Python海量数据处理之_Hadoop&Spark

1. 说明

 前篇介绍了安装和使用Hadoop，本篇将介绍Hadoop+Spark的安装配置及如何用Python调用Spark。
 当数据以TB,PB计量时，用单机处理数据变得非常困难，于是使用Hadoop建立计算集群处理海量数据，Hadoop分为两部分，一部分是数据存储HDFS，另一部分是数据计算MapReduce。MapReduce框架将数据处理分成map,reduce两段，使用起来比较麻烦，并且有一些限制，如：数据都是流式的，且必须所有Map结束后才能开始Reduce。我们可以引入Spark加以改进。
 Spark的优点在于它的中间结果保存在内存中，而非HDFS文件系统中，所以速度很快。用Scala 语言可以像操作本地集合对象一样轻松地操作分布式数据集。虽然它支持中间结果保存在内存，但集群中的多台机器仍然需要读写数据集，所以它经常与HDFS共同使用。因此，它并非完全替代Hadoop。
 Spark的框架是使用Scala语言编写的，Spark的开发可以使用语言有：Scala、R语言、Java、Python。

2. Scala

 Scala是一种类似java的编程语言，使用Scala语言相对来说代码量更少，调用spark更方便，也可以将它和其它程序混用。
 在不安装scala的情况下，启动hadoop和spark，python的基本例程也可以正常运行。但出于进一步开发的需要，最好安装scala。

(1) 下载scala

 http://www.scala-lang.org/download/
 我下载的是与spark中一致的2.11版本的非源码tgz包

(2) 安装

$ cd /home/hadoop #用户可选择安装的文件夹
$ tar xvzf tgz/scala-2.11.12.tgz
$ ln -s scala-2.11.12/ scala

在.bashrc中加入
export PATH=/home/hadoop/scala/bin:$PATH

3. 下载安装Spark

(1) 下载spark

 http://spark.apache.org/downloads.html
 我下载的版本是：spark-2.2.1-bin-hadoop.2.7.tgz

(2) 安装spark

$ cd /home/hadoop #用户可选择安装的文件夹
$ tar xvzf spark-2.2.1-bin-hadoop2.7.tgz
$ ln -s spark-2.2.1-bin-hadoop2.7/ spark

在.bashrc中加入
export SPARK_HOME=/home/hadoop/spark
export PATH=$SPARK_HOME/bin:$PATH

(3) 配置文件

 不做配置，pyspark可以在本机上运行，但不能使用集群中其它机器。配置文件在$SPARK_HOME/conf/目录下。

i. 配置spark-env.sh

$ cd $SPARK_HOME/conf/
$ cp spark-env.sh.template spark-env.sh
按具体配置填写内容
export SCALA_HOME=/home/hadoop/scala
export JAVA_HOME=/exports/android/jdk/jdk1.8.0_91/
export SPARK_MASTER_IP=master
export SPARK_WORKER_MEMORY=1g
export HADOOP_CONF_DIR=/home/hadoop/hadoop/etc/hadoop/

ii. 设置主从服务器slave

$ cp slaves.template slaves 
在其中列出从服务器地址，单机不用设

iii. 设置spark-defaults.conf

$ cp conf/spark-defaults.conf.template conf/spark-defaults.conf
按具体配置填写内容
spark.master                     spark://master:7077
spark.eventLog.enabled           false
spark.serializer                 org.apache.spark.serializer.KryoSerializer
spark.driver.memory              1g
spark.executor.extraJavaOptions  -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"

(4) 启动

 运行spark之前，需要运行hadoop，具体见之前的Hadoop文档

$ $SPARK_HOME/sbin/start-all.sh

 该脚本启动了所有master和workers，在本机用jps查看，增加了Worker和Master，

4. 命令行调用

 下面我们来看看从程序层面如何使用Spark

(1) 准备工作

 在使用相对路径时，系统默认是从hdfs://localhost:9000/中读数据，因此需要先把待处理的本地文件复制到HDFS上，常用命令见之前的Hadoop有意思。

$ hadoop fs -mkdir -p /usr/hadoop
$ hadoop fs -copyFromLocal README.md /user/hadoop/

(2) Spark命令行

$ pyspark
>>> textFile = spark.read.text("README.md")
>>> textFile.count() # 返回行数
>>> textFile.first() # 返回第一行
>>> linesWithSpark = textFile.filter(textFile.value.contains("Spark")) # 返回所有含Spark行的数据集

5. 程序

(1) 实现功能

 统计文件中的词频

(2) 代码

 这里使用了spark自带的例程 /home/hadoop/spark/examples/src/main/python/wordcount.py，和之前介绍过的hadoop程序一样，同样是实现的针对key,value的map,reduce，一个文件就完成了，看起来更简徢更灵活，像是hadoop自带MapReduce的加强版。具体内容如下：

from __future__ import print_function

import sys 
from operator import add 

from pyspark.sql import SparkSession

if __name__ == "__main__":
    if len(sys.argv) != 2:
        print("Usage: wordcount <file>", file=sys.stderr)
        exit(-1)

    spark = SparkSession\
        .builder\
        .appName("PythonWordCount")\
        .getOrCreate()

    lines = spark.read.text(sys.argv[1]).rdd.map(lambda r: r[0])
    counts = lines.flatMap(lambda x: x.split(' ')) \
                  .map(lambda x: (x, 1)) \
                  .reduceByKey(add)
    output = counts.collect() # 收集结果
    for (word, count) in output:
        print("%s: %i" % (word, count))

    spark.stop()

(3) 运行

 spark-submit命令在$HOME_SPARK/bin目录下，之前设置了PATH，可以直接使用

$ spark-submit $SPARK_HOME/examples/src/main/python/wordcount.py /user/hadoop/README.md

 参数是hdfs中的文件路径。
 此时访问$SPARK_IP:8080端口，可以看到程序PythonWordCount正在hadoop中运行。

6. 多台机器上安装Spark以建立集群

 和hadoop的集群设置类似，同样是把整个spark目录复制集群中其它的服务器上，用slaves文件设置主从关系，然后启动$SPARK_HOME/sbin/start-all.sh。正常开启后可以通过网页查看状态：SparkMaster_IP:8080

7. 参考

(1) 官方帮助文档，具体见其python部分
http://spark.apache.org/docs/latest/quick-start.html
(2) Hadoop2.7.3+Spark2.1.0 完全分布式环境 搭建全过程
https://www.cnblogs.com/purstar/p/6293605.html

技术文章定时推送
请关注公众号：算法学习分享