Spark安装和编程实践（Spark2.4.0）

系列文章目录

Ubuntu常见基本问题
Hadoop3.1.3安装（单机、伪分布）
Hadoop集群搭建
HBase2.2.2安装（单机、伪分布）
Zookeeper集群搭建
HBase集群搭建
Spark安装和编程实践（Spark2.4.0）
Spark集群搭建

文章目录

系列文章目录
前置条件
一、安装 Spark2.4.0
- 1、配置spark-env.sh
- 2、启动
二、使用 Spark Shell 编写代码
- 1、启动Spark Shell
- 2、加载text文件
- 3、简单RDD操作
- 4、退出
三、独立应用程序编程
- 1、使用sbt对Scala独立应用程序进行编译打包
- - ① 安装sbt
  - ② Scala应用程序代码
  - ③ 使用 sbt 打包 Scala 程序
  - ④ 通过 spark-submit 运行程序
- 2、使用Maven对Java独立应用程序进行编译打包
- - ① 安装Maven
  - ② Java应用程序代码
  - ③ 使用 Maven 打包 Java 程序
  - ④ 通过 spark-submit 运行程序
- 3、使用Maven对Scala独立应用程序进行编译打包
- - ① 安装Maven
  - ② Scala应用程序代码
  - ③ 使用 Maven 打包 Scala 程序
  - ④ 通过 spark-submit 运行程序

前置条件

Hadoop伪分布
JDK

一、安装 Spark2.4.0

先把压缩格式的文件spark-2.4.0-bin-without-hadoop.tgz下载到本地电脑，然后保存在“下载”中
解压安装包spark-2.4.0-bin-without-hadoop.tgz至路径 /usr/local，命令如下

sudo tar -zxf ~/下载/spark-2.4.0-bin-without-hadoop.tgz -C /usr/local/
cd /usr/local
sudo mv ./spark-2.4.0-bin-without-hadoop/ ./spark
sudo chown -R hadoop:hadoop ./spark          # 此处的 hadoop 为你的用户名

1、配置spark-env.sh

cd /usr/local/spark
cp ./conf/spark-env.sh.template ./conf/spark-env.sh
vim ./conf/spark-env.sh

在第一行增加

export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)

2、启动

cd /usr/local/spark
bin/run-example SparkPi

成功啦！！！
在这里插入图片描述
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）:

cd /usr/local/spark
bin/run-example SparkPi 2>&1 | grep "Pi is"

成功啦！！！
在这里插入图片描述

二、使用 Spark Shell 编写代码

1、启动Spark Shell

cd /usr/local/spark
bin/spark-shell

成功啦！！！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：
在这里插入图片描述

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。

val textFile = sc.textFile("file:///usr/local/spark/README.md")

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。

3、简单RDD操作

//获取RDD文件textFile的第一行内容
textFile.first()
//获取RDD文件textFile所有项的计数
textFile.count()
//抽取含有“Spark”的行，返回一个新的RDD
val lineWithSpark = textFile.filter(line => line.contains("Spark"))
//统计新的RDD的行数
lineWithSpark.count()

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
textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)

4、退出

:quit

三、独立应用程序编程

1、使用sbt对Scala独立应用程序进行编译打包

① 安装sbt

先把压缩格式的文件sbt-1.3.8.tgz下载到本地电脑，然后保存在“下载”中
解压安装包sbt-1.3.8.tgz至路径 /usr/local，命令如下

sudo mkdir /usr/local/sbt             　　　# 创建安装目录
cd ~/下载
sudo tar -zxvf ./sbt-1.3.8.tgz -C /usr/local
cd /usr/local/sbt
sudo chown -R hadoop /usr/local/sbt  　　 # 此处的hadoop为系统当前用户名
cp ./bin/sbt-launch.jar ./  #把bin目录下的sbt-launch.jar复制到sbt安装目录下

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：

vim /usr/local/sbt/sbt

内容为：

#!/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：

chmod u+x /usr/local/sbt/sbt

使用如下命令查看sbt版本信息

cd /usr/local/sbt
./sbt sbtVersion

成功啦！！！（第一次时间可能有点长）
在这里插入图片描述

② Scala应用程序代码

先创建结构

cd ~           # 进入用户主文件夹
mkdir ./sparkapp        # 创建应用程序根目录
mkdir -p ./sparkapp/src/main/scala     # 创建所需的文件夹结构

在 ./sparkapp/src/main/scala 下建立一个名为 SimpleApp.scala 的文件（vim ./sparkapp/src/main/scala/SimpleApp.scala），添加代码如下：

/* 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，命令如下：

cd ~/sparkapp
vim simple.sbt

增加如下内容：

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 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：

cd ~/sparkapp
find .

如下图所示：
在这里插入图片描述

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）

/usr/local/sbt/sbt package

成功啦！！！
在这里插入图片描述
如果打包很慢，可以进行更换为国内源：Ubuntu常见基本问题

④ 通过 spark-submit 运行程序

/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
/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:"

成功啦！！！
在这里插入图片描述

2、使用Maven对Java独立应用程序进行编译打包

① 安装Maven

先把压缩格式的文件apache-maven-3.6.3-bin.zip下载到本地电脑，然后保存在“下载”中
解压安装包apache-maven-3.6.3-bin.zip至路径 /usr/local，命令如下

sudo unzip ~/下载/apache-maven-3.6.3-bin.zip -d /usr/local
cd /usr/local
sudo mv apache-maven-3.6.3/ ./maven
sudo chown -R hadoop ./maven

② Java应用程序代码

创建结构

cd ~ #进入用户主文件夹
mkdir -p ./sparkapp2/src/main/java

在 ./sparkapp2/src/main/java 下建立一个名为 SimpleApp.java 的文件（vim ./sparkapp2/src/main/java/SimpleApp.java），添加代码如下：

/*** 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);
    }
}

通过Maven进行编译打包。在./sparkapp2目录中新建文件pom.xml，命令如下：

cd ~/sparkapp2
vim pom.xml

在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：

<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>

③ 使用 Maven 打包 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:

cd ~/sparkapp2
find .

如下图所示：
在这里插入图片描述

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):

cd ~/sparkapp2
/usr/local/maven/bin/mvn package

成功啦！！！
在这里插入图片描述
如果打包很慢，可以进行更换为国内源：Ubuntu常见基本问题

④ 通过 spark-submit 运行程序

/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
/usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp2/target/simple-project-1.0.jar 2>&1 | grep "Lines with a"

成功啦！！！
在这里插入图片描述

3、使用Maven对Scala独立应用程序进行编译打包

① 安装Maven

同上

② Scala应用程序代码

创建结构

cd ~           # 进入用户主文件夹
mkdir ./sparkapp3        # 创建应用程序根目录
mkdir -p ./sparkapp3/src/main/scala     # 创建所需的文件夹结构

在 ./sparkapp3/src/main/scala 下建立一个名为 SimpleApp.scala 的文件（vim ./sparkapp3/src/main/scala/SimpleApp.scala），添加代码如下：

/* 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 使用 Maven 打包 Scala 程序

在./sparkapp3目录中新建文件pom.xml，命令如下：

cd ~/sparkapp3
vim pom.xml

修改为：

<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:

cd  ~/sparkapp3
find  .

结果如下：
在这里插入图片描述

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）：

cd  ~/sparkapp3    #一定把这个目录设置为当前目录
/usr/local/maven/bin/mvn  package

④ 通过 spark-submit 运行程序

/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
/usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp3/target/simple-project-1.0.jar 2>&1 | grep "Lines with a:"

文章目录

1、配置spark-env.sh

2、启动

1、启动Spark Shell

2、加载text文件

3、简单RDD操作

4、退出

1、使用sbt对Scala独立应用程序进行编译打包

① 安装sbt

② Scala应用程序代码

③ 使用 sbt 打包 Scala 程序

④ 通过 spark-submit 运行程序

2、使用Maven对Java独立应用程序进行编译打包

① 安装Maven

② Java应用程序代码

③ 使用 Maven 打包 Java 程序

④ 通过 spark-submit 运行程序

3、 使用Maven对Scala独立应用程序进行编译打包

① 安装Maven

② Scala应用程序代码

③ 使用 Maven 打包 Scala 程序

④ 通过 spark-submit 运行程序

3、使用Maven对Scala独立应用程序进行编译打包