实验3-Spark基础-Spark的安装

1. 下载安装 Scala

1.1 下载 Scala 安装包

下载地址 https://www.scala-lang.org/download/ 。此指导书中使用的 Scala 版本为 scala-2.11.12.tgz ，实验环境中存放在 /hadoop-packages/ 目录下。（在平台做实验本部分不需要自己下载）

1.2 基础环境准备

配置 Scala 环境之前需要有 Hadoop 。实验环境中已经安装配置好了 Hadoop 伪分布式环境 。执行 HDFS 的启动命令：

start-all.sh

jps

5345 SecondaryNameNode
5093 DataNode
5958 NodeManager
6135 Jps
5628 ResourceManager
4924 NameNode

检查启动成功。通过命令 jps，能看到 NameNode，DataNode 和 SecondaryNameNode 都已经成功启动，表示 Hadoop 启动成功。
实操环节：
点击HDFS 的启动：

输入指令”start-all.sh”：

输入指令”jps”：

1.3 安装 Scala

步骤1： 解压安装包 scala-2.11.12.tgz 至路径 /opt，在 Linux 系统终端中执行以下命令：

sudo tar zxvf /hadoop-packages/scala-2.11.12.tgz -C /opt/

步骤2： 将解压的文件夹名 scala-2.11.12 改为 scala，以方便使用，命令如下：

cd /opt/

sudo mv scala-2.11.12/ scala/

改名后的 /opt/ 目录可以输入“ll”查看，下图是示例。

步骤3： 配置环境变量，将 scala 目录下的 bin 目录添加到 path 中，这样使用 Scala 时就无须到 /opt/scala 目录下，以方便 Scala 的使用。编辑 ~/.bashrc 文件，执行以下命令：

sudo vim ~/.bashrc

输入显示：

点击“i”按键进入编辑模式：

请在 ~/.bashrc 文件中添加如下内容。如图所示。

export SCALA_HOME=/opt/scalaexport PATH=$SCALA_HOME/bin:$PATH

步骤4： 按 Esc 键退回一般模式，然后输入 :wq 命令并回车保存退出文件。

再执行以下命令使变量立即生效：

source ~/.bashrc

步骤5： 将 scala 目录下的所有文件的给予权限。执行以下命令：

cd /opt

sudo chmod -R 777 scala/*

步骤6： 验证 scala 版本，在终端中执行以下命令：

scala -version

输入后显示：

Scala code runner version 2.11.12 – Copyright 2002-2017, LAMP/EPFL

正确输出如上版本信息则安装无误。

2. 下载安装 Spark

2.1 下载 Spark 安装包

下载地址 http://spark.apache.org/downloads.html 。此指导书中使用的 Spark 版本为 spark-2.3.3-bin-hadoop2.7.tgz ，实验环境中存放在 /hadoop-packages/ 目录下。本实验平台不需要下载

2.2 安装 Spark

步骤1： 解压安装包 spark-2.3.3-bin-hadoop2.7.tgz 至路径 /opt ，在 Linux 系统终端中执行以下命令：

sudo tar zxvf /hadoop-packages/spark-2.3.3-bin-hadoop2.7.tgz -C /opt/

输入后显示：

步骤2： 将解压的文件夹名 spark-2.3.3-bin-hadoop2.7 改为 spark，以方便使用。
改名前的 /opt/ 目录如图所示。

执行以下命令：

sudo mv spark-2.3.3-bin-hadoop2.7/ spark/

改名后的 /opt/ 目录如图所示。

步骤3： 配置环境变量，将 spark 目录下的 bin 目录添加到 path 中。编辑 ~/.bashrc 文件，执行以下命令：

sudo vim ~/.bashrc

输入后显示：

点击”i”按键进入编辑模式：

请在 ~/.bashrc 文件中添加如下内容。如图所示。

export SPARK_HOME=/opt/sparkexport PYTHONPATH=$SPARK_HOME/python:$SPARK_HOME/python/lib/py4j-0.10.7-src.zip:$PYTHONPATHexport PYSPARK_PYTHON=pythonexport PATH=$PATH:$SPARK_HOME/bin

PYTHONPATH环境变量主要是为了在Python3中引入Pyspark库，对于不同版本的Spark , 其py4j-0.10.7-src.zip文件名是不同的，要进入相应目录 $SPARK_HOME/python/lib/ 下具体查看确定具体名称，再对PYTHONPATH环境变量的相应值加以修改。PYSPARK_PYTHON变量主要是设置Pyspark运行的Python版本。另外，如果环境中未安装Python3环境，需要手动执行命令yum -y install python3进行安装，后面才可正常进入到Pyspark终端。
步骤4： 按 Esc 键退回一般模式，然后输入 :wq 命令并回车保存退出文件。

执行以下命令使变量立即生效：

source ~/.bashrc

步骤5： 将 spark 目录下的所有文件的给予权限。执行以下命令：

cd /opt

sudo chmod -R 777 spark/*

步骤6： 通过运行Spark自带的一个示例程序，验证Spark是否安装成功。在终端中执行以下命令：

run-example SparkPi 2>&1 |grep "Pi is"

输入后显示：Pi is roughly 3.1381756908784544
正确输出类似如上信息则安装无误。

2.3 配置 Spark

切换到 Spark 的 conf 目录下并查看。执行以下命令：

cd /opt/spark/conf/

ls

可发现 conf 目录下有配置文件模板 spark-env.sh.template 和 spark-defaults.conf.template 等。

2.4 创建配置文件 spark-env.sh

在 Spark 的 conf 目录下执行以下命令：

cp -r spark-env.sh.template spark-env.sh

vim spark-env.sh

输入后显示：

进入 Vim 编辑界面，按 i 键之后进入编辑状态，在文件首行中补充如下路径的信息：

export SPARK_DIST_CLASSPATH=$(/opt/hadoop/bin/hadoop classpath)

上面这条配置信息的作用是让Spark具备从Hadoop分布式文件系统HDFS读、写数据的能力；如果没有配置上面信息，Spark就只能读写本地数据，无法读写HDFS数据。配置完成的文件如图所示。
然后，按键盘上的 ESC 键退出 Vim 的编辑状态，再输入 :wq，保存并退出 Vim 编辑器。

3. pyspark 启动

由于设置了 PYSPARK_PYTHON 环境变量，可以在任意路径下直接执行以下命令启动 Pyspark：

pyspark

启动 Pyspark 后，就会进入到 >>>命令提示符状态，Pyspark的终端。 从上图可以看到 Spark 的版本号为2.3.3，Python版本为3.6.8。现在就可以在Pyspark的终端中输入Python代码进行调试了。如图所示。

在Pyspark的终端中输入exit()可退出Pyspark终端。

4. 建立/user/spark文件夹

Hadoop中的许多组件在运行时会在HDFS上生成许多临时文件存储在/tmp文件夹中。
Spark应用历史服务在运行时会将一些数据存储在HDFS上的/user/spark/applicationHistory文件夹中。
使用hdfs dfs -mkdir命令创建文件夹/user/spark/applicationHistory以及hdfs dfs -chown命令将文件夹所有权移交给spark用户。

hdfs dfs -mkdir -p /user/spark/applicationHistory

hdfs dfs -chown -R spark /user/spark