百度MapReduce BMR

    Spark

    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->百度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>百度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>百度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|
    +--------+---+
    上一篇
    Hadoop-Streaming
    下一篇
    Hive