Spark简介及linux环境搭建（local本地模式）

Spark和java的集成demo请点击

Unified engine for large-scale data analytics
Spark是用于大规模数据处理的统一分析引擎

2009年Spark诞生于加州大学伯克利分校AMP实验室，
2013年其原创团队建立了Databricks公司，并将Spark捐献给了Apache软件基金会，
2014年成为Apache顶级项目，2016年发布了Spark2.0,2019年10月发布
Spark3.0预览版，2020年6月18日Spark3.0正式发布
Spark的发展历史，经过几个重要阶段，如下图所示

自2009年伯克利的AMP实验室将Spark开源以来，Spark在大数据处理领域发展相当迅速
，并获得了巨大的成功。如今，Spark已经成为最活跃的开源项目之一，
是大数据处理、数据科学、机器学习和数据分析工作负载的事实上的统一引擎
从世界著名的开发者论坛Stack Overflow的数据可以看出，2015年开始Spark
每月的问题提交数量已经超越Hadoop,而2018年Spark Python 版本的API
PySpark每月的问题提交数量也已超过Hadoop.2019年排名Spark第一，PySark
第二；而十年累计排名Spark第一，PySpark第三。按照这个趋势发展下去，Spark和
PySpark在未来很长一段时间内应该还会处于垄断地位

将从下面三个步骤展开

原理
操作
测试

1.保证有JDK(Spark 源码是使用Scala编写的，编译成.class文件，运行
在JVM之上)
2.Scala的SDK?—不在Linux上进行Spark开发则不需要
3.安装包下载
目前使用Spark最新稳定版本：3.0.x系列

http://archive.apache.org/dist/spark/spark-3.0.1/

在本地使用多线程模拟Spark集群中的各个角色

1.上传：将安装包上传至linux
2.解压  tar -zxvf spark-3.0.1-bin-hadoop2.7.tgz
3.改权限，如果有权限问题，可以修改为root,方便学习时操作，实际
中使用运维分配的用户和权限即可
chown -R root /export/server/spark-3.0.1-bin-hadoop2.7
chgrp -R root /export/server/spark-3.0.1-bin-hadoop2.7

1.上传测试文件
2.启动bin目录下的spark-shell
/xxx/spark/spark-3.0.1-bin-hadoop2.7/bin
3.运行成功以后，有如下提示信息

4.打开webUI: http://shcas.com.cn:4040  （浏览器可以看到spark任务页面）
5.执行命令脚本wordcount

测试代码1(可以直接复制，粘贴到服务器spark启动界面执行):

val textFile = sc.textFile("/app/gzengine/spark/word.txt")
val counts = textFile.flatMap(line => line.split(" "))
                 .map(word => (word, 1))
                 .reduceByKey(_ + _)
counts.collect

测试代码1

val textFile = sc.textFile("/app/gzengine/spark/word.txt")
val counts = textFile.flatMap(line => line.split(" "))
                 .map(word => (word, 1))
                 .reduceByKey(_ + _)
counts.saveAsTextFile("/xxx/spark/text.txt")

总的来说，开箱即用，非常简单。除了local本地模式，还有独立集群、独立集群高可用、on yarn 等部署方式，需要用到多台服务器，在配置文件中配置

Spark环境搭建-Standalone-独立集群-原理

Spark环境搭建-Standalone-HA-独立集群(高可用)-原理