0.参考文章
1.pyspark练习
进入到Spark目录,
1.1 修改log4j.properties
Spark(和PySpark)的执行可以特别详细,很多INFO日志消息都会打印到屏幕。开发过程中,这些非常恼人,因为可能丢失Python栈跟踪或者print的输出。为了减少Spark输出 – 你可以设置$SPARK_HOME/conf下的log4j。首先,拷贝一份$SPARK_HOME/conf/log4j.properties.template文件,去掉“.template”扩展名。
1
1cp $SPARK_HOME/conf/log4j.properties.template $SPARK_HOME/conf/log4j.properties
编辑log4.properties,将INFO替换为WARN 替换后如下:
1
2
3
4
5
6
7
8
9
10
11
1
2
3
4
5
6
7
8
9
10
11# Set everything to be logged to the console
log4j.rootCategory=WARN, console
log4j.appender.console=org.apache.log4j.ConsoleAppender
log4j.appender.console.target=System.err
log4j.appender.console.layout=org.apache.log4j.PatternLayout
log4j.appender.console.layout.ConversionPattern=%d{yy/MM/dd HH:mm:ss} %p %c{1}: %m%n
# Settings to quiet third party logs that are too verbose
log4j.logger.org.eclipse.jetty=WARN
log4j.logger.org.eclipse.jetty.util.component.AbstractLifeCycle=ERROR
log4j.logger.org.apache.spark.repl.SparkIMain$exprTyper=WARN
log4j.logger.org.apache.spark.repl.SparkILoop$SparkILoopInterpreter=WARN
现在运行pyspark,输出消息将会更简略。 然后采用默认的设置运行pyspark
./bin/pyspark
配置master参数,使用4个Worker线程本地化运行Spark(local[k]应该根据运行机器的CPU核数确定)
./bin/pyspark –master local[4]
增加的–py-files,是将指定的文件加到search path,以便之后import
./bin/pyspark –master local[4] –py-files code.py
MASTER_URL
含义
local
使用一个Worker线程本地化运行Spark(默认)
local[k]
使用K个Worker线程本地化运行Spark
local[*]
使用K个Worker线程本地化运行Spark(这里K自动设置为机器的CPU核数)
spark://HOST:PORT
连接到指定的Spark单机版集群(Spark standalone cluster)master。必须使用master所配置的接口,默认接口7077.如spark://10.10.10.10:7077
mesos://HOST:PORT
连接到指定的Mesos集群。host参数是Moses master的hostname。必须使用master所配置的接口,默认接口是5050.
yarn-client
以客户端模式连接到yarn集群,集群位置由环境变量HADOOP_CONF_DIR决定.
yarn-cluster
以集群模式连接到yarn集群,同样由HADOOP_CONF_DIR决定连接到哪儿
接下来:
1
2
1
2textFile = sc.textFile("file:///usr/local/cluster/spark/README.md")
如果使用本地文件系统的路径,那么这个文件在工作节点上也应该可以按照这个路径读到。即, 要么把文件copy到所有工作节点,或者使用网络共享之。
Spark默认从HDFS中读取数据,如果输入
textFile = sc.textFile(“./README.md”)
会报错:
1
1Input path does not exist: hdfs://manage02:9000/user/root/README.md
或者: 登录Hadoop主节点 将要进行wordcount的文件上传到HDFS上,然后再从HDFS中读入数据。
1
2
3
1
2
3hadoop fs -put /user/root/README.md input
# 然后进入pyspark
textFile = sc.textFile("hdfs://manage02:9000/user/root/README.md")
Spark的文件输入方法,可以run在目录,压缩文件上,支持通配符。 如:
1
2
3
1
2
3textFile("/my/directory") textFile("/my/directory/*.txt") textFile("/my/directory/*.gz")
1
2
3
4
5
6
1
2
3
4
5
6textFile.count() # textFile返回的每一行的记录,相当于文件行数
textFile.first()
u'# Apache Spark'
linesWithSpark = textFile.filter(lambda line:"Spark" in line)
# filter方法创建一个新的RDD数据集(包含有'Spark'的行)
linesWithSpark.count()
2.构建Python-Spark程序
1.加入所需的Spark模块
1
2
3
1
2
3from pyspark import SparkContext, SparkConf
...
2.创建一个SparkContext对象(在pyspark shell里是自动创建好的)
sc = SparkContext(master, appname) sc = SparkContext(“local”,”Page Rank”)