Spark学习笔记——安装和WordCount
Posted tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Spark学习笔记——安装和WordCount相关的知识，希望对你有一定的参考价值。
1.去清华的镜像站点下载文件spark-2.1.0-bin-without-hadoop.tgz，不要下spark-2.1.0-bin-hadoop2.7.tgz
2.把文件解压到/usr/local目录下，解压之后的效果，Hadoop和Spark都在Hadoop用户下
下面的操作都在Hadoop用户下
drwxrwxrwx 13 hadoop hadoop 4096 4月 4 11:50 spark-2.1.0-bin-without-hadoop/
添加Hadoop用户和用户组
$ sudo addgroup hadoop $ sudo adduser --ingroup hadoop hadoop $ sudo adduser hadoop sudo
然后修改文件夹的用户，用户组以及权限
sudo chown -R hduser:hadoop spark-2.1.0-bin-without-hadoop sudo chmod 777 hadoop/
Hadoop文件夹如果权限不对的话，也需要修改
3.在/etc/profile下添加路径
export SPARK_HOME=/usr/local/spark-2.1.0-bin-without-hadoop
export PATH=${SPARK_HOME}/bin:$PATH
4.还需要修改Spark的配置文件spark-env.sh
cd /usr/local/spark-2.1.0-bin-without-hadoop cp ./conf/spark-env.sh.template ./conf/spark-env.sh
添加如下
export SPARK_DIST_CLASSPATH=$(/home/lintong/software/apache/hadoop-2.9.1/bin/hadoop classpath)
（以上可以参考厦门大学林子雨老师的教程——Spark2.1.0入门：Spark的安装和使用），有些教程坑无数
5.在~/coding/coding/Scala/word-count路径下准备一个文本文件，比如test.segmented文件
6.在该目录下，在终端运行 spark-shell
创建一个RDD
scala> val textFile = sc.textFile("file:///home/common/coding/coding/Scala/word-count/test.segmented")
保存RDD成文件
textFile.saveAsTextFile("file:///home/common/coding/coding/Scala/word-count/writeback")
这时候会发现在文件夹目录下多了writeback目录，目录下是这么几个文件
现在，我们建立hdfs文件夹，来把 test.segmented 文件放进我们的hdfs文件夹中
首先，启动Hadoop的HDFS组件，因为没有用到MapReduce组件，所以没有必要启动MapReducen或者YARN
cd /usr/local/hadoop ./sbin/start-dfs.sh
在HDFS文件系统中，建立文件夹
./bin/hdfs dfs -mkdir -p /user/hadoop
使用命令查看一下HDFS文件系统中的目录和文件
在Hadoop文件夹下运行命令
./bin/hdfs dfs -ls . #或者 ./bin/hdfs dfs -ls /user/hadoop
或者直接
hadoop fs -ls /user/hadoop #或者 hadoop fs -ls .
把刚刚的 test.segmented 文件上传到分布式文件系统HDFS中（放到hadoop用户目录下）
hadoop fs -put /home/common/coding/coding/Java/WordCount/input/test.segmented .
再次查看一下
hadoop@master:~$ hadoop fs -ls /user/hadoop
Found 2 items drwxr-xr-x - hadoop supergroup 0 2017-04-03 16:18 /user/hadoop/QuasiMonteCarlo_1491207499210_758373570 -rw-r--r-- 1 hadoop supergroup 59 2017-04-03 16:43 /user/hadoop/test.segmented
如果需要删除
hadoop fs -rm /user/hadoop/test.segmented
查看一个文件的大小
hadoop fs -du -h /logs/xxxx
现在回到 spark-shell 窗口，编写代码从HDFS文件系统加载 test.segmented 文件
并打印文件中的第一行内容
scala> val textFile = sc.textFile("hdfs://master:9000/user/hadoop/test.segmented")
textFile: org.apache.spark.rdd.RDD[String] = hdfs://master:9000/user/hadoop/test.segmented MapPartitionsRDD[1] at textFile at <console>:24
scala> textFile.first()
res0: String = aa bb aa
如果是单机的话，其中下面两条语句和上面第一条语句是一样的，但是如果是Hadoop伪分布式或者分布式的话，就不行
val textFile = sc.textFile("/user/hadoop/test.segmented")
再次把textFile写回到HDFS文件系统中
textFile.saveAsTextFile("hdfs://master:9000/user/hadoop/writeback")
再次查看
hadoop@master:~$ hadoop fs -ls /user/hadoop Found 3 items drwxr-xr-x - hadoop supergroup 0 2017-04-03 16:18 /user/hadoop/QuasiMonteCarlo_1491207499210_758373570 -rw-r--r-- 1 hadoop supergroup 59 2017-04-03 16:43 /user/hadoop/test.segmented drwxr-xr-x - hadoop supergroup 0 2017-04-03 17:10 /user/hadoop/writeback
如果进入writeback文件夹中查看的话，可以看到里面的文件的内容和test.segmented中的是一样的
hadoop@master:~$ hadoop fs -ls /user/hadoop/writeback Found 3 items -rw-r--r-- 3 hadoop supergroup 0 2017-04-03 17:10 /user/hadoop/writeback/_SUCCESS -rw-r--r-- 3 hadoop supergroup 36 2017-04-03 17:10 /user/hadoop/writeback/part-00000 -rw-r--r-- 3 hadoop supergroup 24 2017-04-03 17:10 /user/hadoop/writeback/part-00001
hadoop@master:~$ hadoop fs -cat /user/hadoop/writeback/part-00000 aa bb aa bb aa aa cc bb ee dd ee cc
hadoop@master:~$ hadoop fs -cat /user/hadoop/writeback/part-00001 aa cc ee ff ff gg hh aa
现在进入WordCount阶段，再次进入 Spark-shell 中
val textFile = sc.textFile("hdfs://master:9000/user/hadoop/test.segmented")
val wordCount = textFile.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey((a, b) => a + b)
wordCount.collect()
输出
res6: Array[(String, Int)] = Array((ee,3), (aa,6), (gg,1), (dd,1), (hh,1), (ff,2), (bb,3), (cc,3))
在spark-shell下面运行成功之后，就需要试着在idea里面建立一个工程来运行这段代码
在idea下面建立一个Scala的工程，构建的方式选择是sbt
由于本机的Scala的版本是2.11.8
所以在project structure里面设置成2.11.8
接着在build.sbt里面写
name := "word-count" version := "1.0" scalaVersion := "2.11.8" libraryDependencies += "org.apache.spark" %% "spark-core" % "2.1.0"
注意里面的scalaVersion如果是2.11.X的话，sbt就会去拉spark-core_2.11-2.1.0的包
可以去公司的私服nexus里面去看看有没有这个包
然后在WordCount.scala文件中写入我们的代码
注意如果是setMaster("local")的话，需要在/etc/hosts中设置127.0.1.1，然后取消192.168.0.1
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
import org.apache.spark.SparkConf
/**
* Created by common on 17-4-3.
*/
object WordCount {
def main(args: Array[String]) {
val inputFile = "file:///home/common/coding/coding/Scala/word-count/test.segmented"
val conf = new SparkConf().setAppName("WordCount").setMaster("local") #创建一个SparkConf对象来配置应用
#集群URL：告诉Spark连接到哪个集群，local是单机单线程，无需连接到集群，应用名：在集群管理器的用户界面方便找到应用
val sc = new SparkContext(conf) #然后基于这SparkConf创建一个SparkContext对象
val textFile = sc.textFile(inputFile) #读取输入的数据
val wordCount = textFile.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey((a, b) => a + b) #切分成单词，转换成键值对并计数
wordCount.foreach(println)
}
}
然后在sbt中refresh，进行拉包，拉包的过程是无比缓慢的
拉好了之后运行的结果
和在 spark-shell中运行的结果是一致的
在林子雨老师的教程中，Spark2.1.0入门：第一个Spark应用程序：WordCount
最后是将整个应用程序打包成JAR，然后通过 spark-submit 提交到 Spark 中运行
做法是在idea的终端中，对代码进行打包
common@master:~/coding/coding/Scala/word-count$ sbt package [info] Loading project definition from /home/common/coding/coding/Scala/word-count/project [info] Set current project to word-count (in build file:/home/common/coding/coding/Scala/word-count/) [info] Compiling 1 Scala source to /home/common/coding/coding/Scala/word-count/target/scala-2.11/classes... [info] Packaging /home/common/coding/coding/Scala/word-count/target/scala-2.11/word-count_2.11-1.0.jar ... [info] Done packaging. [success] Total time: 6 s, completed 2017-4-4 18:02:13
生成的jar包位置在
/home/common/coding/coding/Scala/word-count/target/scala-2.11
最后通过 spark-submit 运行程序，将jar包通过这个命令提交到 Spark 中运行
common@master:~/coding/coding/Scala/word-count$ spark-submit --class "WordCount" /home/common/coding/coding/Scala/word-count/target/scala-2.11/word-count_2.11-1.0.jar
运行结果
在执行spark任务的时候，如果遇到
报如下错误: Exception in thread "main" java.lang.Exception: When running with master \'yarn-client\' either HADOOP_CONF_DIR or YARN_CONF_DIR must be set in the environment
在spark的配置文件 conf/spark-env.sh 中添加
export HADOOP_HOME=/home/lintong/software/apache/hadoop-2.9.1 export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop PATH=$PATH:$HIVE_HOME/bin:$HADOOP_HOME/bin
spark集群安装参考：spark 集群搭建 详细步骤
主要是配置slave文件和spark-env文件
集群内容spark-env文件，其中xxx是spark web ui的端口
export SPARK_DIST_CLASSPATH=$(/usr/bin/hadoop classpath) #export JAVA_HOME=/usr/lib/jvm/java-8-oracle export SCALA_HOME=/home/dl/packages/scala-2.11.8 export SPARK_MASTER_WEBUI_PORT=xxxx export HADOOP_HOME=/opt/cloudera/parcels/CDH-5.12.0-1.cdh5.12.0.p0.29/lib/hadoop export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop export HIVE_HOME=/opt/cloudera/parcels/CDH-5.12.0-1.cdh5.12.0.p0.29/lib/hive PATH=$PATH:$HIVE_HOME/bin:$HADOOP_HOME/bin
以上是关于Spark学习笔记——安装和WordCount的主要内容，如果未能解决你的问题，请参考以下文章
Spark Streaming 第一个程序 WordCount