《PySpark大数据分析实战》-06.安装环境准备

📋 博主简介

• 💖 作者简介：大家好，我是wux_labs。😜
  热衷于各种主流技术，热爱数据科学、机器学习、云计算、人工智能。
  通过了TiDB数据库专员（PCTA）、TiDB数据库专家（PCTP）、TiDB数据库认证SQL开发专家（PCSD）认证。
  通过了微软Azure开发人员、Azure数据工程师、Azure解决方案架构师专家认证。
  对大数据技术栈Hadoop、Hive、Spark、Kafka等有深入研究，对Databricks的使用有丰富的经验。
• 📝 个人主页：wux_labs，如果您对我还算满意，请关注一下吧~🔥
• 📝 个人社区：数据科学社区，如果您是数据科学爱好者，一起来交流吧~🔥
• 🎉 请支持我：欢迎大家 点赞👍+收藏⭐️+吐槽📝，您的支持是我持续创作的动力~🔥

《PySpark大数据分析实战》-06.安装环境准备

前言

大家好！今天为大家分享的是《PySpark大数据分析实战》第2章第1节的内容：安装环境准备。

图书在：当当、京东、机械工业出版社以及各大书店有售！

安装环境准备

Spark是运行在JVM上的，JVM是跨平台的，所以Spark可以跨平台运行在各种类型的操作系统上。但是在实际使用中，通常都将Spark安装部署在Linux服务器上，所以需要准备好用来安装Spark的Linux服务器，本专栏内容以Ubuntu 20.04作为目标操作系统。本地模式下，需要1台服务器；独立集群模式下，至少需要3台服务器；Spark on YARN模式下，至少需要3台服务器；云环境模式下，不需要自己准备服务器，在创建集群的时候可以选择集群规模需要多少节点。

准备3台服务器，用来安装Hadoop、Hive、Spark等集群，主机名称以及IP地址分别是node1（10.0.0.5)、node2（10.0.0.6）、node3（10.0.0.7），并在3台服务器上完成基础配置，所有服务器按统一规划配置，供后续安装配置集群使用。

再准备1台服务器，用来安装后续会使用到的MySQL、Kafka等其他组件，主机名称以及IP地址是node4（10.0.0.8）。

以下环境准备步骤，需要在3台服务器上同步进行，保证3台服务器的环境信息一致。

操作系统准备

安装Spark环境的操作系统需要统一完成最基本的设置，包括创建统一用户、配置域名解析及设置免密登录。

创建安装用户

操作系统用户统一使用hadoop、软件安装目录统一使用${HOME}/apps，所以需要在系统中创建hadoop用户并在hadoop用户的home目录下创建apps目录。使用root用户创建hadoop用户，命令如下：

# 创建hadoop用户
useradd -m hadoop -s /bin/bash
# 修改密码
passwd hadoop
# 增加管理员权限
adduser hadoop sudo

使用hadoop用户登录，创建apps目录，命令如下：

$ mkdir -p apps

配置域名解析

Spark集群的配置文件中涉及到节点的配置都使用主机名称进行配置，为了保证3台服务器能够正确识别每个主机名称对应的正确IP地址，需要为每台服务器配置域名解析。域名解析配置在/etc/hosts文件中，在3台服务器上分别编辑该文件输入IP与主机名称的映射关系，命令如下：

$ sudo vi /etc/hosts

域名解析配置内容如下：

10.0.0.5 node1
10.0.0.6 node2
10.0.0.7 node3
10.0.0.8 node4

配置免密登录

在集群模式下，多台服务器共同协作，需要配置各个节点之间的免密登录，避免节点之间交互时需要输入密码。在node1上生成密钥对，将密钥对复制到所有节点上，确保执行ssh连接到任意节点不会要求输入密码。配置免密登录及密钥对复制的命令如下：

$ ssh-keygen -t rsa
$ cp ~/.ssh/id_rsa.pub ~/.ssh/authorized_keys

$ ssh node1
$ ssh node2
$ ssh node3

$ scp -r .ssh hadoop@node1:~/
$ scp -r .ssh hadoop@node2:~/
$ scp -r .ssh hadoop@node3:~/

Java环境准备

Spark是用Scala语言编写的，运行在JVM环境上，需要在安装Spark的服务器上安装并配置Java。根据集群的规划，给集群中的每一个节点都安装Java环境，安装版本需要是Java 8及以上的版本。在Ubuntu操作系统中，可以通过命令来安装Java 8，命令如下：

$ sudo apt-get update
$ sudo apt-get install -y openjdk-8-jdk

安装完成后需要配置环境变量，命令如下：

$ vi .bashrc

环境变量配置内容如下：

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64

Python环境准备

Spark提供了对Python的支持，提供了PySpark库，本z专栏内容以Python作为主要开发语言，需要在服务器环境中需要安装Python 3。Linux服务器通常自带Python环境，低版本的Linux自带的Python环境通常是Python 2，高版本的Linux自带的Python环境有可能是Python 3。如果自带的环境是Python 2，需要重新安装Python 3，命令如下：

$ sudo apt-get install -y python3.8

如果使用其他方式安装Python 3，推荐使用Anaconda 3安装。Anaconda 3安装过程，参考官方文档https://docs.anaconda.com/anaconda/install/linux/。

安装完成以后，确保服务器上执行python3命令不会报错。

Spark安装包下载

在安装Spark之前，需要通过官方网站下载Spark的安装包， Spark的官方下载地址是https://spark.apache.org/downloads.html，下载页面如图所示。

直接点击下载链接将安装包下载到本地，再将安装包上传到需要安装Spark的Linux服务器上。

除了直接下载，还可以复制下载链接，在安装Spark的Linux服务器上通过wget等命令进行安装包的下载，wget下载命令如下：

$ wget https://dlcdn.apache.org/spark/spark-3.4.0/spark-3.4.0-bin-hadoop3.tgz

也可以通过国内镜像下载，命令如下：

$ wget https://mirrors.tuna.tsinghua.edu.cn/apache/spark/spark-3.4.0/spark-3.4.0-bin-hadoop3.tgz

下载完成的安装包存放在用户目录下。

Hadoop安装包下载

数据文件的存放依赖于HDFS，Spark on YARN模式的部署依赖YARN，这些都需要用到Hadoop集群，所以需要下载Hadoop安装包。通过Hadoop的官方网站下载Hadoop 3.3.x的安装包，Hadoop的官方下载地址是https://hadoop.apache.org/releases.html，下载页面如图所示。

直接点击下载链接将安装包下载到本地，再将安装包上传到需要安装Hadoop的Linux服务器上。

除了直接下载，还可以复制下载链接，在安装Hadoop的Linux服务器上通过wget等命令进行安装包的下载，wget下载命令如下：

$ wget https://dlcdn.apache.org/hadoop/common/hadoop-3.3.5/hadoop-3.3.5.tar.gz

也可以通过国内镜像下载，命令如下：

$ wget https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-3.3.5/hadoop-3.3.5.tar.gz

下载完成的安装包存放在用户目录下。

结束语

好了，感谢大家的关注，今天就分享到这里了，更多详细内容，请阅读原书或持续关注专栏。