Spark安装和编程实践（Spark2.4.0）

最新推荐文章于 2024-05-04 22:12:45 发布

退役小学生呀

最新推荐文章于 2024-05-04 22:12:45 发布

阅读量3.3k

点赞数

文章标签：分布式大数据编程语言 hadoop python

本文链接：https://blog.csdn.net/weixin_43279138/article/details/124441589

版权

Spark安装和编程实践(Spark2.4.0)

1、安装 Spark2.4.0

首先需要下载Spark安装文件。访问Spark官方下载地址，按照如下图下载。图片.png-390kB

需要注意的是，本教程内容中Spark采用Local模式进行安装，也就是在单机上运行Spark，因此，在安装Hadoop时，需要按照伪分布式模式进行安装。在单台机器上按照Hadoop(伪分布式)+Spark(Local模式)这种方式进行Hadoop和Spark组合环境的搭建，可以较好满足入门级Spark学习的需求

1.1 安装Hadoop(伪分布式)

Spark的安装过程较为简单，在已安装好 Hadoop3.1.3(伪分布式) 的前提下，经过简单配置即可使用。

1.2 安装JAVA JDK

安装Hadoop3.1.3的过程就已经要求安装JAVA JDK1.8了。

1.3 安装Spark(Local模式)

#解压安装包
hadoop@hadoop-master:~$ sudo tar xf spark-2.4.0-bin-without-hadoop.tgz -C /usr/local/
hadoop@hadoop-master:~$ cd /usr/local
hadoop@hadoop-master:/usr/local$ sudo mv spark-2.4.0-bin-without-hadoop spark

#把spark目录权限赋予给hadoop用户：
hadoop@hadoop-master:/usr/local$ sudo chown -R hadoop:hadoop spark/

安装后，还需要修改Spark的配置文件spark-env.sh

hadoop@hadoop-master:/usr/local$ cd /usr/local/spark/
hadoop@hadoop-master:/usr/local/spark$ cp -a ./conf/spark-env.sh.template ./conf/spark-env.sh

编辑spark-env.sh文件

hadoop@hadoop-master:/usr/local/spark$ vim ./conf/spark-env.sh
hadoop@hadoop-master:/usr/local/spark$ head -1 ./conf/spark-env.sh
export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)

配置完成后就可以直接使用，不需要像Hadoop运行启动命令。
通过运行Spark自带的示例，验证Spark是否安装成功。

hadoop@hadoop-master:/usr/local/spark$ ./bin/run-example SparkPi

执行时会输出非常多的运行信息，输出结果不容易找到，可以通过 grep 命令进行过滤(命令中的 2>&1 可以将所有的信息都输出到 stdout 中，否则由于输出日志的性质，还是会输出到屏幕中):

hadoop@hadoop-master:/usr/local/spark$ bin/run-example SparkPi 2>&1 | grep "Pi is"
Pi is roughly 3.1429757148785744

2、使用 Spark Shell 编写代码

学习Spark程序开发，建议首先通过spark-shell交互式学习，加深Spark程序开发的理解。
Spark shell 提供了简单的方式来学习 API，也提供了交互的方式来分析数据。

2.1 启动Spark Shell

hadoop@hadoop-master:/usr/local/spark$ ./bin/spark-shell

启动spark-shell后，会自动创建名为sc的SparkContext对象和名为spark的SparkSession对象,如图：

hadoop@hadoop-master:/usr/local/spark$ ./bin/spark-shell 
2022-04-26 11:07:53 WARN  NativeCodeLoader:60 - Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://hadoop-master:4040
Spark context available as 'sc' (master = local[*], app id = local-1650942493059).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.4.0
      /_/
         
Using Scala version 2.11.12 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_162)
Type in expressions to have them evaluated.
Type :help for more information.

2.2 加载text文件

spark创建sc，可以加载本地文件和HDFS文件创建RDD。这里用Spark自带的本地文件README.md文件测试。

scala> val textFile = sc.textFile("file:///usr/local/spark/README.md")
textFile: org.apache.spark.rdd.RDD[String] = file:///usr/local/spark/README.md MapPartitionsRDD[1] at textFile at <console>:24

scala> textFile.count()
res0: Long = 105

加载HDFS文件和本地文件都是使用textFile，区别是添加前缀(hdfs://和file:///)进行标识。

2.3 简单RDD操作

#获取RDD文件textFile的第一行内容
scala> textFile.first()
res1: String = # Apache Spark

#获取RDD文件textFile所有项的计数
scala> textFile.count()
res2: Long = 105

#抽取含有“Spark”的行，返回一个新的RDD
scala> val lineWithSpark = textFile.filter(line => line.contains("Spark"))
lineWithSpark: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[2] at filter at <console>:25

#统计新的RDD的行数
scala> lineWithSpark.count()
res3: Long = 20

可以通过组合RDD操作进行组合，可以实现简易MapReduce操作

#找出文本中每行的最多单词数
scala> textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)
res4: Int = 22

更多RDD的操作，请访问Spark官方文档RDD操作

2.4 退出Spark Shell

输入:quit，即可退出spark shell

scala> :quit

3、独立应用程序编程

接着我们通过一个简单的应用程序 SimpleApp 来演示如何通过 Spark API 编写一个独立应用程序。使用 Scala 编写的程序需要使用 sbt (或者Maven)进行编译打包，相应地，Java 程序使用 Maven 编译打包，而 Python 程序通过 spark-submit 直接提交。

3.1 使用sbt对Scala独立应用程序进行编译打包

3.1.1 安装sbt

使用Scala语言编写的Spark程序，需要使用sbt进行编译打包。Spark中没有自带sbt，需要单独安装。可以到“http://www.scala-sbt.org”下载sbt安装文件sbt-1.3.8.tgz。

#解压安装包
hadoop@hadoop-master:~$ sudo tar xf sbt-1.3.8.tgz -C /usr/local/

#把sbt目录权限赋予给hadoop用户
hadoop@hadoop-master:~$ sudo chown -R hadoop:hadoop /usr/local/sbt/

#把bin目录下的sbt-launch.jar复制到sbt安装目录下
hadoop@hadoop-master:/usr/local/sbt$ cp -a ./bin/sbt-launch.jar .

接着在安装目录中使用下面命令创建一个Shell脚本文件，用于启动sbt：

hadoop@hadoop-master:/usr/local/sbt$ vim /usr/local/sbt/sbt
hadoop@hadoop-master:/usr/local/sbt$ cat /usr/local/sbt/sbt
#!/bin/bash

SBT_OPTS="-Xms512M -Xmx1536M -Xss1M -XX:+CMSClassUnloadingEnabled -XX:MaxPermSize=256M"
java $SBT_OPTS -jar `dirname $0`/sbt-launch.jar "$@"

保存后，还需要为该Shell脚本文件增加可执行权限：

hadoop@hadoop-master:/usr/local/sbt$ chmod +x sbt

然后，可以使用如下命令查看sbt版本信息：

hadoop@hadoop-master:/usr/local/sbt$ ./sbt sbtVersion
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=256M; support was removed in 8.0
[info] [launcher] getting org.scala-sbt sbt 1.3.8  (this may take some time)...
......
[warn] No sbt.version set in project/build.properties, base directory: /usr/local/sbt
[info] Set current project to sbt (in build file:/usr/local/sbt/)
[info] 1.3.8

如果能够返回上述信息，就说明安装成功了。但是，这个过程会很漫长，甚至很坎坷，会花很长时间。

但是，只要安装成功，第2次开始运行./sbt sbtVersion和编译打包命令，速度就比较快了。

之所以第一次运行sbt编译打包命令速度很慢，是因为这个过程需要到国外网站下载很多的依赖包，而国外网站下载速度很慢，所以，需要耗费很长时间。为了加快速度，可以尝试更改为国内的仓库地址，具体方法可以参考博客：安装最新版sbt工具方法和体会。

3.1.2 Scala应用程序代码

在终端中执行如下命令创建一个文件夹 sparkapp 作为应用程序根目录：

#创建应用程序根目录
hadoop@hadoop-master:~$ mkdir sparkapp

#创建所需的文件夹结构
hadoop@hadoop-master:~$ mkdir -p sparkapp/src/main/scala

在./sparkapp/src/main/scala下建立一个名为SimpleApp.scala的文件

hadoop@hadoop-master:~$ nano sparkapp/src/main/scala/SimpleApp.scala
hadoop@hadoop-master:~$ cat sparkapp/src/main/scala/SimpleApp.scala
/* SimpleApp.scala */
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
import org.apache.spark.SparkConf
 
object SimpleApp {
        def main(args: Array[String]) {
            val logFile = "file:///usr/local/spark/README.md" // Should be some file on your system
            val conf = new SparkConf().setAppName("Simple Application")
            val sc = new SparkContext(conf)
            val logData = sc.textFile(logFile, 2).cache()
            val numAs = logData.filter(line => line.contains("a")).count()
            val numBs = logData.filter(line => line.contains("b")).count()
            println("Lines with a: %s, Lines with b: %s".format(numAs, numBs))
        }
    }

该程序计算/usr/local/spark/README文件中包含a的行数和包含b 的行数。代码第8行的 /usr/local/spark 为 Spark 的安装目录，如果不是该目录请自行修改。不同于 Spark shell，独立应用程序需要通过 val sc = new SparkContext(conf) 初始化 SparkContext，SparkContext 的参数 SparkConf 包含了应用程序的信息。

该程序依赖 Spark API，因此我们需要通过 sbt 进行编译打包。在~/sparkapp这个目录中新建文件simple.sbt中添加如下内容，声明该独立应用程序的信息以及与 Spark 的依赖关系：

hadoop@hadoop-master:~/sparkapp$ nano simple.sbt
hadoop@hadoop-master:~/sparkapp$ cat simple.sbt
name := "Simple Project"
version := "1.0"
scalaVersion := "2.11.12"
libraryDependencies += "org.apache.spark" %% "spark-core" % "2.4.0"

文件 simple.sbt 需要指明 Spark 和 Scala 的版本。在上面的配置信息中，scalaVersion用来指定scala的版本，sparkcore用来指定spark的版本，这两个版本信息都可以在之前的启动 Spark shell 的过程中，从屏幕的显示信息中找到。

3.1.3 使用 sbt 打包 Scala 程序

为保证 sbt 能正常运行，先执行如下命令检查整个应用程序的文件结构：

hadoop@hadoop-master:~/sparkapp$ find .
.
./src
./src/main
./src/main/scala
./src/main/scala/SimpleApp.scala
./simple.sbt

接着，我们就可以通过如下代码将整个应用程序打包成 JAR(首次运行同样需要下载依赖包 )：

hadoop@hadoop-master:~/sparkapp$ /usr/local/sbt/sbt package
....
[info] Non-compiled module 'compiler-bridge_2.11' for Scala 2.11.12. Compiling...
[info]   Compilation completed in 8.841s.
[success] Total time: 36 s, completed 2022-4-26 13:48:26

生成的 jar 包的位置为

hadoop@hadoop-master:~/sparkapp$ ll ~/sparkapp/target/scala-2.11/simple-project_2.11-1.0.jar 
-rw-rw-r-- 1 hadoop hadoop 3583 4月  26 13:48 /home/hadoop/sparkapp/target/scala-2.11/simple-project_2.11-1.0.jar

3.1.4 通过 spark-submit 运行程序

最后，我们就可以将生成的 jar 包通过 spark-submit 提交到 Spark 中运行了，命令如下：

/usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp/target/scala-2.11/simple-project_2.11-1.0.jar

上面命令执行后会输出太多信息，可以不使用上面命令，而使用下面命令查看想要的结果

最终得到的结果如下：

hadoop@hadoop-master:~/sparkapp$ /usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp/target/scala-2.11/simple-project_2.11-1.0.jar 2>&1 | grep "Lines with a:"
Lines with a: 62, Lines with b: 31

自此，就完成了你的第一个 Spark 应用程序了。

3.2 使用Maven对Java独立应用程序进行编译打包

3.2.1 安装Maven

Ubuntu中没有自带安装maven，需要手动安装maven。可以访问maven官方下载自己下载。

#解压安装包
hadoop@hadoop-master:~$ sudo unzip apache-maven-3.6.3-bin.zip -d /usr/local/
hadoop@hadoop-master:~$ cd /usr/local
hadoop@hadoop-master:/usr/local$ sudo mv apache-maven-3.6.3 maven

#把sbt目录权限赋予给hadoop用户
hadoop@hadoop-master:/usr/local$ sudo chown -R hadoop:hadoop ./maven/

3.2.2 Java应用程序代码

在终端执行如下命令创建一个文件夹sparkapp2作为应用程序根目录

#创建应用程序根目录
hadoop@hadoop-master:~$ mkdir sparkapp2

#创建所需的文件夹结构
hadoop@hadoop-master:~$ mkdir -p sparkapp2/src/main/java

在 ./sparkapp2/src/main/java 下建立一个名为 SimpleApp.java 的文件

hadoop@hadoop-master:~$ nano sparkapp2/src/main/java/SimpleApp.java
hadoop@hadoop-master:~$ cat sparkapp2/src/main/java/SimpleApp.java
/*** SimpleApp.java ***/
import org.apache.spark.api.java.*;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.SparkConf;
 
public class SimpleApp {
    public static void main(String[] args) {
        String logFile = "file:///usr/local/spark/README.md"; // Should be some file on your system
        SparkConf conf=new SparkConf().setMaster("local").setAppName("SimpleApp");
        JavaSparkContext sc=new JavaSparkContext(conf);
        JavaRDD<String> logData = sc.textFile(logFile).cache(); 
        long numAs = logData.filter(new Function<String, Boolean>() {
            public Boolean call(String s) { return s.contains("a"); }
        }).count(); 
        long numBs = logData.filter(new Function<String, Boolean>() {
            public Boolean call(String s) { return s.contains("b"); }
        }).count(); 
        System.out.println("Lines with a: " + numAs + ", lines with b: " + numBs);
    }
}

该程序依赖Spark Java API,因此我们需要通过Maven进行编译打包。在./sparkapp2目录中新建文件pom.xml文件中添加内容如下，声明该独立应用程序的信息以及与Spark的依赖关系：

hadoop@hadoop-master:~$ cd sparkapp2/
hadoop@hadoop-master:~/sparkapp2$ nano pom.xml
hadoop@hadoop-master:~/sparkapp2$ cat pom.xml
<project>
    <groupId>cn.edu.xmu</groupId>
    <artifactId>simple-project</artifactId>
    <modelVersion>4.0.0</modelVersion>
    <name>Simple Project</name>
    <packaging>jar</packaging>
    <version>1.0</version>
    <repositories>
        <repository>
            <id>jboss</id>
            <name>JBoss Repository</name>
            <url>http://repository.jboss.com/maven2/</url>
        </repository>
    </repositories>
    <dependencies>
        <dependency> <!-- Spark dependency -->
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.4.0</version>
        </dependency>
    </dependencies>
</project>

关于Spark dependency的依赖关系，可以访问The Central Repository。搜索spark-core可以找到相关依赖关系信息。图片.png-404.6kB

3.2.3 使用Maven打Java程序

为了保证maven能够正常运行，先执行如下命令检查整个应用程序的文件结构:

hadoop@hadoop-master:~/sparkapp2$ find .
.
./src
./src/main
./src/main/java
./src/main/java/SimpleApp.java
./pom.xml

接着，我们可以通过如下代码将这整个应用程序打包成Jar(注意：电脑需要保持连接网络的状态，而且首次运行同样下载依赖包，同样消耗几分钟的时间):

hadoop@hadoop-master:~/sparkapp2$ /usr/local/maven/bin/mvn package
....
[INFO] Building jar: /home/hadoop/sparkapp2/target/simple-project-1.0.jar
[INFO] ------------------------------------------------------------------------
[INFO] BUILD SUCCESS
[INFO] ------------------------------------------------------------------------
[INFO] Total time:  06:07 min
[INFO] Finished at: 2022-04-26T14:12:13+08:00
[INFO] ------------------------------------------------------------------------

如果运行Maven编译打包过程很慢，是因为需要到国外网站下载很多的依赖包，国外网站速度很慢，因此，要花费很长时间。为了加快速度，可以更改为国内的仓库地址，具体可以参考博客：将Maven源改为国内阿里云仓库。

3.2.4 通过spark-submit 运行程序

最后，可以通过将生成的jar包通过spark-submit提交到Spark中运行，如下命令：

/usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp2/target/simple-project-1.0.jar

上面命令执行后会输出太多信息，可以不使用上面命令，而使用下面命令查看想要的结果

最终得到的结果如下：

hadoop@hadoop-master:~/sparkapp2$ /usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp2/target/simple-project-1.0.jar 2>&1 | grep "Lines with a"
Lines with a: 62, lines with b: 31

3.3 使用Maven对Scala独立应用程序进行编译打包

3.3.1 安装Maven

略。。。

3.3.2 Scala应用程序代码

在终端中执行如下命令创建一个文件夹 sparkapp3作为应用程序根目录：

#创建应用程序根目录
hadoop@hadoop-master:~$ mkdir sparkapp3

#创建所需的文件夹结构
hadoop@hadoop-master:~$ mkdir -p sparkapp3/src/main/scala

在 ./sparkapp3/src/main/scala 下建立一个名为 SimpleApp.scala 的文件

hadoop@hadoop-master:~$ nano sparkapp3/src/main/scala/SimpleApp.scala 
hadoop@hadoop-master:~$ cat sparkapp3/src/main/scala/SimpleApp.scala 
/* SimpleApp.scala */
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
import org.apache.spark.SparkConf
 
object SimpleApp {
        def main(args: Array[String]) {
            val logFile = "file:///usr/local/spark/README.md" // Should be some file on your system
            val conf = new SparkConf().setAppName("Simple Application")
            val sc = new SparkContext(conf)
            val logData = sc.textFile(logFile, 2).cache()
            val numAs = logData.filter(line => line.contains("a")).count()
            val numBs = logData.filter(line => line.contains("b")).count()
            println("Lines with a: %s, Lines with b: %s".format(numAs, numBs))
        }
    }

该程序计算 /usr/local/spark/README 文件中包含 a 的行数和包含 b 的行数。代码第8行的 /usr/local/spark 为 Spark 的安装目录，如果不是该目录请自行修改。不同于 Spark shell，独立应用程序需要通过 val sc = new SparkContext(conf) 初始化 SparkContext，SparkContext 的参数 SparkConf 包含了应用程序的信息。

3.3.3 使用Maven进行编译打包

该程序依赖Spark Java API,因此我们需要通过Maven进行编译打包。在./sparkapp3目录中新建文件pom.xml文件中添加如下内容，用来声明该独立应用程序的信息以及与Spark的依赖关系：

hadoop@hadoop-master:~$ cd sparkapp3/
hadoop@hadoop-master:~/sparkapp3$ nano pom.xml
hadoop@hadoop-master:~/sparkapp3$ cat pom.xml
<project>
    <groupId>cn.edu.xmu</groupId>
    <artifactId>simple-project</artifactId>
    <modelVersion>4.0.0</modelVersion>
    <name>Simple Project</name>
    <packaging>jar</packaging>
    <version>1.0</version>
    <repositories>
        <repository>
            <id>jboss</id>
            <name>JBoss Repository</name>
            <url>http://repository.jboss.com/maven2/</url>
        </repository>
    </repositories>
    <dependencies>
        <dependency> <!-- Spark dependency -->
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.4.0</version>
        </dependency>
    </dependencies>

  <build>
    <sourceDirectory>src/main/scala</sourceDirectory>
    <plugins>
      <plugin>
        <groupId>org.scala-tools</groupId>
        <artifactId>maven-scala-plugin</artifactId>
        <executions>
          <execution>
            <goals>
              <goal>compile</goal>
            </goals>
          </execution>
        </executions>
        <configuration>
          <scalaVersion>2.11.12</scalaVersion>
          <args>
            <arg>-target:jvm-1.8</arg>
          </args>
        </configuration>
    </plugin>
    </plugins>
</build>
</project>

为了保证Maven能够正常运行，先执行如下命令检查整个应用程序的文件结构：

hadoop@hadoop-master:~/sparkapp3$ find .
.
./src
./src/main
./src/main/scala
./src/main/scala/SimpleApp.scala
./pom.xml

接下来，我们可以通过如下代码将整个应用程序打包成JAR包(注意：计算机需要保持连接网络的状态，而且首次运行打包命令时，Maven会自动下载依赖包，需要消耗几分钟的时间)：

hadoop@hadoop-master:~/sparkapp3$ /usr/local/maven/bin/mvn package
....
[INFO] BUILD SUCCESS
[INFO] ------------------------------------------------------------------------
[INFO] Total time:  23.869 s
[INFO] Finished at: 2022-04-26T14:54:34+08:00
[INFO] ------------------------------------------------------------------------

生成的应用程序JAR包的位置为

hadoop@hadoop-master:~/sparkapp3$ ll -d ~/sparkapp3/target/simple-project-1.0.jar 
-rw-rw-r-- 1 hadoop hadoop 4886 4月  26 14:54 /home/hadoop/sparkapp3/target/simple-project-1.0.jar

3.3.4 通过 spark-submit 运行程序

最后，我们就可以将生成的 jar 包通过 spark-submit 提交到 Spark 中运行了，命令如下：

/usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp3/target/simple-project-1.0.jar

上面命令执行后会输出太多信息，可以不使用上面命令，而使用下面命令查看想要的结果

最终得到的结果如下：

hadoop@hadoop-master:~/sparkapp3$ /usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp3/target/simple-project-1.0.jar 2>&1 | grep "Lines with a:"
Lines with a: 62, Lines with b: 31

到此，就顺利完成 Spark 应用程序的Maven编译打包运行了。

本文参考：http://dblab.xmu.edu.cn/blog/2501-2/

退役小学生呀

关注

0
点赞
踩
14

收藏

觉得还不错? 一键收藏
0
评论
Spark安装和编程实践（Spark2.4.0）

Spark安装和编程实践(Spark2.4.0)1、安装 Spark2.4.0首先需要下载Spark安装文件。访问Spark官方下载地址，按照如下图下载。需要注意的是，本教程内容中Spark采用Local模式进行安装，也就是在单机上运行Spark，因此，在安装Hadoop时，需要按照伪分布式模式进行安装。在单台机器上按照Hadoop(伪分布式)+Spark(Local模式)这种方式进行Ha...
复制链接

扫一扫