Spark記錄（一）：Spark全景概述
一、Spark是什麼
Spark是一個開源的大數據處理引擎。
二、Spark的主要組件如下圖所示：
三、Spark運行時架構
Spark共有三種運行模式：本地模式、集群模式、客戶端模式。
生產環境基本都是用集群模式。集群模式需要用到集群管理器，三個核心的集群管理器為：Spark自帶的獨立集群管理器、Yarn、Mesos。
集群模式運行時，單個Spark任務的架構圖為：
其中集群管理器負責分配/回收伺服器資源和監控整個Spark任務是否完成。
四、IDEA環境準備
1、準備Scala的SDK
若用Scala開發的話，需做此步。下載Scala的msi文件本地安裝之後，在IDEA中如下圖所示的加號位處導入Scala的SDK目錄，導入之後會如下圖所示：
2、在Plugins中安裝名叫Scala的插件
自行安裝即可
3、配置項目支援Scala
選中項目最高級目錄後右鍵，選擇【Add Framework Support】，然後在裡面勾選Scala選項
如此之後，便可以在包裡面右鍵new Scala類了：
4、導入maven依賴
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-mllib_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
版本用的是：
<spark.version>3.2.0</spark.version>
<scala.version>2.13</scala.version>
5、編寫個簡單的腳本運行
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() }
運行結果：
Intersting Number！
explain列印出來的邏輯計劃，有時間再詳細解讀。
另附：
1、下載歷史Hadoop版本的地址：
//archive.apache.org/dist/hadoop/core/
2、下載winutils.exe、hadoop.dll文件的地址：
//blog.csdn.net/ytp552200ytp/article/details/107223357
