Spark记录（一）（Spark全景概述） Spark记录（一）：Spark全景概述

一、Spark是什么
Spark是一个开源的大数据处理引擎。

二、Spark的主要组件如下图所示：

文章图片

三、Spark运行时架构
Spark共有三种运行模式：本地模式、集群模式、客户端模式。
生产环境基本都是用集群模式。集群模式需要用到集群管理器，三个核心的集群管理器为：Spark自带的独立集群管理器、Yarn、Mesos。
集群模式运行时，单个Spark任务的架构图为：

文章图片

其中集群管理器负责分配/回收服务器资源和监控整个Spark任务是否完成。

四、IDEA环境准备
1、准备Scala的SDK
若用Scala开发的话，需做此步。下载Scala的msi文件本地安装之后，在IDEA中如下图所示的加号位处导入Scala的SDK目录，导入之后会如下图所示：

文章图片

2、在Plugins中安装名叫Scala的插件
自行安装即可

3、配置项目支持Scala
选中项目最高级目录后右键，选择【Add Framework Support】，然后在里面勾选Scala选项

文章图片

如此之后，便可以在包里面右键new Scala类了：
【Spark记录（一）（Spark全景概述）】
文章图片

4、导入maven依赖

org.apache.spark spark-core_${scala.version} ${spark.version} org.apache.spark spark-streaming_${scala.version} ${spark.version} org.apache.spark spark-sql_${scala.version} ${spark.version} org.apache.spark spark-hive_${scala.version} ${spark.version} org.apache.spark spark-mllib_${scala.version} ${spark.version}

版本用的是：

3.2.0 2.13

5、编写个简单的脚本运行

def main(args: Array[String]): Unit = { val ss = SparkSession.builder().appName("localhost").master("local[*]").getOrCreate()val df1 = ss.range(2, 100, 2).toDF() val df2 = ss.range(2, 100, 4).toDF()val df11 = df1.repartition(5) val df21 = df2.repartition(6)val df12 = df11.selectExpr("id * 5 as id") val df3 = df2.join(df12, "id") val df4 = df3.selectExpr("sum(id)")df4.collect().foreach(println(_)) df4.explain() }

运行结果：

文章图片

Intersting Number！
explain打印出来的逻辑计划，有时间再详细解读。
另附：
1、下载历史Hadoop版本的地址：
http://archive.apache.org/dist/hadoop/core/
2、下载winutils.exe、hadoop.dll文件的地址：
https://blog.csdn.net/ytp552200ytp/article/details/107223357