今天开始了新的课程
由我们的星哥带领我们踏入Spark的神秘殿堂
01_SparkCore
1. Spark简介
1.1 什么是Spark
Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，2010年开源，2013年6月成为Apache孵化项目，2014年2月成为Apache的顶级项目，2014年5月发布spark1.0，2016年7月发布spark2.0，2020年6月18日发布spark3.0.0
1.2 Spark的特点
- Speed：快速高效
Hadoop的MapReduce作为第一代分布式大数据计算引擎，在设计之初，受当时计算机硬件条件所限（内存、磁盘、cpu等），为了能够计算海量数据，需要将中间结果保存到HDFS中，那么就要频繁读写HDFS从而使得网络IO和磁盘IO成为性能瓶颈。Spark可以将中间结果写到本地磁盘或将中间cache到内存中，节省了大量的网络IO和磁盘IO开销。并且Spark使用更先进的DAG任务调度思想，可以将多个计算逻辑构建成一个有向无环图，并且还会将DAG先进行优化后再生成物理执行计划，同时 Spark也支持数据缓存在内存中的计算。性能比Hadoop MapReduce快100倍。即便是不将数据cache到内存中，其速度也是MapReduce10 倍以上。
- Ease of Use：简洁易用
Spark支持 Java、Scala、Python和R等编程语言编写应用程序，大大降低了使用者的门槛。自带了80多个高等级操作算子，并且允许在Scala，Python，R 的使用命令进行交互式运行，可以非常方便的在Spark Shell中地编写spark程序。
- Generality：通用、全栈式数据处理
Spark提供了统一的大数据处理解决方案，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。 同时Spark还支持SQL，大大降低了大数据开发者的使用门槛，同时提供了SparkStream和Structed Streaming可以处理实时流数据；MLlib机器学习库，提供机器学习相关的统计、分类、回归等领域的多种算法实现。其高度封装的API 接口大大降低了用户的学习成本；Spark GraghX提供分布式图计算处理能力；PySpark支持Python编写Spark程序；SparkR支持R语言编写Spark程序。
- Runs Everywhere：可以运行在各种资源调度框架和读写多种数据源
Spark支持的多种部署方案：Standalone是Spark自带的资源调度模式；Spark可以运行在Hadoop的YARN上面；Spark 可以运行在Mesos上（Mesos是一个类似于YARN的资源调度框架）；Spark还可以Kubernetes实现容器化的资源调度
丰富的数据源支持。Spark除了可以访问操作系统自身的本地文件系统和HDFS之外，还可以访问 Cassandra、HBase、Hive、Alluxio（Tachyon）以及任何 Hadoop兼容的数据源。这极大地方便了已经 的大数据系统进行顺利迁移到Spark。
1.3 Spark与MapReduce的对比
| 框架 | 优点 | 缺点 |
| MapReduce | 历史悠久、稳定 | 编程API不灵活、速度慢、只能做离线计算 |
| Spark | 通用、编程API简洁、快 | 跟MapReduce比暂无缺点 |
面试题：MapReduce和Spark的本质区别：
- MR只能做离线计算，如果实现复杂计算逻辑，一个MR搞不定，就需要将多个MR按照先后顺序连成一串，一个MR计算完成后会将计算结果写入到HDFS中，下一个MR将上一个MR的输出作为输入，这样就要频繁读写HDFS，网络IO和磁盘IO会成为性能瓶颈。从而导致效率低下。
- spark既可以做离线计算，又可以做实时计算，提供了抽象的数据集（RDD、Dataset、DataFrame、DStream）
有高度封装的API，算子丰富，并且使用了更先进的DAG有向无环图调度思想，可以对执行计划优化后在执行，并且可以数据可以cache到内存中进行复用，shuffle时，数据可以不排序
注意：MR和Spark在Shuffle时数据都落本地磁盘
2. Spark架构体系
StandAlone模式是spark自带的集群运行模式，不依赖其他的资源调度框架，部署起来简单。
StandAlone模式又分为client模式和cluster模式，本质区别是Driver运行在哪里，如果Driver运行在SparkSubmit进程中就是Client模式，如果Driver运行在集群中就是Cluster模式
2.1 standalone client模式
2.2 standalone cluster模式
2.3 Spark On YARN cluster模式
2.4 Spark执行流程简介
- Job：RDD每一个行动操作都会生成一个或者多个调度阶段 调度阶段（Stage）：每个Job都会根据依赖关系，以Shuffle过程作为划分，分为Shuffle Map Stage和Result Stage。每个Stage对应一个TaskSet，一个Task中包含多Task，TaskSet的数量与该阶段最后一个RDD的分区数相同。
- Task：分发到Executor上的工作任务，是Spark的最小执行单元
- DAGScheduler：DAGScheduler是将DAG根据宽依赖将切分Stage，负责划分调度阶段并Stage转成TaskSet提交给TaskScheduler
- TaskScheduler：TaskScheduler是将Task调度到Worker下的Exexcutor进程，然后丢入到Executor的线程池的中进行执行
2.5 Spark中重要角色
- Master ：是一个Java进程，接收Worker的注册信息和心跳、移除异常超时的Worker、接收客户端提交的任务、负责资源调度、命令Worker启动Executor。
- Worker ：是一个Java进程，负责管理当前节点的资源管理，向Master注册并定期发送心跳，负责启动Executor、并监控Executor的状态。
- SparkSubmit ：是一个Java进程，负责向Master提交任务。
- Driver ：是很多类的统称，可以认为SparkContext就是Driver，client模式Driver运行在SparkSubmit进程中，cluster模式单独运行在一个进程中，负责将用户编写的代码转成Tasks，然后调度到Executor中执行，并监控Task的状态和执行进度。
- Executor ：是一个Java进程，负责执行Driver端生成的Task，将Task放入线程中运行。
2.6 Spark和Yarn角色对比
| Spark StandAlone的Client模式 | YARN |
| Master | ResourceManager |
| Worker | NodeManager |
| Executor | YarnChild |
| SparkSubmit（Driver） | ApplicationMaster |
3. StandAlone模式环境搭建
3.1 搭建步骤
环境准备：三台Linux，一个安装Master，其他两台机器安装Worker
- 下载spark安装包，下载地址：Downloads | Apache Spark
- 上传spark安装包到Linux服务器上
- 解压spark安装包
| Shell |
- 进入到spark按照包目录并将conf目录下的spark-env.sh.template重命名为spark-env.sh，再修改
| Shell |
- 将conf目录下的workers.template重命名为workers并修改，指定Worker的所在节点
| Shell |
- 将配置好的spark拷贝到其他节点
| Shell |
3.2 启动Spark集群
- 在Spark的安装目录执行启动脚本
| Shell |
- 执行jps命令查看Java进程
| Shell |
在ndoe-1上可以看见Master进程，在其他的节点上可以看见到Worker进程
- 访问Master的web管理界面，端口8080
3.3 一些重要参数
| Shell |
3.4 standalone模式高可用部署
spark的standalone模式可以启动两个以上的Master，但是需要依赖zookeeper进行协调，所有的节点启动后，都向zk注册
修改配置文件spark-env.sh
| Shell |
