Spark基础，Local模式、Standalone模式、Yarn模式安装使用配置

待我称王封你为后i 2023-06-25 02:30 1阅读 0赞

### 文章目录 ###

*  第1章 Spark概述
 *   *   *  1.1 什么是Spark
         *  1.2 Spark内置模块
         *  1.3 Spark特点!\[在这里插入图片描述\](https://img-blog.csdnimg.cn/2019122419063275.png?x-oss-process=image/watermark,type\_ZmFuZ3poZW5naGVpdGk,shadow\_10,text\_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size\_16,color\_FFFFFF,t\_70)
 *  第2章 Spark运行模式
 *   *   *  2.1 Spark安装地址
         *  2.2 重要角色
         *  2.3 Local模式
         *  2.3.1 概述
         *  2.3.2 安装使用
         *  2.4 Standalone模式
         *  2.4.1 概述
         *  2.4.2 安装使用
         *  \*\*2.4.3 JobHistoryServer配置\*\*
         *  2.4.4 HA配置
         *  2.5 Yarn模式（重点）
         *  2.5.1 概述
         *  2.5.2 安装使用
         *  2.5.3 日志查看
         *  2.6 Mesos模式(了解)
         *  2.7 几种模式对比
 *  第3章 案例实操
 *   *   *  3.1 编写WordCount程序
         *  3.2 本地调试
         *   *  看完点赞，养成习惯。
     *  本人所有文章均受版权保护，未经授权，转载必究，谢谢合作。

# 第1章 Spark概述 #

### 1.1 什么是Spark ###

1、定义  
Spark是-种基于内存的快速、通用、可扩展的大数据分析引擎。  
2、历史  
2009年诞生于加州大学伯克利分校AMPLab，项目采用Scala编写。  
2010年开源，  
2013年6月成为Apache孵化项目  
2014年2月成为Apache顶级项目。

### 1.2 Spark内置模块 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70]

> **Spark Core**：实现了Spark的基本功能，包含任务调度、内存管理、错误恢复、与存储系统交互等模块。Spark Core中还包含了对弹性分布式数据集(Resilient Distributed DataSet，简称RDD)的API定义。  
> **Spark SQL**：是Spark用来操作结构化数据的程序包。通过Spark SQL，我们可以使用 SQL或者Apache Hive版本的SQL方言(HQL)来查询数据。Spark SQL支持多种数据源，比如Hive表、Parquet以及JSON等。  
> **Spark Streaming**：是Spark提供的对实时数据进行流式计算的组件。提供了用来操作数据流的API，并且与Spark Core中的 RDD API高度对应。  
> **Spark MLlib**：提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。  
> **集群管理器**：Spark 设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计 算。为了实现这样的要求，同时获得最大灵活性，Spark支持在各种集群管理器(Cluster Manager)上运行，包括Hadoop  
> YARN、Apache Mesos，以及Spark自带的一个简易调度 器，叫作独立调度器。  
> Spark得到了众多大数据公司的支持，这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于大搜索、直达号、百度大数据等业务；阿里利用GraphX构建了大规模的图计算和图挖掘系统，实现了很多生产系统的推荐算法；腾讯Spark集群达到8000台的规模，是当前已知的世界上最大的Spark集群。

### 1.3 Spark特点![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 1] ###

# 第2章 Spark运行模式 #

### 2.1 Spark安装地址 ###

1．官网地址  
[http://spark.apache.org/][http_spark.apache.org]  
2．文档查看地址  
[https://spark.apache.org/docs/2.1.1/][https_spark.apache.org_docs_2.1.1]  
3．下载地址  
[https://spark.apache.org/downloads.html][https_spark.apache.org_downloads.html]

### 2.2 重要角色 ###

**2.2.1 Driver（驱动器）**  
Spark的驱动器是执行开发程序中的main方法的进程。它负责开发人员编写的用来创建SparkContext、创建RDD，以及进行RDD的转化操作和行动操作代码的执行。如果你是用spark shell，那么当你启动Spark shell的时候，系统后台自启了一个Spark驱动器程序，就是在Spark shell中预加载的一个叫作 sc的SparkContext对象。如果驱动器程序终止，那么Spark应用也就结束了。主要负责：  
1）把用户程序转为作业（JOB）  
2）跟踪Executor的运行状况  
3）为执行器节点调度任务  
4）UI展示应用运行状况  
**2.2.2 Executor（执行器）**  
Spark Executor是一个工作进程，负责在 Spark 作业中运行任务，任务间相互独立。Spark 应用启动时，Executor节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor节点上继续运行。主要负责：  
1）负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程；  
2）通过自身的块管理器（Block Manager）为用户程序中要求缓存的RDD提供内存式存储。RDD是直接缓存在Executor进程内的，因此任务可以在运行时充分利用缓存数据加速运算。

### 2.3 Local模式 ###

### 2.3.1 概述 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 2]

### 2.3.2 安装使用 ###

1）上传并解压spark安装包
    [bfr@hadoop102 sorfware]$ tar -zxvf spark-2.1.1-bin-hadoop2.7.tgz -C /opt/module/
    [bfr@hadoop102 module]$ mv spark-2.1.1-bin-hadoop2.7 spark
    2）官方求PI案例
    [bfr@hadoop102 spark]$ bin/spark-submit \
    --class org.apache.spark.examples.SparkPi \
    --executor-memory 1G \
    --total-executor-cores 2 \
    ./examples/jars/spark-examples_2.11-2.1.1.jar \
    100

（1）基本语法
    bin/spark-submit \
    --class <main-class>
    --master <master-url> \
    --deploy-mode <deploy-mode> \
    --conf <key>=<value> \
    ... # other options
    <application-jar> \
    [application-arguments]
    （2）参数说明：
    --master 指定Master的地址，默认为Local
    --class: 你的应用的启动类 (如 org.apache.spark.examples.SparkPi)
    --deploy-mode: 是否发布你的驱动到worker节点(cluster) 或者作为一个本地客户端 (client) (default: client)*
    --conf: 任意的Spark配置属性， 格式key=value. 如果值包含空格，可以加引号“key=value” 
    application-jar: 打包好的应用jar,包含依赖. 这个URL在集群中全局可见。 比如hdfs:// 共享存储系统， 如果是 file:// path， 那么所有的节点的path都包含同样的jar
    application-arguments: 传给main()方法的参数
    --executor-memory 1G 指定每个executor可用内存为1G
    --total-executor-cores 2 指定每个executor使用的cup核数为2个

3）结果展示  
该算法是利用蒙特·卡罗算法求PI  
![在这里插入图片描述][20191224191354119.png]

4）准备文件
    [atguigu@hadoop102 spark]$ mkdir input
    在input下创建3个文件1.txt和2.txt，并输入以下内容
    hello atguigu
    hello spark

5）启动spark-shell
    [atguigu@hadoop102 spark]$ bin/spark-shell
    Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
    Setting default log level to "WARN".
    To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
    18/09/29 08:50:52 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
    18/09/29 08:50:58 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException
    Spark context Web UI available at http://192.168.9.102:4040
    Spark context available as 'sc' (master = local[*], app id = local-1538182253312).
    Spark session available as 'spark'.
    Welcome to
          ____              __
         / __/__  ___ _____/ /__
        _\ \/ _ \/ _ `/ __/  '_/
       /___/ .__/\_,_/_/ /_/\_\   version 2.1.1
          /_/
             
    Using Scala version 2.11.8 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_144)
    Type in expressions to have them evaluated.
    Type :help for more information.
    
    scala>

开启另一个CRD窗口

[atguigu@hadoop102 spark]$ jps
    3627 SparkSubmit
    4047 Jps

**可登录hadoop102:4040查看程序运行**  
![在这里插入图片描述][20191224191608594.png]

6）运行WordCount程序
    scala>sc.textFile("input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
    res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3), (hive,3), (atguigu,3), (hbase,6))
    
    scala>

**可登录hadoop102:4040查看程序运行**  
![在这里插入图片描述][20191224191709651.png]  
7）WordCount程序分析  
提交任务分析：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 3]

数据流分析：
    textFile("input")：读取本地文件input文件夹数据；
    flatMap(_.split(" "))：压平操作，按照空格分割符将一行数据映射成一个个单词；
    map((_,1))：对每一个元素操作，将单词映射为元组；
    reduceByKey(_+_)：按照key将值进行聚合，相加；
    collect：将数据收集到Driver端展示。

WordCount案例分析：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 4]

### 2.4 Standalone模式 ###

### 2.4.1 概述 ###

构建一个由Master+Slave构成的Spark集群，Spark运行在集群中。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 5]

### 2.4.2 安装使用 ###

1）进入spark安装目录下的conf文件夹
    [atguigu@hadoop102 module]$ cd spark/conf/
    2）修改配置文件名称
    [atguigu@hadoop102 conf]$ mv slaves.template slaves
    [atguigu@hadoop102 conf]$ mv spark-env.sh.template spark-env.sh
    3）修改slave文件，添加work节点：
    [atguigu@hadoop102 conf]$ vim slaves
    
    hadoop102
    hadoop103
    hadoop104
    4）修改spark-env.sh文件，添加如下配置：
    [atguigu@hadoop102 conf]$ vim spark-env.sh
    
    SPARK_MASTER_HOST=hadoop102
    SPARK_MASTER_PORT=7077
    5）分发spark包
    [atguigu@hadoop102 module]$ xsync spark/
    6）启动
    [atguigu@hadoop102 spark]$ sbin/start-all.sh
    [atguigu@hadoop102 spark]$ util.sh 
    ================atguigu@hadoop102================
    3330 Jps
    3238 Worker
    3163 Master
    ================atguigu@hadoop103================
    2966 Jps
    2908 Worker
    ================atguigu@hadoop104================
    2978 Worker
    3036 Jps

**网页查看：hadoop102:8080**  
***注意***：如果遇到 “JAVA\_HOME not set” 异常，可以在sbin目录下的**spark-config.sh** 文件中加入如下配置：

export JAVA_HOME=XXXX

7）官方求PI案例
    [atguigu@hadoop102 spark]$ bin/spark-submit \
    --class org.apache.spark.examples.SparkPi \
    --master spark://hadoop102:7077 \
    --executor-memory 1G \
    --total-executor-cores 2 \
    ./examples/jars/spark-examples_2.11-2.1.1.jar \
    100

![在这里插入图片描述][201912241922085.png]

8）启动spark shell
    /opt/module/spark/bin/spark-shell \
    --master spark://hadoop102:7077 \
    --executor-memory 1g \
    --total-executor-cores 2

参数：–master spark://hadoop102:7077指定要连接的集群的master  
执行WordCount程序

scala>sc.textFile("input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
    res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3), (hive,3), (atguigu,3), (hbase,6))
    
    scala>

### **2.4.3 JobHistoryServer配置** ###

1）修改spark-default.conf.template名称

[atguigu@hadoop102 conf]$ mv spark-defaults.conf.template spark-defaults.conf

2）修改spark-default.conf文件，开启Log：

[atguigu@hadoop102 conf]$ vi spark-defaults.conf
    spark.eventLog.enabled           true
    spark.eventLog.dir               hdfs://hadoop102:9000/directory

**注意：HDFS上的目录需要提前存在。**

[atguigu@hadoop102 hadoop]$ hadoop fs –mkdir /directory

3）修改spark-env.sh文件，添加如下配置：

[atguigu@hadoop102 conf]$ vi spark-env.sh
    
    export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 
    -Dspark.history.retainedApplications=30 
    -Dspark.history.fs.logDirectory=hdfs://hadoop102:9000/directory"

**参数描述：**  
spark.eventLog.dir：Application在运行过程中所有的信息均记录在该属性指定的路径下；  
spark.history.ui.port=18080 WEBUI访问的端口号为18080  
spark.history.fs.logDirectory=hdfs://hadoop102:9000/directory 配置了该属性后，在start-history-server.sh时就无需再显式的指定路径，Spark History Server页面只展示该指定路径下的信息  
spark.history.retainedApplications=30指定保存Application历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。

4）分发配置文件

[atguigu@hadoop102 conf]$ xsync spark-defaults.conf
    [atguigu@hadoop102 conf]$ xsync spark-env.sh

5）启动历史服务

[atguigu@hadoop102 spark]$ sbin/start-history-server.sh

6）再次执行任务

[atguigu@hadoop102 spark]$ bin/spark-submit \
    --class org.apache.spark.examples.SparkPi \
    --master spark://hadoop102:7077 \
    --executor-memory 1G \
    --total-executor-cores 2 \
    ./examples/jars/spark-examples_2.11-2.1.1.jar \
    100

7）查看历史服务  
**hadoop102:18080**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 6]

### 2.4.4 HA配置 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 7]  
上图 HA架构图

1）zookeeper正常安装并启动  
2）修改spark-env.sh文件添加如下配置：

[atguigu@hadoop102 conf]$ vi spark-env.sh
    
    注释掉如下内容：
    #SPARK_MASTER_HOST=hadoop102
    #SPARK_MASTER_PORT=7077
    添加上如下内容：
    export SPARK_DAEMON_JAVA_OPTS="
    -Dspark.deploy.recoveryMode=ZOOKEEPER 
    -Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104 
    -Dspark.deploy.zookeeper.dir=/spark"

3）分发配置文件

[atguigu@hadoop102 conf]$ xsync spark-env.sh

4）在hadoop102上启动全部节点

[atguigu@hadoop102 spark]$ sbin/start-all.sh

5）在hadoop103上单独启动master节点

[atguigu@hadoop103 spark]$ sbin/start-master.sh

6）spark HA集群访问

/opt/module/spark/bin/spark-shell \
    --master spark://hadoop102:7077,hadoop103:7077 \
    --executor-memory 2g \
    --total-executor-cores 2

### 2.5 Yarn模式（重点） ###

### 2.5.1 概述 ###

Spark客户端直接连接Yarn，不需要额外构建Spark集群。有yarn-client和yarn-cluster两种模式，**主要区别在于：Driver程序的运行节点。**  
yarn-client：Driver程序运行在客户端，适用于交互、调试，希望立即看到app的输出  
yarn-cluster：Driver程序运行在由RM（ResourceManager）启动的AP（APPMaster）适用于生产环境。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 8]  
上图是 Yarn运行模式介绍

### 2.5.2 安装使用 ###

1）修改hadoop配置文件yarn-site.xml,添加如下内容：

[atguigu@hadoop102 hadoop]$ vi yarn-site.xml
            
            <property>
                    <name>yarn.nodemanager.pmem-check-enabled</name>
                    <value>false</value>
            </property>
            
            <property>
                    <name>yarn.nodemanager.vmem-check-enabled</name>
                    <value>false</value>
            </property>

2）修改spark-env.sh，添加如下配置：

[atguigu@hadoop102 conf]$ vi spark-env.sh
    
    
    YARN_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop

3）分发配置文件

[atguigu@hadoop102 conf]$ xsync /opt/module/hadoop-2.7.2/etc/hadoop/yarn-site.xml
    [atguigu@hadoop102 conf]$ xsync spark-env.sh

4）执行一个程序

[atguigu@hadoop102 spark]$ bin/spark-submit \
    --class org.apache.spark.examples.SparkPi \
    --master yarn \
    --deploy-mode client \
    ./examples/jars/spark-examples_2.11-2.1.1.jar \
    100

**注意：在提交任务之前需启动HDFS以及YARN集群。**

### 2.5.3 日志查看 ###

1）修改配置文件spark-defaults.conf  
添加如下内容：

spark.yarn.historyServer.address=hadoop102:18080
    spark.history.ui.port=18080

2）重启spark历史服务

[atguigu@hadoop102 spark]$ sbin/stop-history-server.sh 
    stopping org.apache.spark.deploy.history.HistoryServer
    [atguigu@hadoop102 spark]$ sbin/start-history-server.sh 
    starting org.apache.spark.deploy.history.HistoryServer, logging to /opt/module/spark/logs/spark-atguigu-org.apache.spark.deploy.history.HistoryServer-1-hadoop102.out

3）提交任务到Yarn执行

4）Web页面查看日志  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 9]  
![在这里插入图片描述][20191224193530983.png]

### 2.6 Mesos模式(了解) ###

Spark客户端直接连接Mesos；不需要额外构建Spark集群。国内应用比较少，更多的是运用yarn调度。

### 2.7 几种模式对比 ###

![在这里插入图片描述][2019122419363961.png]

# 第3章 案例实操 #

Spark Shell仅在测试和验证我们的程序时使用的较多，在生产环境中，通常会在IDE中编制程序，然后打成jar包，然后提交到集群，最常用的是创建一个Maven项目，利用Maven来管理jar包的依赖。

### 3.1 编写WordCount程序 ###

1）创建一个Maven项目WordCount并导入依赖

<dependencies>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.1.1</version>
        </dependency>
    </dependencies>
    <build>
            <finalName>WordCount</finalName>
            <plugins>
    <plugin>
                    <groupId>net.alchim31.maven</groupId>
    <artifactId>scala-maven-plugin</artifactId>
                    <version>3.2.2</version>
                    <executions>
                        <execution>
                           <goals>
                              <goal>compile</goal>
                              <goal>testCompile</goal>
                           </goals>
                        </execution>
                     </executions>
                </plugin>
            </plugins>
    </build>

2）编写代码

package com.atguigu
    
    import org.apache.spark.{SparkConf, SparkContext}
    
    object WordCount{
    
      def main(args: Array[String]): Unit = {
    
    //1.创建SparkConf并设置App名称
        val conf = new SparkConf().setAppName("WC")
    
    //2.创建SparkContext，该对象是提交Spark App的入口
        val sc = new SparkContext(conf)
    
        //3.使用sc创建RDD并执行相应的transformation和action
        sc.textFile(args(0)).flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_, 1).sortBy(_._2, false).saveAsTextFile(args(1))
    
    //4.关闭连接
        sc.stop()
      }
    }

3）打包插件

<plugin>
                    <groupId>org.apache.maven.plugins</groupId>
                    <artifactId>maven-assembly-plugin</artifactId>
                    <version>3.0.0</version>
                    <configuration>
                        <archive>
                            <manifest>
                                <mainClass>WordCount</mainClass>
                            </manifest>
                        </archive>
                        <descriptorRefs>
                            <descriptorRef>jar-with-dependencies</descriptorRef>
                        </descriptorRefs>
                    </configuration>
                    <executions>
                        <execution>
                            <id>make-assembly</id>
                            <phase>package</phase>
                            <goals>
                                <goal>single</goal>
                            </goals>
                        </execution>
                    </executions>
          </plugin>

4）打包到集群测试

bin/spark-submit \
    --class WordCount \
    --master spark://hadoop102:7077 \
    WordCount.jar \
    /word.txt \
    /out

### 3.2 本地调试 ###

本地Spark程序调试需要使用local提交模式，即将本机当做运行环境，Master和Worker都为本机。运行时直接加断点调试即可。如下：  
创建SparkConf的时候设置额外属性，表明本地执行：

val conf = new SparkConf().setAppName("WC").setMaster("local[*]")

如果本机操作系统是windows，如果在程序中使用了hadoop相关的东西，比如写入文件到HDFS，则会遇到如下异常：  
![在这里插入图片描述][20191224194027734.png]  
出现这个问题的原因，并不是程序的错误，而是用到了hadoop相关的服务，解决办法是将附加里面的hadoop-common-bin-2.7.3-x64.zip解压到任意目录。  
![在这里插入图片描述][2019122419410253.png]  
在IDEA中配置Run Configuration，添加HADOOP\_HOME变量  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 10]

#### 看完点赞，养成习惯。 ####

## 本人所有文章均受版权保护，未经授权，转载必究，谢谢合作。 ##

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191224190358486.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/2019122419063275.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size_16,color_FFFFFF,t_70
[http_spark.apache.org]: http://spark.apache.org/
[https_spark.apache.org_docs_2.1.1]: https://spark.apache.org/docs/2.1.1/
[https_spark.apache.org_downloads.html]: https://spark.apache.org/downloads.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/2019122419105641.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size_16,color_FFFFFF,t_70
[20191224191354119.png]: https://img-blog.csdnimg.cn/20191224191354119.png
[20191224191608594.png]: https://img-blog.csdnimg.cn/20191224191608594.png
[20191224191709651.png]: https://img-blog.csdnimg.cn/20191224191709651.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191224191750721.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20191224191916275.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20191224192000267.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size_16,color_FFFFFF,t_70
[201912241922085.png]: https://img-blog.csdnimg.cn/201912241922085.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/2019122419253646.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20191224192733957.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 8]: https://img-blog.csdnimg.cn/20191224193046365.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/20191224193513452.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size_16,color_FFFFFF,t_70
[20191224193530983.png]: https://img-blog.csdnimg.cn/20191224193530983.png
[2019122419363961.png]: https://img-blog.csdnimg.cn/2019122419363961.png
[20191224194027734.png]: https://img-blog.csdnimg.cn/20191224194027734.png
[2019122419410253.png]: https://img-blog.csdnimg.cn/2019122419410253.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70 10]: https://img-blog.csdnimg.cn/20191224194116257.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw==,size_16,color_FFFFFF,t_70