python spark进行大数据分析_第1天Python实战Spark大数据分析及调度-开发环境配置...

主机名

ip

配置

系统

heboan-hadoop-000

10.1.1.15

8C/8G

CentOS7.7

工具包

配置本机ssh免密

时间校准

文件描述符优化

安装jdk

tar xf jdk-8u231-linux-x64.tar.gz -C /srv/vim~/.bash_profile

export JAVA_HOME=/srv/jdk1.8.0_231

export PATH=$JAVA_HOME/bin:$PATH

source~/.bash_profile

安装maven

tar xf apache-maven-3.6.3-bin.tar.gz -C /srv/vim~/.bash_profile

export MAVEN_HOME=/srv/apache-maven-3.6.3export PATH=$MAVEN_HOME/bin:$PATH

source~/.bash_profile

#更改本地仓库存路径mkdir /data/maven_repository

vim/srv/apache-maven-3.6.3/conf/settings.xml

安装python3

yum install gcc gcc-c++ openssl-devel readline-devel unzip -ytar xf Python-3.6.10.tgz

cd Python-3.6.10./configure --prefix=/srv/python36 --enable-optimizationsmake && make installvim~/.bash_profile

export PATH=/srv/python36/bin:$PATH

source~/.bash_profile

安装scala

tar xf scala-2.11.8.tgz -C /srv/vim~/.bash_profile

export SCALA_HOME=/srv/scala-2.11.8export PATH=$SCALA_HOME/bin:$PATH

source~/.bash_profile

部署hadoop

下载安装

wget http://archive.cloudera.com/cdh5/cdh/5/hadoop-2.6.0-cdh5.7.0.tar.gz

tar xf hadoop-2.6.0-cdh5.7.0.tar.gz -C /srv/vim~/.bash_profile

export HADOOP_HOME=/srv/hadoop-2.6.0-cdh5.7.0export PATH=$HADOOP_HOME/bin:$PATH

source~/.bash_profile

配置hadoop

cd /srv/hadoop-2.6.0-cdh5.7.0/etc/hadoop

#export JAVA_HOME=${JAVA_HOME}

export JAVA_HOME=/srv/jdk1.8.0_231

hadoop-env.sh

fs.default.name

hdfs://heboan-hadoop-000:8020

core-site.xml

mkdir -p /data/hadoop/{namenode,datanode}

dfs.namenode.name.dir

/data/hadoop/namenode

dfs.datanode.data.dir

/data/hadoop/datanode

dfs.replication

1

hdfs-site.xml

cp mapred-site.xml.template mapred-site.xml

mapreduce.framework.name

yarn

mapred-site

yarn.nodemanager.aux-services

mapreduce_shuffle

yarn-site.xml

初始化hdfs

cd /srv/hadoop-2.6.0-cdh5.7.0/bin

./hadoop namenode -format

启动hdfs

jps查看是否启动进程： DataNode NameNode SecondaryNameNode

/srv/hadoop-2.6.0-cdh5.7.0/sbin

./start-dfs.sh

测试创建一个目录

# hdfs dfs -mkdir /test

# hdfs dfs-ls /drwxr-xr-x - root supergroup 0 2020-05-30 10:19 /test

浏览器访问http://heboan-hadoop-000:50070

启动yarn

jps查看是否启动进程： ResourceManager NodeManager

cd /srv/hadoop-2.6.0-cdh5.7.0/sbin/./start-yarn.sh

浏览器访问http://heboan-hadoop-000:8088

源码编译部署spark

进入spark下载页面：http://spark.apache.org/downloads.html

可以看下编译spark的文档，里面有相关的编译注意事项，比如mavn,jdk的版本要求，机器配置等

http://spark.apache.org/docs/latest/building-spark.html

下载spark-2.3.0.tzg后，进行解压编译

tar xf spark-2.3.0.tgz

cd spark-2.3.0./dev/make-distribution.sh\--name 2.6.0-cdh5.7.0 --tgz \-Pyarn -Phadoop-2.6 -Phive -Phive-thriftserver \-Dhadoop.version=2.6.0-cdh5.7.0

编译依赖网络环境，默认情况下，指定的仓库源被墙无法访问

mvn配置settings.conf添加阿里仓库加速

alimaven

aliyun maven

https://maven.aliyun.com/nexus/content/groups/public/

central

修改spark的pom.xml，更改仓库地址为阿里源地址，并添加cdh源

vim spark-2.3.0/pom.xml

替换maven为自己安装的

vim dev/make-distribution.sh#MVN="$SPARK_HOME/build/mvn"MVN="${MAVEN_HOME}/bin/mvn"

编译时间长，取决于你的网络环境，编译完成后，会打一个包命名为：spark-2.3.0-bin-2.6.0-cdh5.7.0.tgz

本文所有工具包已传至网盘，不想折腾的同学可以小额打赏联系博主

tar xf spark-2.3.0-bin-2.6.0-cdh5.7.0.tgz -C /srv/cd/srv/spark-2.3.0-bin-2.6.0-cdh5.7.0/bin/

vim ~/.bash_profile

export SPARK_HOME=/srv/spark-2.3.0-bin-2.6.0-cdh5.7.0

export PATH=$SPARK_HOME/bin:$PATH

source ~/.bash_profile

./spark-shell

浏览器访问http://heboan-hadoop-000:4040

pyspark配置默认使用的是Python2，如下配置环境变量默认使用Python3

vim ~/.bash_profile

export PYSPARK_PYTHON=python3

source~/.bash_profile

配置应用程序IDE开发环境

winows本地安装pycharm并创建项目

设置基本参数

spark-2.3.0-bin-2.6.0-cdh5.7.0.tgz解压到E盘： E:\spark-2.3.0-bin-2.6.0-cdh5.7.0

①配置环境变量

进入Environment variables

PYTHONPATH： E:\spark-2.3.0-bin-2.6.0-cdh5.7.0\python

SPARK_HOME： E:\spark-2.3.0-bin-2.6.0-cdh5.7.0

②添加两个zip包

可以看到多出了两个包

创建个文件写个最简单的程序测试运行下

代码开发完成后需要放到服务器环境上运行

mkdir /data/script

vim/data/script/01.py

使用spark-submit提交任务

# spark-submit --master local[2] --name heboan-pyspark-01 /data/script/01.py

解决pycharm 运行报错问题

当我们写好代码运行的时候，会报如下错误，虽然该错误不影响最后的运行，但是看着不爽

添加HADOOP_HOME环境变量，事先请确定Hadoop包在E:\hadoop-2.6.0-cdh5.7.0

配置PATH: 末尾添加 ;%HADOOP_HOME/bin%

下载winutils.exe,hadoop.dll放到hadoop环境的bin目录，建议尽量使用版本匹配的

最后重启系统即可，看看效果