摘要:Spark是继Hadoop之后的新一代大数据分布式处理框架,由UC Berkeley的Matei Zaharia主导开发。我只能说是神一样的人物造就的神器,
详情请猛击http://www.spark-project.org/
Created 2012-05-09
Modified 2012-08-13
1 Scala安装
当前,Spark最新版本是0.5,由于我写这篇文档时,版本还是0.4,因此本文下面的所有描述基于0.4版本。
不过淘宝的达人已经尝试了0.5,并写了相关安装文档在此http://rdc.taobao.com/team/jm/archives/tag/spark。
~~~~~~~~~~~~~~~以下开始我的安装文档~~~~~~~~~~~~~~
我使用的Spark的版本是0.4,只存在于github上,该版本使用的Scala版本是0.9.1.final。所以先到http://www.scala-lang.org/node/165下载scala-2.9.1.final.tar.gz。解压后放到本地 /opt 下面,在 /etc/profile 里添加
export SCALA_HOME=/opt/scala-2.9.1.final
export PATH=$SCALA_HOME/bin:$PATH
2 git安装
由于下载Spark和编译Spark需要git,因此先安装git,安装方法可以到Ubuntu软件中心直接装,也可以apt-get装。装好后需要到https://github.com 去注册一个帐号,我注册的是JerryLead,注册邮箱和密码,然后根据网站上的get-start提示生成RSA密码。
注意:如果本地之前存在rsa_id.pub,authorized_keys等,将其保存或着将原来的密码生成为dsa形式,这样git和原来的密码都不冲突。
3 Spark安装
首先下载最新的源代码
git clone git://github.com/mesos/spark.git |
得到目录spark后,进入spark目录,进入conf子目录,将 spark-env.sh-template 重命名为spark-env.sh,并添加以下代码行:
export SCALA_HOME=/opt/scala-2.9.1.final |
回到spark目录,开始编译,运行
$ sbt/sbt update compile |
这条命令会联网下载很多jar,然后会对spark进行编译,编译完成会提示success
[success] Total time: 1228 s, completed May 9, 2012 3:42:11 PM |
可以通过运行spark-shell来和spark进行交互。
也可以先运行测试用例./run <class> <params>
./run spark.examples.SparkLR local[2] |
在本地启动两个线程运行线性回归。
./run spark.examples.SparkPi local |
在本地启动运行Pi估计器。
更多的例子在examples/src/main/scala里面
3 Spark导出
在使用Spark之前,先将编译好的classes导出为jar比较好,可以
$ sbt/sbt assembly |
将Spark及其依赖包导出为jar,放在
core/target/spark-core-assembly-0.4-SNAPSHOT.jar |
可以将该jar添加到CLASSPATH里,开发Spark应用了。
一般在开发Spark应用时需要导入Spark一些类和一些隐式的转换,需要再程序开头加入
import spark.SparkContext import SparkContext._ |
4 使用Spark交互模式
1. 运行./spark-shell.sh 2. scala> val data = Array(1, 2, 3, 4, 5) //产生data data: Array[Int] = Array(1, 2, 3, 4, 5) 3. scala> val distData = sc.parallelize(data) //将data处理成RDD distData: spark.RDD[Int] = spark.ParallelCollection@7a0ec850 (显示出的类型为RDD) 4. scala> distData.reduce(_+_) //在RDD上进行运算,对data里面元素进行加和 12/05/10 09:36:20 INFO spark.SparkContext: Starting job… 5. 最后运行得到 12/05/10 09:36:20 INFO spark.SparkContext: Job finished in 0.076729174 s res2: Int = 15 |
5 使用Spark处理Hadoop Datasets
Spark可以从HDFS/local FS/Amazon S3/Hypertable/HBase等创建分布式数据集。Spark支持text files,SequenceFiles和其他Hadoop InputFormat。
比如从HDFS上读取文本创建RDD
scala> val distFile = sc.textFile(“hdfs://m120:9000/user/LijieXu/Demo/file01.txt”) 12/05/10 09:49:01 INFO mapred.FileInputFormat: Total input paths to process : 1 distFile: spark.RDD[String] = spark.MappedRDD@59bf8a16 |
然后可以统计该文本的字符数,map负责处理文本每一行map(_size)得到每一行的字符数,多行组成一个List,reduce负责将List中的所有元素相加。
scala> distFile.map(_.size).reduce(_+_) 12/05/10 09:50:02 INFO spark.SparkContext: Job finished in 0.139610772 s res3: Int = 79 |
textFile可以通过设置第二个参数来指定slice个数(slice与Hadoop里的split/block概念对应,一个task处理一个slice)。Spark默认将Hadoop上一个block对应为一个slice,但可以调大slice的个数,但不能比block的个数小,这就需要知道HDFS上一个文件的block数目,可以通过50070的dfs的jsp来查看。
对于SequenceFile,可以使用SparkContext的sequenceFile[K,V]方法生成RDD,其中K和V肯定要是SequenceFile存放时的类型了,也就是必须是Writable的子类。Spark也允许使用native types去读取,如sequenceFile[Int, String]。
对于复杂的SequenceFile,可以使用SparkContext.hadoopRDD方法去读取,该方法传入JobConf参数,包含InputFormat,key class,value class等,与Hadoop Java客户端读取方式一样。
6 分布式数据集操作
分布式数据集支持两种类型的操作:transformation和action。transformation的意思是从老数据集中生成新的数据集,action是在数据集上进行计算并将结果返回给driver program。每一个Spark应用包含一个driver program用来执行用户的main函数,比如,map就是一个transformation,将大数据集划分处理为小数据集,reduce是action,将数据集上内容进行聚合并返回给driver program。有个例外是reduceByKey应该属于transformation,返回的是分布式数据集。
需要注意的是,Spark的transformation是lazy的,transformation先将操作记录下来,直到接下来的action需要将处理结果返回给driver program的时候。
另一个特性是caching,如果用户指定cache一个数据集RDD,那么该数据集中的不同slice会按照partition被存放到相应不同节点的内存中,这样重用该数据集的时候,效率会高很多,尤其适用于迭代型和交互式的应用。如果cache的RDD丢失,那么重新使用transformation生成。
7 共享变量
与Hadoop的MapReduce不同的是,Spark允许共享变量,但只允许两种受限的变量:broadcast和accumulators。
Broadcast顾名思义是“广播”,在每个节点上保持一份read-only的变量。比如,Hadoop的map task需要一部只读词典来处理文本时,由于不存在共享变量,每个task都需要加载一部词典。当然也可以使用DistributedCache来解决。在Spark中,通过broadcast,每个节点存放一部词典就够了,这样从task粒度上升到node粒度,节约的资源可想而知。Spark的broadcast路由算法也考虑到了通信开销。
通过使用SparkContext.broadcast(v)来实现对变量v的包装和共享。
scala> val broadcastVar = sc.broadcast(Array(1,2,3)) 12/05/10 10:54:21 INFO spark.BoundedMemoryCache: Asked to add key ((1,a5c2a151-185d-4ea4-aad1-9ec642eebc5d),0) 12/05/10 10:54:21 INFO spark.BoundedMemoryCache: Estimated size for key ((1,a5c2a151-185d-4ea4-aad1-9ec642eebc5d),0) is 12 12/05/10 10:54:21 INFO spark.BoundedMemoryCache: Size estimation for key ((1,a5c2a151-185d-4ea4-aad1-9ec642eebc5d),0) took 0 ms 12/05/10 10:54:21 INFO spark.BoundedMemoryCache: ensureFreeSpace((1,a5c2a151-185d-4ea4-aad1-9ec642eebc5d), 12) called with curBytes=12, maxBytes=339585269 12/05/10 10:54:21 INFO spark.BoundedMemoryCache: Adding key ((1,a5c2a151-185d-4ea4-aad1-9ec642eebc5d),0) 12/05/10 10:54:21 INFO spark.BoundedMemoryCache: Number of entries is now 2 broadcastVar: spark.broadcast.Broadcast[Array[Int]] = spark.Broadcast(a5c2a151-185d-4ea4-aad1-9ec642eebc5d) |
创建broadcast变量后,可以通过.value来访问只读原始变量v。
scala> broadcastVar.value res4: Array[Int] = Array(1, 2, 3) |
另一种共享变量是Accumulators,顾名思义就是可以被“added”的变量,比如MapReduce中的counters就是不断累加的变量。Spark原生支持Int和Double类型的累加变量。
通过SparkContext.accumulator(v)来创建accumulator类型的变量,然后运行的task可以使用“+=”操作符来进行累加。但是task不能读取到该变量,只有driver program能够读取(通过.value),这也是为了避免使用太多读写锁吧。
创建0的accumulator版本。
scala> val accum = sc.accumulator(0) accum: spark.Accumulator[Int] = 0 |
对生成的RDD进行累加,这次不要reduce了。
scala> sc.parallelize(Array(1,2,3,4)).foreach(x => accum += x) 12/05/10 11:05:48 INFO spark.SparkContext: Starting job… scala> accum.value res7: Int = 20 |
8 安装Mesos
Spark-0.4推荐的Mesos版本是1205738,不是最新版的Mesos,我想最新版应该也可以,这里暂且使用1205738。
首先下载Mesos
svn checkout –r 1205738 https://svn.apache.org/repos/asf/incubator/mesos/trunk mesos |
得到mesos目录后,先安装编译所需的软件
apt-get install python2.6 python2.6-dev 很遗憾,虽然Ubuntu 11.04上有python 2.7,但webui(mesos的web界面)需要python 2.6,因此要装 apt-get install libcppunit-dev (安装cppunit) 确保g++版本大于4.1 如果缺automake,那么安装 apt-get install autoconf automake libtool |
由于系统是Ubuntu 11.04 (GNU/Linux 2.6.38-8-generic x86_64)-natty,可以直接使用./configure.template.ubuntu-natty-64。但我使用的JDK是Sun的,因此修改./configure.template.ubuntu-natty-64里面–with-java-home为/opt/jdk1.6.0_27。
总体如下:
cp configure.template.ubuntu-natty-64 configure.template.ubuntu-my-natty-64 修改configure.template.ubuntu-my-natty-64得到如下内容 1 #!/bin/sh 2 export PYTHON=python2.7 3 4 $(dirname $0)/configure \ 5 –with-python-headers=/usr/include/python2.7 \ 6 –with-java-home=/opt/jdk1.6.0_27 \ 7 –with-webui \ 8 –with-included-zookeeper $@ |
编译mesos
root@master:/opt/mesos# ./configure.template.ubuntu-my-natty-64 完了之后 root@master:/opt/mesos# make |
9 配置Mesos和Spark
先在slave1、slave2、slave3和master上安装mesos,我这里安装在/opt/mesos。
进入conf目录,修改deploy-env.sh,添加MESOS_HOME
# This works with a newer version of hostname on Ubuntu. #FULL_IP=”hostname –all-ip-addresses” #export LIBPROCESS_IP=`echo $FULL_IP | sed ‘s/\([^ ]*\) .*/\1/’` export MESOS_HOME=/opt/mesos |
修改mesos.conf,添加
# mesos-slave with –help. failover_timeout=1 |
进入/opt/spark,修改conf/spark-env.sh,添加
# variables to set are: # – MESOS_HOME, to point to your Mesos installation # – SCALA_HOME, to point to your Scala installation # – SPARK_CLASSPATH, to add elements to Spark’s classpath # – SPARK_JAVA_OPTS, to add JVM options # – SPARK_MEM, to change the amount of memory used per node (this should # be in the same format as the JVM’s -Xmx option, e.g. 300m or 1g). # – SPARK_LIBRARY_PATH, to add extra search paths for native libraries. export SCALA_HOME=/opt/scala-2.9.1.final export MESOS_HOME=/opt/mesos export PATH=$PATH:/opt/jdk1.6.0_27/bin export SPARK_MEM=10g (根据自己机器的内存大小设置,指示Spark可以使用的最大内存量) |
来源URL:http://www.cnblogs.com/jerrylead/archive/2012/08/13/2636115.html