文档中心

Spark简介

本文以分析Web日志统计每天的PV和UV为例，介绍如何在百度智能云平台使用Spark。

Spark是开源的大规模数据处理引擎。Spark的先进的DAG执行引擎支持周期性数据流和内存计算，在内存中的运算速度是MapReduce的100倍以上，在硬盘中的运算速度是MapReduce的10倍以上。Spark提供了Java、Scala、Python和R语言的高水平API，同时Spark已无缝融合了丰富的工具：Spark SQL（SQL）、MLlib（机器学习）、GraphX（图形处理）、Spark Streaming（流式处理）。Spark可访问存储在HDFS、HBase、Cassandra、本地文件系统等上的数据，支持文本文件、序列文件、以及任何Hadoop的输入文件。

Spark提供端到端的服务：

1. Spark的Driver包含您的作业程序，完成作业程序的解析和生成；
2. Driver向集群的Master节点申请运行作业所需的资源；
3. Master节点为作业分配满足要求的Core节点，并在该节点按要求创建Executor；
4. Driver将Spark作业的代码和文件传送给分配的Executor；
5. Executor运行作业，将结果返回给Driver或写入指定的输出位置。

集群准备

1. 准备数据，请参考数据准备。
2. 百度智能云环境准备。

3. 登录控制台，选择“产品服务->MapReduce BMR”，点击“创建集群”，进入集群创建页，并做如下配置：

   • 设置集群名称
   • 设置管理员密码
   • 关闭日志开关
   • 选择镜像版本“BMR 1.0.0(hadoop 2.7)”
   • 选择内置模板“spark”
4. 请保持集群的其他默认配置不变，点击“完成”可在集群列表页可查看已创建的集群，当集群状态由“初始化中”变为“空闲中”时，集群创建成功。

Spark Java

程序准备

百度智能云提供的Spark样例程序的代码已上传至：https://github.com/BCEBIGDATA/bmr-sample-java，您可通过GitHub克隆代码至本地设计自己的程序，并上传到对象存储BOS（具体操作详见对象存储BOS入门指南）。

/**
 * Analyze log with Spark.
 */ public class AccessLogAnalyzer { private static final SimpleDateFormat 

logDateFormat = new SimpleDateFormat("dd/MMM/yyyy:HH:mm:ss Z", Locale.US); 

private static final SimpleDateFormat simpleDateFormat = new SimpleDateFormat("yyyyMMdd");

 private static String fetchDate(String gmsTime) { String date; try { date = simpleDateFormat.

format(logDateFormat.parse(gmsTime)); } catch (ParseException e) { date = null; } return date; 

} private static final Pattern LOGPATTERN = Pattern.compile( "(\\S+)\\s+-\\s+\\[

(.*?)\\]\\s+\"(.*?)\"\\s+(\\d{3})\\s+(\\S+)\\s+" + "\"(.*?)\"\\s+\"(.*?)\"\\s+

(.*?)\\s+\"(.*?)\"\\s+(\\S+)\\s+(\\S+)\\s+(\\S+)"); private static Tuple2<String, String> 

extractKey(String line) { Matcher m = LOGPATTERN.matcher(line); if (m.find())

 { String ipAddr = m.group(1); String date = fetchDate(m.group(2)); return new 

Tuple2<>(date, ipAddr); } return new Tuple2<>(null, null); } public static void main(String[]

 args) { if (args.length != 3) { System.err.println("usage: spark-submit com.baidu.

cloud.bmr.spark.AccessLogAnalyzer <input> <pv> <uv>"); System.exit(1); } SparkConf conf 

= new SparkConf().setAppName("AccessLogAnalyzer"); JavaSparkContext sc = new 

JavaSparkContext(conf); // Parses the log to log records and caches the result. 

JavaPairRDD<String, String> distFile = sc.textFile(args[0]).mapToPair

( new PairFunction<String, String, String>() { @Override public Tuple2<String, String>

 call(String s) { return extractKey(s); } }); distFile.cache(); // Changes the log

 info to (date, 1) format, and caculates the page view. JavaPairRDD<String, Integer> 

pv = distFile.mapToPair( new PairFunction<Tuple2<String, String>, String, Integer>()

 { @Override public Tuple2<String, Integer> call(Tuple2<String, String> tuple)

 { return new Tuple2<>(tuple._1(), 1); } }).reduceByKey(new Function2<Integer,

 Integer, Integer>() { @Override public Integer call(Integer i1, Integer i2) 

{ return i1 + i2; } }); // Coalesces to 1 partition and saves as file. Notice

 that this is for demo purpose only. pv.coalesce(1, true).saveAsTextFile(args[1]);

 // Changes the log info to (date, remoteAddr) and caculates the unique visitors.

 JavaPairRDD<String, Integer> uv = distFile.groupByKey().mapToPair( new PairFunction

<Tuple2<String, Iterable<String>>, String, Integer>() { @Override public Tuple2<String, Integer>

 call(Tuple2<String, Iterable<String>> tuple) { int size = new HashSet((Collection<?>)

 tuple._2()).size(); return new Tuple2<>(tuple._1(), size); } }); // Coalesces to 1

 partition and saves as file. Notice that this is for demo purpose only.

 uv.coalesce(1, true).saveAsTextFile(args[2]); } }

运行Spark作业

1. 在“产品服务>MapReduce>MapReduce-作业列表”页中，点击“创建作业”，进入创建作业页。

2. 配置Spark作业参数，具体如下：

   • 作业类型：选择“Spark作业”。
   • 作业名称：输入作业名称，长度不可超过255个字符。
   • 应用程序位置：若使用您自行编译的程序，请上传程序jar包至BOS或者您本地的HDFS中，并在此输入程序路径；您也可直接使用百度智能云提供的样例程序，路径如下： - 华北-北京区域的集群对应的样例程序路径：bos://bmr-public-bj/sample/spark-1.0-SNAPSHOT.jar。 - 华南-广州区域的集群对应的样例程序路径：bos://bmr-public-gz/sample/spark-1.0-SNAPSHOT.jar。
   • 失败后操作：继续。
   • Spark-submit：--class com.baidu.cloud.bmr.spark.AccessLogAnalyzer
   • 应用程序参数：指定输入数据的路径、结果输出的路径（可选BOS或HDFS），其中输出路径必须具有写权限且该路径不能已存在。以样例日志作为输入数据，BOS作为输出路径为例，输入如下： - 华北-北京区域的BMR集群对应的参数：bos://bmr-public-bj/data/log/accesslog-1k.log bos://{your-bucket}/output/pv bos://{your-bucket}/output/uv。 - 华南-广州区域的BMR集群对应的参数：bos://bmr-public-gz/data/log/accesslog-1k.log bos://{your-bucket}/output/pv bos://{your-bucket}/output/uv。
3. 在“集群适配”区，选择适配的集群。
4. 点击“完成”，则作业创建完成；运行中的作业状态会由“等待中”更新为“运行中”，当作业运行完毕后状态会更新为“已完成”，便可查看到查询结果了。

查看结果

请到您所选的存储系统（BOS或HDFS）中查看输出结果，以下是在BOS中查看输出结果的说明：

如果使用系统提供的输入数据和程序，可以在bos://{your-bucket}/output/pv和bos://{your-bucket}/output/uv路径下查看输出结果如下:

------PV------
20151003    139
20151005    372
20151006    114
20151004    375
------UV------
20151003    111
20151005    212
20151006    97
20151004    247

Spark Scala

程序准备

您可以直接使用样例程序。也可设计自己的程序，并在命令行下cd到程序代码的根目录下，执行mvn package生成jar文件，并上传到对象存储BOS（具体操作详见对象存储BOS入门指南）。

运行Spark作业

1. 在“产品服务>MapReduce>MapReduce-作业列表”页中，点击“创建作业”，进入创建作业页。

2. 配置Spark作业参数，具体如下：

   • 作业类型：选择“Spark作业”。
   • 作业名称：输入作业名称，长度不可超过255个字符。
   • 应用程序位置：若使用您自行编译的程序，请上传程序jar包至BOS或者您本地的HDFS中，并在此输入程序路径；您也可直接使用百度智能云提供的样例程序，仅华北-北京区域的集群可使用，路径为bos://bmr-public-data/apps/spark/bmr-spark-scala-samples-1.0-SNAPSHOT-jar-with-dependencies.jar。
   • 失败后操作：继续。
   • Spark-submit：--class com.baidubce.bmr.sample.AccessLogStatsScalaSample
   • 应用程序参数：指定输入数据的路径、结果输出的路径（可选BOS或HDFS），其中输出路径必须具有写权限且该路径不能已存在。以样例日志作为输入数据，BOS作为输出路径为例，输入如下： - 华北-北京区域的BMR集群对应的参数：bos://bmr-public-bj/data/log/accesslog-1k.log bos://{your-bucket}/output/pv bos://{your-bucket}/output/uv。 - 华南-广州区域的BMR集群对应的参数：bos://bmr-public-gz/data/log/accesslog-1k.log bos://{your-bucket}/output/pv bos://{your-bucket}/output/uv。
3. 在“集群适配”区，选择适配的集群。
4. 点击“完成”，则作业创建完成；运行中的作业状态会由“等待中”更新为“运行中”，当作业运行完毕后状态会更新为“已完成”，便可查看到查询结果了。

查看结果

请到您所选的存储系统（BOS或HDFS）中查看输出结果，以下是在BOS中查看输出结果的说明：

如果使用系统提供的输入数据和程序，可以在bos://{your-bucket}/output/pv和bos://{your-bucket}/output/uv路径下查看输出结果如下:

-----PV-----
(20151003,139)
(20151005,372)
(20151006,114)
(20151004,375)
-----UV-----
(20151003,111)
(20151005,212)
(20151006,97)
(20151004,247)

Spark SQL

配置

所有配置与[Spark Scala](#Spark Scala)一致，只需修改Spark-submit为 --class com.baidubce.bmr.sample.AccessLogStatsSQLSample

查看结果

请到您所选的存储系统（BOS或HDFS）中查看输出结果，以下是在BOS中查看输出结果的说明：

如果使用系统提供的输入数据和程序，可以在bos://{your-bucket}/output/pv和bos://{your-bucket}/output/uv路径下查看输出结果如下:

------PV------
+--------+---+
|    date| pv|
+--------+---+
|20151003|139|
|20151004|375|
|20151005|372|
|20151006|114|
+--------+---+

------UV------
+--------+---+
|    date| uv|
+--------+---+
|20151003|111|
|20151004|247|
|20151005|212|
|20151006| 97|
+--------+---+