许基于数据衍生过程）对它们进行重建。另外在RDD计算时可以通过CheckPoint来实现容错。

z

3.Spark更加通用。不像Hadoop只提供了Map和Reduce两种操作，Spark提供的数据集操作类型有很多种，大致分为：Transformations和Actions两大类。Transformations包括Map、Filter、FlatMap、Sample、GroupByKey、ReduceByKey、Union、Join、Cogroup、MapValues、Sort等多种操作类型，同时还提供Count, Actions包括Collect、Reduce、Lookup和Save等操作。

4.支持的运算平台，支持的开发语言更多。

spark 4 种开发语言：

scala,java,python,R

Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生态系统，以弥补MapReduce的不足。

hdfs，yarn

五 Spark特点

快

与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。

易用

Spark支持Java、Python和Scala和R的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。

通用

一站式解决方案

storm

Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。 

兼容性

Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。

六  spark集群安装

 下载Spark安装包

上传spark-安装包到Linux上

解压安装包到指定位置

# tar -zxvf  spark-2.2.0-bin-hadoop2.7.tgz  -C  apps/

Spark安装包目录结构：

 机器部署

准备4台Linux服务器，安装好JDK，最低要求2台

hdp-01   192.168.8.11

hdp-02 192.168.8.12

hdp-03 192.168.8.13

hdp-04 192.168.8.14

master：hpd-01

workers: hdp-02 hdp-03 hdp-04

部署standalone集群

确保集群中各节点的防火墙是关闭的。

确保主节点到各从节点的免密登录配置好了

从Master节点到worker节点的免密登录

进入到Spark安装目录 

注意是 spark-2.2.0-bin-hadoop2.7

不是spark-2.2.0

# cd apps/ spark-2.2.0-bin-hadoop2.7

进入conf目录并重命名并修改spark-env.sh.template文件

# cd conf/

# mv spark-env.sh.template spark-env.sh

# vim spark-env.sh

在该配置文件中添加如下配置

保存退出

重命名并修改slaves.template文件

# mv slaves.template slaves

# vim slaves

思考？为什么要修改slaves配置文件

在该文件中添加子节点所在的位置（Worker节点）

最好把localhost删了，不然主节点也是自己的从节点

保存退出

将配置好的Spark文件夹拷贝到其他节点上

单独拷贝：

# scp -r  /root/apps/spark-2.2.0-bin-hadoop2.7/ hdp-02:/root/apps/

批量拷贝：

Spark集群配置完毕，目前是1个Master，3个Worker，在Master(hdp-01)上启动Spark集群

1.1.1. 启停操作

单独启动master（在master安装节点上）：

# start-master.sh

单独启动worker：

在每一台worker节点上执行：

start-slave.sh spark://wangzhihua1:7077

启动众worker(在Master所在节点上执行)

# start-slaves.sh

这里获取的是是slaves文件中的主机名

分别停止：

# stop-slaves.sh

# stop-master.sh

批量脚本启动：

# start-all.sh

停止：

# stop-all.sh

为了能方便使用，配置一下环境变量：

export SPARK_HOME=/root/apps/spark-2.2.0-bin-hadoop2.7

$SPARK_HOME/sbin

配置环境变量的注意事项：

hadoop/sbin的目录和spark/sbin可能会有命令冲突：

start-all.sh stop-all.sh

我们可以给其中一个启动命令进制重命名

启动后执行jps命令，主节点上有Master进程，其他子节点上有Worker进程，

登录Spark管理界面查看集群状态（主节点）：http://wangzhihua1:8080/

查看机器内存的命令： free  -m

默认情况下：spark会占用机器上的所有cores，

memory呢，会默认的使用ram – 1G

默认配置：

http://spark.apache.org/docs/latest/spark-standalone.html

到此为止，Spark集群安装完毕。