spark踩坑记——windows环境下spark安装和运行

本文主要记录windows系统上安装spark，scala，和intelj IDEA，并实现本地spark运行。同时介绍了利用maven构建工具对spark工程构建的方法。本地运行需要本地安装scala，spark，hadoop。而如果利用maven构建工具则只需要再maven的pom.xml配置好需要的scala，spark，hadoop版本信息，构建时自动导入相应依赖，常用于企业级的项目开发中。

一，安装篇

这部分介绍常规spark本地运行的必要软件安装。而如果你使用的是Maven构建工具，那么下面的步骤3，4，5都可以略过（由maven根据配置文件自动构建），我们只用安装最基本的1，2以及6环境变量中与JAVA相关的部分。maven安装见本节7。

本地安装部分更详细的可以参考：Spark在Windows下的环境搭建_xuweimdm的博客-CSDN博客_spark windows

1，安装jdk,需要是jdk8（也被称为jdk1.8）

Java Downloads | Oracle

环境变量：

创建JAVA_HOME：C:\Program Files\Java\jdk1.8.0_181

创建CLASSPATH：.;%JAVA_HOME%\lib;%JAVA_HOME%\lib\tools.jar(前面有个点号)

Path添加：%JAVA_HOME%\bin;

测试是否安装成功：打开cmd命令行，输入java -version

2，安装intelj IDEA并配置scala插件

IntelliJ IDEA: The Capable & Ergonomic Java IDE by JetBrains

IDEA安装完成后，安装scala插件：启动intelj -> 点击启动页configuration -> Plugins，或者file->setting->Plugins，搜索scala并安装插件。如果搜不到，可能是需要代理：Install JetBrains plugin... -> HTTP Proxy Settings设置代理。

安装完成后要重启IDEA。

3，安装spark

下载后解压到指定目录即可，这里我们选择2.2.0版本

Downloads | Apache Spark

环境变量：

创建SPARK_HOME：D:\spark-2.2.0-bin-hadoop2.7

Path添加：%SPARK_HOME%\bin

测试是否安装成功：打开cmd命令行，输入spark-shell

spark-shell时报错：error not found：value sqlContext。参考：https://www.liyang.site/2017/04/19/20170419-spark-error-01/

4，安装Hadoop

说明：如果你只是玩Spark On Standalone的话，就不需要安装hadoop，如果你想玩Spark On Yarn或者是需要去hdfs取数据的话，就应该先装hadoop。关于spark和hadoop的关系，强烈推荐这篇博客：Spark是否会替代Hadoop?

安装上面spark对应版本的hadoop 2.7:Apache Download Mirrors

解压到指定目录即可。

环境变量：

创建HADOOP_HOME：D:\hadoop-2.7.7

Path添加：%HADOOP_HOME%\bin

测试是否安装成功：打开cmd命令行，输入hadoop

hadoop测试时报错：Error: JAVA_HOME is incorrectly set。参考：Error: JAVA_HOME is incorrectly set. Please update F:\hadoop\conf\hadoop-env.cmd解决方法_天生要强注定要凉的博客-CSDN博客

5，安装scala SDK

其版本应与上面spark/jars/中scala版本一致，2.2.0版本spark对应的scala版本位2.11.8，Scala 2.11.8 | The Scala Programming Language

上面链接中提到了多种scala的安装方式，比较省事的是通过已经安装好scala插件的intelj IDEA安装scala SDK（注意区分插件和SDK）：File => New => Project，选择scala，输入工程名，如果是第一次新建scala工程，会有一个scala SDK的Create按钮，然后选择需要的版本安装。

而我使用的是安装包安装方式：

环境变量：

创建SCALA_HOME: C:\Program Files (x86)\scala

Path添加：;%SCALA_HOME%\bin; %JAVA_HOME%\bin;;%HADOOP_HOME%\bin

测试是否安装成功：打开cmd命令行，输入scala

7，maven构建工具安装（如果不用maven构建工具，不用装）

Maven – Download Apache Maven

也是下载后解压即可。

环境变量：

MAVEN_HOME = D:\apache-maven-3.5.4

MAVEN_OPTS = -Xms128m -Xmx512m

path添加：%MAVEN_HOME%\bin

测试是否安装成功：打开cmd，输入mvn help:system

二，开发篇

下面介绍本地spark开发的示例，虽然spark是处理大数据的，常常在大型计算机集群上运行，但本地spark方便调试，可以帮助我们学习相关的语法。maven构建工具的开发流程可以参看：spark开发环境搭建（基于idea 和maven）_双斜杠少年的博客-CSDN博客_idea spark

打开idea, file=>new=>project=>选择scala工程，选择IDEA=>输入工程名(如test)，路径，JDK选刚刚安装的1.8，scala SDK选刚刚安装的scala-sdk-2.11.8(或者点右边的create，选择你想要的版本下载)=>finish

再src上右键=>new=>scala class=>选下拉框scala object，输入类名。

输入测试代码，这是一段分组排序的代码：

import org.apache.spark.{SparkContext,SparkConf}
object Sort {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("GroupSort")
    val sc = new SparkContext(conf)
    val test =List(("key1","123",12,2,0.13),("key1","123",12,3,0.18),("key2","234",12,1,0.09),("key1","345",12,8,0.75),("key2","456",12,5,0.45))
    val rdd = sc.parallelize(test)

    val rdd1= rdd.map(l => (l._1, (l._2, l._3, l._4, l._5))).groupByKey()
      .flatMap(line => {
        val topItem = line._2.toArray.sortBy(_._4)(Ordering[Double].reverse)
          topItem.map(f=>(line._1,f._1,f._4)).toList
      })
    rdd1.foreach(println)

    sc.stop()
  }
}

设置本地模式：run=>edit configrations=>Application=>选择我们应用，VM options上添加-Dspark.master=local -Dspark.app.name=test

（更新：新版的Intellij IDEA在Application配置可定制化，如果没有找到上面VM options等选项，可以点击“Modify options”添加相关配置项）

包含spark和scala sdk: 工程目录右键=>open module settings=> project settings=> libraries=>"+"=>java=>选择spark安装目录下的jars文件夹=>确认。同样地，“+”=>scala sdk =>选择需要的scala sdk(与spark版本对应的sdk)=>确认。

运行代码：

三，问题集锦：

1, import org.apache.spark.SparkContext引入了包，但下面代码connot resolve symbol SparkContext.（IDEA环境下,maven工程）

问题检查：工程目录右键->open module setting->project setting->libraries，发现左侧没有包含任何依赖库。

解决方法：如果是maven工程，则工程目录右键->maven->reimport。这个时候会自动下载相关依赖。相关依赖在.m2的repository文件夹下。如果是普通scala工程，按前面“开发篇”介绍的：工程目录右键=>open module settings=> project settings=> libraries=>"+"=>java=>选择spark安装目录下的jars文件夹=>确认。同样地，“+”=>scala sdk =>选择需要的scala sdk(与spark版本对应的sdk)=>确认。

思考：maven真的很强大，比如安装了scala插件后，不许要安装scala JDK，直接利用maven pom.xml配置好scala的版本，自动下载相应的scala的包。这样做有利于大型工程协助，同一个pom.xml文件可以保证大家都在同样的依赖库环境下开发。

2, 全局变量要谨慎，尤其是Buffer类型，因为你不知道它可能被塞进多少东西，除非你真的需要。

例如：

val data_set: RDD[(String, String, Int, Int)] = raw_rdd.map(generate_instance_per_line(_, configure)) 

其中generate_instance_per_line函数里对一个globalListBuffer全局变量进行了append操作，那么每一个map都会执行一次append.

3, SparkException: An application name must be set in your configuration

解决方法:

进入:Run > Edit Configurations... > Application > "My project name" > Configuraton,

设置VM options项为-Dspark.master=local.

-Dspark.master=local:表示设置我的spark程序以local模式运行

4，java.lang.NoClassDefFoundError: org/apache/spark/SparkContext

import  org.apache.spark.SparkConf没有报错，但运行时报上面NoClassDefFoundError错误。

解决办法：maven工程build的包有provided和compile两种模式，provided用于：运行环境已经有了相应的包，所以没有必要在build时把相关的包打包进来，减少jar包的体积。本地运行时，需要把provide改成complie。或者IDEA提供了更方便的做法：