Apache Spark编程教程

19-01-12 banq
#mapreduce      #spark      #大数据      #hadoop     

Apache Spark是一个分布式计算平台，在当今非常流行，特别是因为与Hadoop mapreduce相比性能要好得多，Spark比基于磁盘的hadoop mapreduce 快了近100倍。让我们测试它并从头开始创建maven Apache Spark应用程序......

Apache Spark可以以三种模式运行：

  • Apache Spark应用程序访问文件系统（本地文件系统，HDFS）。
  • Apache Spark应用程序访问HBase等分布式系统。
  • Yarn上的 Apache Spark应用程序。

我们将在这里测试第一个变体，其中包含经典的单词计数示例，用于保存在Hadoop HDFS文件系统中的文件

先决条件：

  • 安装了Hadoop，我的Mac上有Hadoop 2.6.0。要进行安装，请按照此处的说明进行操作... 在Mac上安装Hadoop
  • 将文本文件上传到HDFS。有关如何使用HDFS的命令，请参阅HDFS命令指南
  • 安装了Apache Spark。Spark可以在预构建版本中下载，也可以手动构建。在Mac OS X中，安装Apache Spark的最简单方法是使用自制程序。我有Apache Spark 1.3.0，可以很好地与Hadoop 2.6.0配合使用。请参阅Spark独立模式
  • git clone https://bitbucket.org/tomask79/apache-spark-maven.git并运行mvn clean install

准备和启动Apache Spark和Hadoop集群

在进行任何测试之前，我们需要以下内容：

  • 我们需要运行Apache Spark master ...从文件夹/usr/local/Cellar/apache-spark/1.3.0/libexec/sbin运行以下命令：./start-master.sh

这将启动Apache Spark集群的主节点。Spark提供了出色的Web控制台来查看主节点属性...在浏览器中，点击以下URL：

http://localhost:8080/

为了能够在Apache Spark集群中运行任何我们的东西，我们需要在apache spark run以下命令的bin文件夹中添加至少一个worker来执行此操作：

spark-class org.apache.spark.deploy.worker.Worker spark://tomask79.local:7077

spark://tomask79.local:7077是我Mac上的主节点，你要根据localhost：8080中列出的主节点URL将其更改为你的主节点。

再次访问localhost：8080，您应该看到您的worker在employees表中列出...完美，Apache Spark集群已准备就绪！

我们要在HDFS文件系统上加载文件，所以我们需要启动Hadoop集群，从文件夹/usr/local/Cellar/hadoop/2.6.0/libexec/sbin 启动hadoop集群：./start-all.sh

将应用程序提交到Apache Cluster并检查代码

在将每个Apache Spark应用程序提交到Apache集群之前，需要对其进行正确配置，让我们检查一下配置代码：

SparkConf sparkConf = new SparkConf();
    sparkConf.set("spark.cores.max", "1");
    sparkConf.set("spark.executor.memory", "2048M");
    sparkConf.set("spark.driver.memory", "1024M");
    sparkConf.setAppName("JavaWordCount");
    sparkConf.setMaster("spark://tomask79.local:7077");

要查看Apache Spark应用程序属性的完整列表，请参阅以下链接：Spark配置

我们只是说使用setMaster方法设置主节点URL是必需的。其他选项是可选的。但是控制Apache Spark节点应用程序的资源量是很好的。否则你可能会遇到新奇的Apache Spark问题：

Initial job has not accepted any resources; check your cluster UI to ensure that workers are registered and have sufficient memory

第二个非常重要的配置是以下代码：

JavaSparkContext ctx = new JavaSparkContext(sparkConf);
ctx.addJar("/Users/tomask79/Documents/workspace/apache-spark/spark/target/spark-0.0.1-SNAPSHOT.jar");

使用此代码，您将告诉Apache Spark驱动程序，他应该将jar带到哪个节点以运行代码计算（banq注：计算代码送到数据附近，云计算是数据送到计算代码附近）。否则你最终得到：

15/11/22 12:03:55 WARN TaskSetManager: Lost task 0.0 in stage 0.0 (TID 0, 192.168.1.112): java.lang.ClassNotFoundException: com.myspark.test.spark.JavaWordCount$1
    at java.net.URLClassLoader$1.run(URLClassLoader.java:366)

其余的代码是执行mapreduce字数统计逻辑的简单RDD命令，没什么大不了的，要理解它，请访问以下页面：Hadoop wordcount

现在您应该能够将JavaWordCount应用程序提交到Apache Spark集群，如果一切顺利，从IDE启动JavaWordCount类后，您应该看到输出。

关于maven依赖关系的建议

首先，请确保使用与安装的Apache Spark相同版本的spark_core依赖项。例如，我安装了Apache Spark 1.3.0，因此我的示例在pom.xml中使用

<dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-core_2.10</artifactId>
        <version>1.3.0</version>
    </dependency>

我有与hadoop 2.6.0客户端的servlet API兼容性问题，所以我使用2.2.0 hadoop客户端，它可以与Apache Spark 1.3.0核心一起使用： 

<dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>2.2.0</version>
    </dependency>

用Apache Spark编程​​​​​​​

我们将尝试使用JavaRDD API解决简单任务。

Apache Spark JavaRDD和任务解决：如果你不知道map-reduce概念那么你就无法理解Apache Spark。为了证明这一点，让我们解决简单的任务。假设我们有以下带有温度的城市文本文件： 

Prague 35
Madrid 40
Berlin 20
Paris 15
Rome 25

位于Apache Hadoop HDFS文件系统，我们需要编写简单的JavaRDD Apache Spark程序来打印具有温度低于整个平均温度的城市。

JavaRDD API和MapReduce有区别吗？

要解决前面提到的任务，我们需要将问题分成以下几部分：

  • 首先，我们需要编写JavaRDD程序来计算温度和平均值的总和。
  • 然后我们要打印温度低于计算平均值的行。

MapReduce解决方案概念：

如果我们使用Spring Data for Hadoop或为map-reduce程序指定的简单Apache Hadoop API，那么我们的解决方案将是：

  • Map函数将创建键[K，V] ='reducer'，town.temperature
  • Reduce功能将接收先前的键并将整个组的温度相加并计算平均温度。
  • 链式map-reduce减少任务将打印温度低于平均值的城镇的结果。

Apache Spark JavaRDD解决方案:

  • 首先，我们需要通过将map函数应用于输入RDD集来获取所有行的JavaRDD温度集： 

JavaRDD<String> parsedTemperatures = lines.map(new Function<String, String>() {
        private static final long serialVersionUID = 1L;

        public String call(String v1) throws Exception {
            final String arr[] = SPACE.split(v1);
            System.out.println("Reading temperature ["+arr[1]+"] from "+v1);
            return arr[1];
        }
    });

  • 然后我们需要将此RDD集转换为CONSTANT.row.temperature表单以将数据准备到reducer中： 

JavaPairRDD<String, Integer> forGroup = parsedTemperatures.mapToPair(
            new PairFunction<String, 
            String, Integer>() {
        private static final long serialVersionUID = 1L;

        public Tuple2<String, Integer> call(String t) throws Exception {
            return new Tuple2<String, Integer>("reducer", Integer.parseInt(t));
        }
    });

  • 有了这个数据集，我们就为reducer准备了数据，它将聚合所有温度 

JavaPairRDD<String, Integer> counts = forGroup.reduceByKey(
            new Function2<Integer, Integer, Integer>() {
        private static final long serialVersionUID = 1L;

        public Integer call(Integer v1, Integer v2) throws Exception {
              System.out.println("Agregatting "+v1+" plus "+v2);
              return v1 + v2;
        }
    });

（很像map-reduce概念）

要了解Spark减速器的工作原理，请查看日志： 

Reading temperature [35] from Prague 35
Reading temperature [40] from Madrid 40
Agregatting 35 plus 40
Reading temperature [20] from Berlin 20
Agregatting 75 plus 20
Reading temperature [15] from Paris 15
Agregatting 95 plus 15
Reading temperature [25] from Rome 25
Agregatting 110 plus 25

Spark实际上并行运行前三个函数map，mapToPair和reduceByKey！DAG图形分析器组合Spark任务的好处之一！

解决方案的第二部分是打印温度低于平均温度的所有城镇： 

Tuple2<String, Integer> sumTemperatures = counts.first();    
    final Integer sum = sumTemperatures._2;
    final long count = parsedTemperatures.count();
    final double avg = (double) sum / count;
    System.out.println("Average temperature "+avg);

    JavaRDD<String> result = lines.filter(new Function<String, Boolean>() {
        private static final long serialVersionUID = 1L;

        public Boolean call(String v1) throws Exception {
            final String arr[] = SPACE.split(v1);
            long temperature = Long.parseLong(arr[1]);
            return temperature <= avg;
        }
    });

    List<String> resultList = result.collect();
    for (String item: resultList) {
        System.out.println("Result item: "+item);
    }

让我们解释一下这段代码：

  • 通过counts.first（）我们从reducer中读取所有温度的总和
  • 我们使用count函数来获取JavaRDD输入集中所有行的计数。
  • 我们使用JavaRDD过滤功能来过滤掉温度高于平均值的城镇。
  • 我们使用JavaRDD collect函数来打印结果。

如果你运行这个程序，你应该得到如下结果： 

16/03/03 21:02:26 INFO DAGScheduler: Job 1 finished: count at AvgTemperatureAnalyzer.java:85, took 0,094561 s

Average temperature 27.0
.
.
Result item: Berlin 20
Result item: Paris 15
Result item: Rome 25

16/03/03 21:02:26 INFO ContextHandler: stopped o.s.j.s.ServletContextHandler{/metrics/json,null}

结论

从我的观点来看，Apache Spark比map-reduce编程更加友好，即使概念是相同的。我打赌你明白我们需要通过JavaRDD输入进行多次迭代，但是使用map-reduce你需要弄清楚如何将前一个map reduce任务的结果传递给下一个，Apache Spark一个输入迭代以新的RDD设置，您可以在其中应用其他功能，从主节点驱动的所有内容......这不是很酷吗？

代码

让我们看看如何使用Apache Spark Shared Variables使代码看起来更干净。

Apache Spark中的共享变量

通常在编写像map这样的Spark动作时，驱动程序中的任何传递的变量都会转换为远程工作人员的本地副本。并且远程工作人员对它们的任何更改都不会传播回驱动程序。为了克服这个事实，Apache Spark提供了共享变量的概念。我们有两种类型：

1. 广播变量

当您需要跨多个Spark操作的相同数据时，广播变量非常有用。通过调用SparkContext.broadcast（v），“v”数据然后仅以序列化形式发送给远程工作者，这加快了整个过程。

2.Acumulators累加器

变量只能是我们“添加”的东西，因此它们完全可用于并行处理。重要的是要记住，远程工作人员无法读取其值，只能添加它们。最终，只有驱动程序可以使用其值进行操作。

使用共享变量的演示

Acumulators累加器是解决我们所有行的所有温度总和问题的完美之选。没有必要使用map-reduce概念，就像我在之前的Spark编程部分中所做的那样，我们将简单地使用RDD forEach函数将解析后的温度发送到累加器。

 

final Accumulator<Integer> tempSum = ctx.accumulator(0);

    lines.foreach(new VoidFunction<String>() {
        private static final long serialVersionUID = 1L;

        public void call(String t) throws Exception {
            tempSum.add(Integer.valueOf(SPACE.split(t)[1]));
        }
    });

然后计算平均温度如下：

final Integer sum = tempSum.value();
    final long count = lines.count();
    final double avg = (double) sum / count;

如果您以通常的方式编译并运行此repo，您​​应该看到以下结果，就像之前的情况一样：

Average temperature 27.0
.
.
Result item: Berlin 20
Result item: Paris 15
Result item: Rome 25

点击标题见原文

#mapreduce      #spark      #大数据      #hadoop