大数据笔记（二十七）——Spark Core简介及安装配置

1、Spark Core： 类似MapReduce
                核心：RDD
2、Spark SQL：  类似Hive，支持SQL
3、Spark Streaming：类似Storm

=================== Spark Core =======================

一、什么是Spark？
1、什么是Spark？生态体系结构

Apache Spark™ is a fast and general engine for large-scale data processing.
生态圈：
1、Spark Core
2、Spark SQL
3、Spark Streaming
4、Spark MLLib：机器学习
5、Spark GraphX：图计算

2、为什么要学习Spark？
复习：MapReduce的Shuffle过程
Spark的最大特点：基于内存
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。

3、Spark的特点
（1）快：基于内存
同时也是缺点：没有对内存进行管理，把所有的内存管理都交给应用程序，容易出现OOM（outof memory 内存溢出）
如何分析Java内存溢出？？ 工具：Java Heap Dump
https://www.cnblogs.com/JackDesperado/p/4798499.html

（2）易用：Java、Scala
（3）通用：不同的组件
Hive推荐使用Spark作为执行引擎 ------> 配置Hive On Spark非常麻烦，不成熟

提供文档：Hive On Spark

（4）兼容性：Hadoop的生态圈

二、Spark的体系结构和安装配置
1、体系结构：Client-Server（主从模式） ----> 单点故障：HA（ZooKeeper）
http://spark.apache.org/docs/latest/cluster-overview.html

准备工作：安装Linux、JDK、主机名、免密码登录

2、安装和部署：standalone

tar -zxvf spark-2.1.0-bin-hadoop2.7.tgz -C ~/training/

注意：hadoop和spark命令脚本有冲突，只能设置一个
核心配置文件：spark-env.sh

（*）伪分布模式: bigdata11机器
spark-env.sh

export JAVA_HOME=/root/training/jdk1.8.0_144
export SPARK_MASTER_HOST=bigdata11
export SPARK_MASTER_PORT=7077

slave文件：

bigdata11

启动：sbin/start-all.sh
Web Console: http://ip:8080 (内置了一个tomcat)


（*）全分布模式: bigdata12 bigdata13 bigdata14
(1)在主节点上进行安装
spark-env.sh

export JAVA_HOME=/root/training/jdk1.8.0_144
export SPARK_MASTER_HOST=bigdata12
export SPARK_MASTER_PORT=7077

slave文件：

bigdata13
bigdata14    

(2) 复制到从节点上

scp -r spark-2.1.0-bin-hadoop2.7/ root@bigdata13:/root/training
scp -r spark-2.1.0-bin-hadoop2.7/ root@bigdata14:/root/training

(3) 在主节点上启动
启动：sbin/start-all.sh
Web Console: http://ip:8080 (内置了一个tomcat)

3、Spark的HA实现

（1）基于文件系统的单点故障恢复：只有一个主节点、只能用于开发测试
（*）特点：把Spark的运行信息写入到一个本地的恢复目录
如果Master死掉了，恢复master的时候从恢复目录上读取之前的信息
需要人为重启

（*）Spark的运行信息
Spark Application和Worker的注册信息

（*）配置:
（a）创建目录：mkdir /root/training/spark-2.1.0-bin-hadoop2.7/recovery
（b）参数：
spark.deploy.recoveryMode：取值：默认NONE--> 没有开启HA
FILESYSTEM ---> 基于文件系统的单点故障恢复
ZOOKEEPER ---> 基于ZooKeeper实现Standby的Master
spark.deploy.recoveryDirectory: 恢复目录

（c）修改spark-env.sh
增加：export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=FILESYSTEM -Dspark.deploy.recoveryDirectory=/root/training/spark-2.1.0-bin-hadoop2.7/recovery"

（*）测试:启动spark-shell

bin/spark-shell --master spark://bigdata12:7077

sbin/stop-master.sh
日志
scala> 18/02/09 00:40:42 WARN StandaloneAppClient$ClientEndpoint: Connection to bigdata12:7077 failed; waiting for master to reconnect...
18/02/09 00:40:42 WARN StandaloneSchedulerBackend: Disconnected from Spark cluster! Waiting for reconnection...
18/02/09 00:40:42 WARN StandaloneAppClient$ClientEndpoint: Connection to bigdata12:7077 failed; waiting for master to reconnect...

重新启动master

（2）基于ZooKeeper实现Standby的Master
（*）复习：相当于是一个“数据库”
角色：leader、follower
功能：选举、数据同步、分布式锁（秒杀功能）

（*）原理：类似Yarn
（*）参数
spark.deploy.recoveryMode 设置为ZOOKEEPER开启单点恢复功能，默认值：NONE
spark.deploy.zookeeper.url ZooKeeper集群的地址
spark.deploy.zookeeper.dir Spark信息在ZK中的保存目录，默认：/spark

（*）修改spark-env.sh
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=bigdata12:2181,bigdata13:2181,bigdata14:2181 -Dspark.deploy.zookeeper.dir=/spark"

（*）测试
bigdata12: sbin/start-all.sh
bigdata13(14)：手动启动一个master
sbin/start-master.sh

worker信息注册到了13上。