Spark 是离线数据处理的一种大数据技术,和Flick相比数据处理要延后,因为Flick是实时数据处理,而Spark需要先读取数据到内存。
Spark的库是基于Scala写的,虽然Scala也是运行在jvm上的,但是Spark提供的Java api的能力和原生api并不完全相同,据说执行效率也有微弱差异。
但是scala语法比较难,编码也不如Java规范,用的人和企业越来越少。为了更好推广和更好交接,我们也选择Java API。
环境搭建
要用spark的库有两种方法:官方下载或maven依赖。
官方下载
到apache下载网站 Downloads | Apache Spark 点击链接下载
下载后解压到某位置。比如我放在 D:\Programs\spark-3.2.0-bin-hadoop3.2,这里就是SPARK_HOME,可以加到系统的环境变量里。
里面的bin是可执行文件和脚本,jar就是Java的api包:
里面有200+个jar,其中以spark开头的有21个。使用的时候把这个jar目录或者里面特定的jar包引入到项目即可:
maven依赖进来
在上面的下载页面可以同时看到maven的坐标
依赖进来
-
</dependencies><dependencies>
-
<dependency> <!-- Spark dependency -->
-
<groupId>org.apache.spark</groupId>
-
<artifactId>spark-core_2.12</artifactId>
-
<version>3.2.0</version>
-
</dependency>
-
</dependencies>
spark-core只是spark的核心和最重要的部分,但是它一般不能独立使用。它里面定义了spark的工作流程和算法,比较底层,提供给其他spark模块使用。
安装hadoop
spark不少功能都是依赖hadoop的,因为spark不提供数据存储的能力(它提供的能力是和map-reduce阶段类似的),那它读取的数据通常都是hdfs来的(当然也可以从其他路径来)。为了以后方便,可以提前安装好hadoop。
从spark下载页面可以看到,和我们这个版本搭配的hadoop是版本3.3。
Hadoop下载页面是 Apache Hadoop,下载后解压到特定目录,并添加环境变量HADOOP_HOME。
小试牛刀
-
通过IDEA创建一个Maven项目,引入jar包或通过maven导入:<dependencies>
-
<dependency> <!-- Spark dependency -->
-
<groupId>org.apache.spark</groupId>
-
<artifactId>spark-sql_2.12</artifactId>
-
<version>3.2.0</version>
-
</dependency>
-
</dependencies>
注意这里引入的是最常用的spark-sql包,解压目录里也能找到。sql模块提供了数据帧和数据集 DataFrame和DataSet的处理,针对的是结构化数据。
> 除了sql模块,还有streaming模块处理流式计算,MLlib处理机器学习,和处理图数据的GraphX。可能有之前就接触过spark的会说RDD,著名的弹性分布式数据集,这个已经过时了,被spark-sql取代
编写程序:
-
import org.apache.spark.sql.SparkSession;
-
import org.apache.spark.sql.Dataset;
-
-
public class SimpleApp {
-
public static void main(String[] args) {
-
String logFile = "D:\\Programs\\spark-3.2.0-bin-hadoop3.2\\README.md";
-
SparkSession spark = SparkSession.builder().appName("Simple Application").master("local").getOrCreate();
-
Dataset<String> logData = spark.read().textFile(logFile).cache();
-
rr
-
String a1 = "scala";
-
String a2 = "Scala";
-
long numAs = logData.filter((org.apache.spark.api.java.function.FilterFunction<String>) s -> s.contains(a1)).count();
-
long numBs = logData.filter((org.apache.spark.api.java.function.FilterFunction<String>) s -> s.contains(a2)).count();
-
-
System.out.println("Lines with " + a1 + ": " + numAs + ", lines with " + a2 + ": " + numBs);
-
-
spark.stop();
-
}
-
}
程序运行
执行上面的main方法就可以看到控制台打印出某个文件里有某个单词的行数。
> 这个程序经过我的改造,官方 Quick Start - Spark 3.2.0 Documentation (apache.org) 给的例子直接运行会报错,连编译都报错。另外只能使用Java8,刚开始使用的java 16总报错也修不好。
任务提交
spark运行的都是一个个任务,需要提交给spark环境。接下来我们把项目打包成jar提交给spark。
执行mvn package,就会在target目录下生成Jar包。拿到它的绝对路径
通过SPARK_HOME\bin\spark-submit.bat来提交:
.\bin\spark-submit --class "SimpleApp" --master local[4] 绝对路径.jar
这样可以执行完并打印计数,但是我本地会报错,执行完的时候要删除零时文件删不掉
在IDEA中可以成功删掉,在cmd中用管理员也删不掉
下一步
接下来开始学习spark sql和spark streaming。
学习网站:Spark SQL and DataFrames - Spark 3.2.0 Documentation (apache.org)