视频地址：https://www.bilibili.com/video/BV11A411L7CK?p=7

scala版本：https://www.scala-lang.org/download/all.html

需要去老师的文件中找到这个并配置下地址设置环境变量。

截图：

下载插件：https://blog.csdn.net/weixin_41122339/article/details/81141913

---01-06---

开始写代码了：

package com.atguigu.bigdata.spark.core.wc

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Spark01_WordCount {

    def main(args: Array[String]): Unit = {

        // Application
        // Spark框架
        // TODO 建立和Spark框架的连接
        // JDBC : Connection
        val sparConf = new SparkConf().setMaster("local").setAppName("WordCount")
        val sc = new SparkContext(sparConf)

        // TODO 执行业务操作

        // 1. 读取文件，获取一行一行的数据
        //    hello world
        val lines: RDD[String] = sc.textFile("datas")

        // 2. 将一行数据进行拆分，形成一个一个的单词（分词）
        //    扁平化：将整体拆分成个体的操作
        //   "hello world" => hello, world, hello, world
        val words: RDD[String] = lines.flatMap(_.split(" "))

        // 3. 将数据根据单词进行分组，便于统计
        //    (hello, hello, hello), (world, world)
        val wordGroup: RDD[(String, Iterable[String])] = words.groupBy(word=>word)

        // 4. 对分组后的数据进行转换
        //    (hello, hello, hello), (world, world)
        //    (hello, 3), (world, 2)
        val wordToCount = wordGroup.map {
            case ( word, list ) => {
                (word, list.size)
            }
        }

        // 5. 将转换结果采集到控制台打印出来
        val array: Array[(String, Int)] = wordToCount.collect()
        array.foreach(println)

        // TODO 关闭连接
        sc.stop()

    }
}

这个比较不好，无法有聚合的感觉的。

   val wordToCount = wordGroup.map {
            case ( word, list ) => {
                (word, list.size)
            }
        }

---07---

spark可以对多个文件进行聚合的。

我们再改善一下：我们事先把数量加上，根据数量完成聚合，就会好很多的。

---08---

看着spark很简单，和scala的集合是差不多的，但是实际上不是这样的。

spark提供了一个reduceByKey，会对value做reduce。

注意这个写法可以是什么？当=>的两端的x只出现一次的时候，那么就会有简写的方法。

---09---

可以看到里面有大量的日志的，我们看下需要自己优化下。

---10---

如何运行呢？我们先解压缩到spark-local的目录，现在这里实现本地的提交。

第一步：进入到bin目录：

我们写下spark的函数：

是去哪里读取的呢？

---11---

我们看下监控的页面：http://192.168.244.133:4040/jobs/

监控的界面：

我们用idea开发的话如何使用这个环境呢，就是我们不能一直用命令行吧？

---

这个jar包告诉我们上面哪个类所在的位置。

执行这个指令。

---12---

独立的集群模式安装，先不看。

---13-16---

yarn模式：

第一步：解压上传文件，机器192.168.244.133

第三步：修改hadoop的配置文件

修改yarn-site.xml

<!--是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认
是 true -->
<property>
 <name>yarn.nodemanager.pmem-check-enabled</name>
 <value>false</value>
</property>
<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认
是 true -->
<property>
 <name>yarn.nodemanager.vmem-check-enabled</name>
 <value>false</value>
</property>

第四步：启动hadoop集群，我的集群是伪分布式的，启动的详情：https://blog.csdn.net/qq_28764557/article/details/109913185

启动语句：

start-dfs.sh
start-yarn.sh

第三步：修改spark-env.sh

export JAVA_HOME=/usr/local/apps/jdk8
YARN_CONF_DIR=/usr/local/apps/hadoop/etc/hadoop

第五步：直接提交应用，注意变化这个master编程yarn了。

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

看下监控页面：

192.168.244.133:8088

第六步：修改历史服务器：

spark.eventLog.enabled true
spark.eventLog.dir hdfs://192.168.244.133:9008/directory

这个需要在hdfs创建的。

第七步：修改spark-env.sh

注意这个实际上应该是这个配置文件的。

再次修改：

export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://192.168.244.133:9008/directory
-Dspark.history.retainedApplications=30"

第八步：修该 spark-defaults.conf

spark.yarn.historyServer.address=192.168.244.133:18080
spark.history.ui.port=18080

第九步：启动

需要改下：http://192.168.244.133:18080/history/application_1615825025568_0008/jobs/

---17---

略

---18---

运行架构：

ApplicationMaster是做什么的：https://blog.csdn.net/qq_44594249/article/details/93972793

计算相关的组件是Executor和Driver

资源相关的组件是Master和worker

如何解耦就是ApplicationMaster

Master和worker 其中Master相当于我们的yarn的Resourcemanager worker相当于NodeManager

计算和资源解耦用Applicationmater

有向无环图。

---19-20-21---

saprk的三大数据结构：

小的分布式的计算功能：

我们计算：在driver端把逻辑封装好传给executor,这里是把数据也传进去了。

---22-23-24---

RDD就是数据和逻辑。

如何提高计算性能呢？

RDD，最小的计算单元：

RDD斯和最小的计算单元，要是有新的逻辑只要关联下就完毕了。

---25---

关于缓冲区：

这个就类似于批处理

---26---

我们自己改善一下：

我们再改进下：

三个字节转换为一个字符。

---27---

java的装饰着设计模式：https://blog.csdn.net/jason0539/article/details/22713711

我们回头看下这个RDD：

RDD的包装：

RDD执行：

之前的操作都是功能的扩展。

数据是原封不动得往下流转得RDD是不保存数据得。

---28---

我们深入理解下RDD是什么：

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是 Spark 中最基本的数据
处理模型。代码中是一个抽象类，它代表一个弹性的、不可变、可分区、里面的元素可并行
计算的集合。

RDD是如何分解的呢？

分区的目的就是形成独立的task并行执行。

分区，读取完的数据放在指定分区中，互相不受影响。

---29---

数据是分布式文件系统的文件，没有网络io是最块的。

executor和文件在一个节点上。

RDD的五大分区属性：

1.分区列表，分区的数据是不互相关联的。

2.分区的计算函数，数据是不一样的，但是计算的逻辑是一样的。

3.RDD之间的依赖关系，互相之间包装和依赖。

4.分区器，数据是如何放在不同的分区的。

5.计算分区的首选的位置。

---30---