spark环境搭建及简单程序使用

该文章是在hadoop环境搭建好的基础上进行的，主要是针对搭建过程中自己遇到的一些小问题。关于hadoop的搭建详见：http://blog.youkuaiyun.com/svmachine/article/details/51334188

一 环境
hadoop：hadoop2.6.0
spark：spark1.6.1
scala：scala2.11.8
jar：spark-assembly-1.6.1-hadoop2.6.0.jar

二 下载spark与scala并解压

• 直接到官网下载即可。
  spark下载       scala下载

• 解压

 tar -zxvf spark-1.6.1.zip -C /home/wh(spark的路径）
 tar -zxvf scala-2.11.8.tgz -C /home/wh(scala的路径)

• 重命名

mv spak-1.6.1 spark
mv scala-2.11.8 scala

三 配置环境变量

• scala环境

vim /etc/profile

export SCALA_HOME=/home/wh/scala
export PATH=$PATH:$SCALA_HOME/bin

• spark环境

vim /etc/profile

export SPARK_HOME=/home/wh/spark
export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin

• 在spark/conf/spark-env.sh文件中配置hadoop、scala、java、jar

export SCALA_HOME=/home/wh/scala
export JAVA_HOME=/usr/lib/jvm/java-7-openjdk-amd64
export HADOOP_HOME=/home/wh/hadoop
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop
export SPARK_JAR=/home/wh/spark/lib/spark-assembly-1.6.0-hadoop2.6.0.jar

• 添加slave节点

vim spark/conf/slaves

node1
node2

• 将spark、scala拷贝到从节点中

tar -zcf ~/spark.master.tar.gz ./spark
tar -zcf ~/scala.master.tar.gz ./scala
scp ./spark.master.tar.gz node1:/home/wh
scp ./scala.master.tar.gz node1:/home/wh

• 从节点中解压（node1，node2）

tar -zxf ~/spark.master.tar.gz -C /home/wh
tar -zxf ~/scala.master.tar.gz -C /home/wh

四 启动spark，访问UI

• 启动

cd spark
bin/start-master.sh
bin/start-slaves.sh

• UI界面
  http://192.168.16.131:8080出现如下界面：
  

五 运行简单的spark程序（包含从hdfs中读取文件和从本地读取文件）

• 从本地读取文件
  程序：

from pyspark import SparkContext, SparkConf
conf = SparkConf().setAppName(appName).setMaster(master)
sc = SparkContext(conf=conf)
logFile = "file:///home/wh/spark/README.md"  # Should be some file on your system
logData = sc.textFile(logFile).cache()

numAs = logData.filter(lambda s: 'a' in s).count()
numBs = logData.filter(lambda s: 'b' in s).count()

print("Lines with a: %i, lines with b: %i" % (numAs, numBs))

         注：appName是运程程序的名称，便于在UI上查看；master为Spark, Mesos 或 YARN 集群 URL；file:///home/wh/spark/README.md表示的是本地文件，不指定默认为hdfs中读取。

         执行结果如图：

---

• 从hdfs中读取文件并将结果保存至dfs中
  程序：

from pyspark import SparkContext, SparkConf
conf = SparkConf().setAppName("Python Word").setMaster("spark://192.168.16.131:7077")
sc = SparkContext(conf=conf)
text_file = sc.textFile("hdfs:///user/wh/input/file.txt")
counts = text_file.flatMap(lambda line: line.split(" ")) \
             .map(lambda word: (word, 1)) \
             .reduceByKey(lambda a, b: a + b)
counts.saveAsTextFile("hdfs:///user/wh/output")

       注：hdfs的文件可以通过bin/hadoop fs -ls -R查看，hdfs:///user/wh/input/file.txt中的user/wh是指hadoop中在hdfs中创建的用户，file.txt是导入的文件。hdfs的路径一定不能写错，有时候可能会有输出目录存在，此时可以通过bin/hdfs dfs -rm -r output删除即可。

        执行结果如图（使用bin/hdfs dfs -cat output/*查看）：