大数据从入门到实战 - Spark的安装与使用

叮嘟！这里是小啊呜的学习课程资料整理。好记性不如烂笔头，今天也是努力进步的一天。一起加油进阶吧！

一、关于此次实践

1、实战简介

随着大数据时代的到来，各行各业的工作者都迫切需要更好更快的数据计算与分析工具，2009年，Spark应运而生，在很短的时间里就崭露头角，受到了业界的广泛肯定与欢迎，如今已是Apache软件基金会会下的顶级开源项目之一。相较于曾经引爆大数据产业革命的Hadoop MapReduce框架，Spark带来的改进更加令人欢欣鼓舞。

首先，基于内存计算的Spark速度更快，减少了迭代计算时的IO开销，而且支持交互性使用，其次。Spark丰富的API提供了更强大的易用性，它支持使用Scala、Java、Python与R语言进行编程，有助于开发者轻松构建并行的应用程序。而且，Spark支持多种运行模式，既可以运行于独立的集群模式或Hadoop集群模式中，也可以运行在云星宇Amazon EC2等云环境中。

还等什么呢，赶紧开始学习Spark吧。

2、全部任务

二、实践详解

1、第1关：Scala语言开发环境的部署

任务描述

本关任务：安装与配置Scala开发环境。

相关知识

Scala是一种函数式面向对象语言，它融汇了许多前所未有的特性，而同时又运行于JVM之上。随着开发者对Scala的兴趣日增，以及越来越多的工具支持，无疑Scala语言将成为你手上一件必不可少的工具。

而我们将要学习的大数据框架Spark底层是使用Scala开发的，使用scala写出的代码长度是使用java写出的代码长度的1/10左右，代码实现更加简练。

所以安装与配置Scala的环境是我们在开始学习Spark之前要完成的准备工作。

接下来我们开始安装，分为三个步骤：

下载解压；
配置环境；
校验。

下载解压

在Scala官网根据平台选择下载Scala的安装包，

接下来，解压到/app目录下：

mkdir /app    //创建 app 目录
tar -zxvf  scala-2.12.7.tgz -C /app

提示：在平台已经将解压包下载在/opt目录下了，就不需要再从网络下载了。

配置环境
接下来我们开始配置环境，在自己本机上需要配置好Java环境，因为Scala是基于jvm的（在平台已经将Java环境配置好了）：

vi /etc/profile

不要忘了配置好之后source /etc/profile

校验

在命令行输入：scala -version出现如下结果就配置成功了

按照惯例，我们在开始一个编程语言要进行一个仪式，哈哈，那就是，Hello World，接下来我们使用Scala输出Hello World：

在命令行中输入scala进入Scala命令行，输入println("Hello World") 就可以啦。

2、第2关：安装与配置Spark开发环境

任务描述

本关任务：安装与配置Spark开发环境。

相关知识

Apache Spark是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab(加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架，Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是——Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

本关我们来配置一个伪分布式的Spark开发环境，与配置Hadoop类似分为三个步骤：

下载解压安装包；
配置环境变量；
配置Spark环境；
校验。

下载解压安装包
我们从官网下载好安装包，

接下来解压，在平台已经将spark安装包下载到/opt目录下了，所以不需要再下载了。

tar -zxvf spark-2.2.2-bin-hadoop2.7.tgz -C /app

将压缩包解压到/app目录下。

配置环境变量

我们将spark的根目录配置到/etc/profile中（在文件末尾添加）。

vim /etc/profile

不要忘了source /etc/profile

修改Spark配置文件

切换到conf目录下：

cd /app/spark-2.2.2-bin-hadoop2.7/conf

在这里我们需要配置的是spark-env.sh文件，但是查看目录下文件只发现一个spark-env.sh.template文件，我们使用命令复制该文件并重命名为spark-env.sh即可；

接下来编辑spark-env.sh，在文件末尾添加如下配置：

export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_111
export SCALA_HOME=/app/scala-2.12.7
export HADOOP_HOME=/usr/local/hadoop/
export HADOOP_CONF_DIR=/usr/local/hadoop/etc/hadoop
export SPARK_MASTER_IP=machine_name   # machine_name 根据自己的主机确定
export SPARK_LOCAL_IP=machine_name    # machine_name 根据自己的主机确定

参数解释：

如何查看机器名/主机名呢？

很简单，在命令行输入：hostname即可。

校验

最后我们需要校验是否安装配置成功了；
现在我们启动spark并且运行spark自带的demo：

首先我们在spark根目录下启动spark：
在spark的根目录下输入命令./sbin/start-all.sh即可启动，使用jps命令查看是否启动成功，有woker和master节点代表启动成功。

接下来运行demo：

• 在Spark根目录使用命令./bin/run-example SparkPi > SparkOutput.txt运行示例程序
• 在运行的时候我们可以发现打印了很多日志，最后我们使用cat SparkOutput.txt可以查看计算结果（计算是有误差的所以每次结果会不一样）：

好了，如果你能到这一步就已经完成了伪分布式Spark的安装啦。

Ending！
更多课程知识学习记录随后再来吧！

就酱，嘎啦！

注：
人生在勤，不索何获。