第1章 Spark概述
1.1 什么是Spark
Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。
1.2 Spark框架
1、Hadoop MR框架
从数据源获取数据,经过分析计算后,将结果输出到指定位置,核心是一次计算,不适合迭代计算。
2、Spark框架
支持迭代式计算,图形计算
Spark框架计算比MR快的原因是:中间结果不落盘。注意Spark的Shuffle也是落盘的。
1.3 Spark内置模块
Spark Core
:实现了Spark的基本功能,包含任务调度、内存管理、错误恢复、与存储系统交互等模块。Spark Core中还包含了对弹性分布式数据集(Resilient Distributed DataSet,简称RDD)的API定义。
Spark SQL
:是Spark用来操作结构化数据的程序包。通过Spark SQL,我们可以使用 SQL或者Apache Hive版本的HQL来查询数据。Spark SQL支持多种数据源,比如Hive表、Parquet以及JSON等。
Spark Streaming
:是Spark提供的对实时数据进行流式计算的组件。提供了用来操作数据流的API,并且与Spark Core中的 RDD API高度对应。
Spark MLlib
:提供常见的机器学习功能的程序库。包括分类、回归、聚类、协同过滤等,还提供了模型评估、数据 导入等额外的支持功能。
Spark GraphX
:主要用于图形并行计算和图挖掘系统的组件。
集群管理器
:Spark设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计算。为了实现这样的要求,同时获得最大灵活性,Spark支持在各种集群管理器(Cluster Manager)上运行,包括Hadoop YARN、Apache Mesos,以及Spark自带的一个简易调度器,叫作独立调度器。
1.4 Spark特点
1)快:与Hadoop的MapReduce相比,Spark基于内存的运算要快100倍以上,基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎,可以通过基于内存来高效处理数据流。计算的中间结果是存在于内存中的。
2)易用:Spark支持Java、Python和Scala的API,还支持超过80种高级算法,使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的Shell,可以非常方便地在这些Shell中使用Spark集群来验证解决问题的方法。
3)通用:Spark提供了统一的解决方案。Spark可以用于,交互式查询(Spark SQL)、实时流处理(Spark Streaming)、机器学习(Spark MLlib)和图计算(GraphX)。这些不同类型的处理都可以在同一个应用中无缝使用。减少了开发和维护的人力成本和部署平台的物力成本。
4)兼容性:Spark可以非常方便地与其他的开源产品进行融合。比如,Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器,并且可以处理所有Hadoop支持的数据,包括HDFS、HBase等。这对于已经部署Hadoop集群的用户特别重要,因为不需要做任何数据迁移就可以使用Spark的强大处理能力。
第2章 Spark运行模式
部署Spark集群大体上分为两种模式:单机模式与集群模式
大多数分布式框架都支持单机模式,方便开发者调试框架的运行环境。但是在生产环境中,并不会使用单机模式。因此,后续直接按照集群模式部署Spark集群。
下面详细列举了Spark目前支持的部署模式。
1)Local模式:在本地部署单个Spark服务
2)Standalone模式:Spark自带的任务调度模式。(国内常用)
3)YARN模式:Spark使用Hadoop的YARN组件进行资源与任务调度。(国内常用)
4)Mesos模式:Spark使用Mesos平台进行资源与任务的调度。
2.1 Spark安装地址
下载地址:https://spark.apache.org/downloads.html
2.2 Local模式
Local模式就是运行在一台计算机上的模式,通常就是用于在本机上练手和测试。
2.2.1 安装使用
1)上传并解压Spark安装包
tar -zxvf spark-2.4.5-bin-hadoop2.6.tgz
mv spark-2.4.5-bin-hadoop2.6 spark245
2)添加环境变量
export SPARK_HOME=/opt/spark245
export PATH=$PATH:$SPARK_HOME/bin
source /etc/profile
3)配置文件
进入配置文件夹
cd /opt/spark245/conf/
复制一份配置文件,并修改
cp spark-env.sh.template spark-env.sh
在末尾添加
export JAVA_HOME=/opt/jdk1.8.0_221
export SCALA_HOME=/opt/scala
export SPARK_HOME=/opt/spark245
export SPARK_MASTER_IP=192.168.83.100
export SPARK_EXECUTOP_MEMORY=1G
再次复制
cp slaves.template slaves
在配置集群时,需要将全部机器添加到这里
4)官方求PI案例
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[2] \
./examples/jars/spark-examples_2.11-2.4.5.jar \
10
–class:表示要执行程序的主类;
–master local[2]
(1)local: 没有指定线程数,则所有计算都运行在一个线程当中,没有任何并行计算
(2)local[K]:指定使用K个Core来运行计算,比如local[2]就是运行2个Core来执行
(3)local[*]: 自动帮你按照CPU最多核来设置线程数。比如CPU有4核,Spark帮你自动设置4个线程计算。
- spark-examples_2.11-2.4.5.jar:要运行的程序;
- 10:要运行程序的输入参数(计算圆周率π的次数,计算次数越多,准确率越高);
5)结果展示
该算法是利用蒙特·卡罗算法求PI
2.2.2 官方WordCount案例
1)需求:读取多个输入文件,统计每个单词出现的总次数。
2)需求分析:过对单词的分割统计进行计数
3)代码实现:
(1)准备文件
mkdir input
在input下创建2个文件1.txt和2.txt,并输入以下内容
hello scala
hello spark
hello world
hello java
hello python
(2)启动spark-shell
spark-shell
注意:sc是SparkCore程序的入口;spark是SparkSQL程序入口;master = local[*]表示本地模式运行。
(3)再开启一个hadoop001远程连接窗口,发现了一个SparkSubmit进程
运行任务方式说明:spark-submit,是将jar上传到集群,执行Spark任务;spark-shell,相当于命令行工具,本身也是一个Application。
(4)登录hadoop001:4040,查看程序运行情况(注意:spark-shell窗口关闭掉,则hadoop001:4040页面关闭)
说明:本地模式下,默认的调度器为FIFO。
(5)运行WordCount程序
scala> sc.textFile("/root/input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res4: Array[(String, Int)] = Array((scala,2), (python,2), (hello,10), (java,2), (world,2), (spark,2))
注意:只有collect开始执行时,才会加载数据。
可登录hadoop001:4040查看程序运行结果
2.3 集群角色
2.3.1 Master和Worker
2.3.2 Driver和Executor
2.3.3 通用运行流程
总结:Master和Worker是Spark的守护进程,即Spark在特定模式下正常运行所必须的进程。Driver和Executor是临时程序,当有具体任务提交到Spark集群才会开启的程序。
2.4 Standalone模式
Standalone模式是Spark自带的资源调动引擎,构建一个由Master + Slave构成的Spark集群,Spark运行在集群中。
这个要和Hadoop中的Standalone区别开来。这里的Standalone是指只用Spark来搭建一个集群,不需要借助其他的框架。是相对于Yarn和Mesos来说的。
2.4.1 安装使用
1)集群规划
hadoop001 | hadoop002 | hadoop003 | |
---|---|---|---|
Spark | MasterWorker | Worker | Worker |
2)再解压一份Spark安装包,并修改解压后的文件夹名称为spark-standalone
tar -zxvf spark-2.4.5-bin-hadoop2.6.tgz
mv spark-2.4.5-bin-hadoop2.6 spark-standalone
3)进入Spark的配置目录/opt/spark-standalone/conf
cd /opt/spark-standalone/conf/
4)修改slave文件,添加work节点
mv slaves.template slaves
vi slaves
5)修改spark-env.sh文件,添加master节点
mv spark-env.sh.template spark-env.sh
vi spark-env.sh
添加
export JAVA_HOME=/opt/jdk1.8.0_221
export SCALA_HOME=/opt/scala
export SPARK_HOME=/opt/spark-standalone
export SPARK_MASTER_IP=192.168.83.101
export SPARK_MASTER_PORT=7077
export SPARK_EXECUTOP_MEMORY=1G
6)分发spark-standalone包
scp -r spark-standalone/ root@hadoop002:/opt
scp -r spark-standalone/ root@hadoop003:/opt
7)启动spark集群
这里最好先取消掉之前单机配置的环境变量,不然容易产生冲突,另外不能直接start-all.sh,会与之前配置的hadoop命令冲突
sbin/start-all.sh
注意:如果遇到 “JAVA_HOME not set” 异常,可以在sbin目录下的spark-config.sh 文件中加入如下配置:
export JAVA_HOME=XXXX
8)网页查看:192.168.83.101:8080(master web的端口,相当于hadoop的50070端口)
9)官方求PI案例
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop001:7077 \
./examples/jars/spark-examples_2.11-2.4.5.jar \
10
参数:–master spark://hadoop001:7077指定要连接的集群的master
10)页面查看http://hadoop001:8080/,发现执行本次任务,默认采用三台服务器节点的总核数3核
,每个节点内存1024M
。
8080:master的webUI
4040:application的webUI的端口号
2.4.2 参数说明
1)配置Executor可用内存为2G,使用CPU核数为2个
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop001:7077 \
--executor-memory 2G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.11-2.4.5.jar \
10
2)页面查看http://hadoop001:8080/
3)基本语法
bin/spark-submit \
--class <main-class>
--master <master-url> \
... # other options
<application-jar> \
[application-arguments]
4)参数说明
参数 | 解释 | 可选值举例 |
---|---|---|
–class | Spark程序中包含主函数的类 | |
–master | Spark程序运行的模式 | 本地模式:local[*]、spark://hadoop001:7077、Yarn |
–executor-memory 1G | 指定每个executor可用内存为1G | 符合集群内存配置即可,具体情况具体分析。 |
–total-executor-cores 2 | 指定****所有****executor使用的cpu核数为2个 | |
application-jar | 打包好的应用jar,包含依赖。这个URL在集群中全局可见。 比如hdfs:// 共享存储系统,如果是file:// path,那么所有的节点的path都包含同样的jar | |
application-arguments | 传给main()方法的参数 |
2.4.3 配置历史服务
注意端口区别!
hadoop2.7.x | 8020 | 9870 |
---|---|---|
hadoop3.1.x | 9000 | 50070 |
由于spark-shell停止掉后,hadoop101:4040页面就看不到历史任务的运行情况,所以开发时都配置历史服务器记录任务运行情况。
1)修改spark-default.conf.template名称
mv spark-defaults.conf.template spark-defaults.conf
2)修改spark-default.conf文件,配置日志存储路径,并分发
vi spark-defaults.conf
注意:需要启动Hadoop集群,HDFS上的目录需要提前存在。
hadoop fs -mkdir /directory
3)修改spark-env.sh文件,添加如下配置:
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://hadoop001:9000/directory
-Dspark.history.retainedApplications=30"
# 参数1含义:WEBUI访问的端口号为18080
# 参数2含义:指定历史服务器日志存储路径
# 参数3含义:指定保存Application历史记录的个数,如果超过这个值,旧的应用程序信息将被删除,这个是内存中的应用数,而不是页面上显示的应用数。
4)分发配置文件
scp spark-env.sh root@hadoop002:$PWD
scp spark-env.sh root@hadoop003:$PWD
5)启动历史服务
sbin/start-history-server.sh
6)再次执行任务
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop001:7077 \
--executor-memory 2G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.11-2.4.5.jar \
10
7)查看Spark历史服务地址:hadoop001:18080
2.4.4 配置高可用(HA)
1)高可用原理
2)配置高可用
(0)停止集群
sbin/stop-all.sh
(1)Zookeeper正常安装并启动
https://blog.csdn.net/zmzdmx/article/details/108470867
(2)修改spark-env.sh文件添加如下配置:
注释掉如下内容:
#SPARK_MASTER_HOST=hadoop001
#SPARK_MASTER_PORT=7077
添加上如下内容。配置由Zookeeper管理Master,在Zookeeper节点中自动创建/spark目录,用于管理:
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=hadoop001,hadoop002,hadoop003
-Dspark.deploy.zookeeper.dir=/spark"
添加如下代码
Zookeeper3.5的AdminServer默认端口是8080,和Spark的WebUI冲突
export SPARK_MASTER_WEBUI_PORT=8989
(3)分发配置文件
scp spark-env.sh root@hadoop002:$PWD
scp spark-env.sh root@hadoop003:$PWD
(4)在hadoop001上启动全部节点
sbin/start-all.sh
(5)在hadoop002上单独启动master节点
sbin/start-master.sh
hadoop002作为备胎master,在hadoop001挂掉后开始作为master执行程序
(6)在启动一个hadoop001窗口,将input数据上传到hadoop集群的/input目录
hdfs dfs -put input/ /input
(7)Spark HA集群访问
bin/spark-shell \
--master spark://hadoop001:7077,hadoop002:7077 \
--executor-memory 2g \
--total-executor-cores 2
参数:–master spark://hadoop001:7077,hadoop002:7077指定要连接的集群的master
(8)执行WordCount程序
scala> sc.textFile("hdfs://hadoop001:9000/input/input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res1: Array[(String, Int)] = Array((scala,2), (python,2), (hello,10), (java,2), (world,2), (spark,2))
3)高可用测试
(1)查看hadoop001的master进程
13280 NameNode
15904 Jps
15029 Master
13403 DataNode
14715 QuorumPeerMain
15116 Worker
14237 HistoryServer
(2)Kill掉hadoop001的master进程,页面中观察http://hadoop002:8080/的状态是否切换为active。
(3)再启动hadoop001的master进程
sbin/start-master.sh
2.4.5 运行流程
Spark有standalone-client和standalone-cluster两种模式,主要区别在于:Driver程序的运行节点。
1)客户端模式
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop001:7077,hadoop002:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
--deploy-mode client \
./examples/jars/spark-examples_2.11-2.4.5.jar \
10
–deploy-mode client,表示Driver程序运行在本地客户端
2)集群模式模式
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop001:7077,hadoop002:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
--deploy-mode cluster \
./examples/jars/spark-examples_2.11-2.4.5.jar \
10
–deploy-mode cluster,表示Driver程序运行在集群
(1)查看http://hadoop002:8080/页面,点击Completed Drivers里面的Worker
(2)跳转到Spark Worker页面,点击Finished Drivers中Logs下面的stdout
(3)最终打印结果如下
2.5 Yarn模式(重点)
Spark客户端直接连接Yarn,不需要额外构建Spark集群。
2.5.1 安装使用
0)停止Standalone模式下的spark集群
sbin/stop-all.sh
hadoop002
sbin/stop-master.sh
1)为了防止和Standalone模式冲突,再单独解压一份spark
tar -zxvf spark-2.4.5-bin-hadoop2.6.tgz
2)修改名称为spark-yarn
mv spark-2.4.5-bin-hadoop2.6 spark-yarn
3)修改hadoop配置文件"/opt/hadoop/etc/hadoop/yarn-env.sh",添加如下内容
因为测试环境虚拟机内存较少,防止执行过程进行被意外杀死,做如下配置
<!--是否启动一个线程检查每个任务正使用的物理内存量,如果任务超出分配值,则直接将其杀掉,默认是true -->
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<!--是否启动一个线程检查每个任务正使用的虚拟内存量,如果任务超出分配值,则直接将其杀掉,默认是true -->
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
4)分发配置文件
5)修改"/opt/spark-yarn/conf/spark-env.sh",添加YARN_CONF_DIR配置,保证后续运行任务的路径都变成集群路径
mv spark-env.sh.template spark-env.sh
添加如下内容
YARN_CONF_DIR=/opt/hadoop/etc/hadoop
6)分发spark-yarn
7)启动HDFS以及YARN集群
start-all.sh
8)执行一个程序
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
./examples/jars/spark-examples_2.11-2.4.5.jar \
10
参数:–master yarn,表示Yarn方式运行;–deploy-mod表示客户端方式运行程序
9)如果运行的时候,抛出如下异常
ClassNotFoundException:com.sun.jersey.api.client.config.ClientConfig
-原因分析
Spark2中jersey版本是2.22,但是yarn中还需要依赖1.9,版本不兼容
-解决方式
在yarn-site.xml中,添加
<property>
<name>yarn.timeline-service.enabled</name>
<value>false</value>
</property>
10)查看hadoop002:8088页面,点击History,查看历史页面
2.5.2 配置历史服务
由于是重新解压的Spark压缩文件,所以需要针对Yarn模式,再次配置一下历史服务器。
1)修改spark-default.conf.template名称
mv spark-defaults.conf.template spark-defaults.conf
2)修改spark-default.conf文件,配置日志存储路径,并分发
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop001:9000/directory
3)修改spark-env.sh文件,添加如下配置:
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://hadoop001:9000/directory
-Dspark.history.retainedApplications=30"
# 参数1含义:WEBUI访问的端口号为18080
# 参数2含义:指定历史服务器日志存储路径
# 参数3含义:指定保存Application历史记录的个数,如果超过这个值,旧的应用程序信息将被删除,这个是内存中的应用数,而不是页面上显示的应用数。
4)分发配置文件
2.5.3 配置查看历史日志
为了从Yarn上关联到Spark历史服务器,需要配置关联路径。
1)修改配置文件"/opt/spark-yarn/conf/spark-defaults.conf"
添加如下内容:
spark.yarn.historyServer.address=hadoop001:18080
spark.history.ui.port=18080
2)同步spark-defaults.conf配置文件
3)重启Spark历史服务
sbin/stop-history-server.sh
sbin/start-history-server.sh
4)提交任务到Yarn执行
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
./examples/jars/spark-examples_2.11-2.4.5.jar \
10
5)Web页面查看日志:http://hadoop002:8088/cluster
2.5.4 运行流程
Spark有yarn-client和yarn-cluster两种模式,主要区别在于:Driver程序的运行节点。
yarn-client:Driver程序运行在客户端,适用于交互、调试,希望立即看到app的输出。
yarn-cluster:Driver程序运行在由ResourceManager启动的APPMaster适用于生产环境。
1)客户端模式(默认)
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.11-2.4.5.jar \
10
2)集群模式
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
./examples/jars/spark-examples_2.11-2.4.5.jar \
10
(1)查看http://hadoop002:8088/cluster页面,点击History按钮,跳转到历史详情页面
(2)点击Executors->点击driver中的stdout
*可能碰到的问题:*
如果在 yarn 日志端无法查看到具体的日志, 则在yarn-site.xml中添加如下配置并启动Yarn历史服务器
<property>
<name>yarn.log.server.url</name>
<value>http://hadoop003:19888/jobhistory/logs</value>
</property>
注意:hadoop历史服务器也要启动 mr-jobhistory-daemon.sh start historyserver
2.6 Mesos模式(了解)
Spark客户端直接连接Mesos;不需要额外构建Spark集群。国内应用比较少,更多的是运用Yarn调度。
2.7 几种模式对比
模式 | Spark安装机器数 | 需启动的进程 | 所属者 |
---|---|---|---|
Local | 1 | 无 | Spark |
Standalone | 3 | Master及Worker | Spark |
Yarn | 1 | Yarn及HDFS | Hadoop |
2.8 端口号总结
1)Spark历史服务器端口号:18080 (类比于Hadoop历史服务器端口号:19888)
2)Spark Master Web端口号:8080(类比于Hadoop的NameNode Web端口号:9870(50070))
3)Spark Master内部通信服务端口号:7077 (类比于Hadoop的8020(9000)端口)
4)Spark查看当前Spark-shell运行任务情况端口号:4040
5)Hadoop YARN任务运行情况查看端口号:8088
第3章 WordCount案例实操
Spark Shell仅在测试和验证我们的程序时使用的较多,在生产环境中,通常会在IDE中编制程序,然后打成Jar包,然后提交到集群,最常用的是创建一个Maven项目,利用Maven来管理Jar包的依赖。
3.1 编写程序
1)创建一个Maven项目WordCount
2)输入文件夹准备:在新建的WordCount项目名称上右键=》新建input文件夹=》在input文件夹上右键=》分别新建1.txt和2.txt。每个文件里面准备一些word单词。
3)导入项目依赖
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>2.11.8</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.spark/spark-sql -->
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.11</artifactId>
<version>2.1.1</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.1.1</version>
</dependency>
<dependency>
<groupId>log4j</groupId>
<artifactId>log4j</artifactId>
<version>1.2.17</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-api</artifactId>
<version>1.7.21</version>
</dependency>
4)创建伴生对象WordCount,编写代码
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object WordCount {
def main(args: Array[String]): Unit = {
//1.创建SparkConf并设置App名称
val conf = new SparkConf().setAppName("WC").setMaster("local[*]")
//2.创建SparkContext,该对象是提交Spark App的入口
val sc: SparkContext = SparkContext.getOrCreate(conf)
//3.读取指定位置文件:hello atguigu atguigu
val lineRdd: RDD[String] = sc.textFile("input")
//4.读取的一行一行的数据分解成一个一个的单词(扁平化)
val wordRdd: RDD[String] = lineRdd.flatMap(line => line.split(" "))
//5. 将数据转换结构
val wordToOneRdd: RDD[(String, Int)] = wordRdd.map(word => (word, 1))
//6.将转换结构后的数据进行聚合处理
val wordToSumRdd: RDD[(String, Int)] = wordToOneRdd.reduceByKey((v1, v2) => v1 + v2)
//7.将统计结果采集到控制台打印
val wordToCountArray: Array[(String, Int)] = wordToSumRdd.collect()
wordToCountArray.foreach(println)
//一行搞定
//sc.textFile(args(0)).flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).saveAsTextFile(args(1))
//8.关闭连接
sc.stop()
}
}
5)打包插件
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>
<version>3.0.0</version>
<configuration>
<archive>
<manifest>
<mainClass>c这里写main函数的全类名</mainClass>
</manifest>
</archive>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
6)打包到集群测试
(1)点击package打包,然后,查看打完后的jar包
(2)将wc.jar上传到linux目录
(3)在HDFS上创建,存储输入文件的路径/input
hadoop fs -mkdir /input
(4)上传输入文件到/input路径
hadoop fs -put /input/1.txt /input
(5)执行任务
bin/spark-submit \
--class nj.WordCount \
--master yarn \
wc.jar \
/input \
/output
注意:input和ouput都是HDFS上的集群路径。
(6)查询运行结果
hadoop fs -cat /output/*
注意:如果运行发生压缩类没找到,可以参考如下方案解决
https://blog.csdn.net/dkcgx/article/details/44833425
3.2 本地调试
本地Spark程序调试需要使用Local提交模式,即将本机当做运行环境,Master和Worker都为本机。运行时直接加断点调试即可。如下:
object WordCount {
def main(args: Array[String]): Unit = {
//1.创建SparkConf并设置App名称,设置本地模式运行
val conf = new SparkConf().setAppName("WC").setMaster("local[*]")
//2.创建SparkContext,该对象是提交Spark App的入口
val sc = new SparkContext(conf)
//3.使用sc创建RDD,输入和输出路径都是本地路径
sc.textFile("input").flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).saveAsTextFile("output")
//4.关闭连接
sc.stop()
}
}
3.3 关联源码
1)按住ctrl键,点击RDD
2)提示下载或者绑定源码
3.4 异常处理
如果本机操作系统是Windows,如果在程序中使用了Hadoop相关的东西,比如写入文件到HDFS,则会遇到如下异常:
出现这个问题的原因,并不是程序的错误,而是用到了hadoop相关的服务,解决办法
-
配置HADOOP_HOME环境变量
-
在IDEA中配置Run Configuration,添加HADOOP_HOME变量