欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Spark 单机环境配置

程序员文章站 2022-06-10 07:58:01
"概要" "Spark 单机环境配置" "JDK 环境配置" "Spark 环境配置" "python 环境配置" "Spark 使用示例" "示例代码 (order\_stat.py)" "测试用的 csv 文件内容 (orders.csv)" "运行结果" 概要 大数据和人工智能已经宣传了好多年 ......

概要

大数据和人工智能已经宣传了好多年, hadoop 和 spark 也已经发布了很长时间, 一直想试试, 但是工作也遇不到使用的场景, 就一直拖着. 这次在极客时间上选了蔡元楠老师的《大规模数据处理实战》的课. 其中介绍了很多 spark 的内容, 就此机会, 也在虚拟机中配置了 spark 的单机环境.

一方面, 熟悉熟悉 spark 的用法; 另一方面, 虽然还没有接触到大数据分析的场景, 但是即使是了解了解 spark 中处理大数据的机制, api 的设计, 也可以开拓平时编程的思路.

spark 单机环境配置

我是 debian10 上配置的.

jdk 环境配置

jdk 使用的是 oracle 的标准 jdk1.8 版本, 国内从 oracle 官网上下载 jdk 非常慢, 推荐使用华为的 mirror:

下载后, 我是将其解压到 /usr/local 文件夹

$ wget https://mirrors.huaweicloud.com/java/jdk/8u202-b08/jdk-8u202-linux-x64.tar.gz 
$ sudo tar zxvf jdk-8u202-linux-x64.tar.gz -c /usr/local 

然后配置环境变量, 如果是 bash, 则配置 ~/.bashrc; 如果是 zsh, 则配置 ~/.zshenv

# java
export java_home=/usr/local/jdk1.8
export path=$path:$java_home/bin

配置好之后, 通过如下命令检查是否安装配置成功:

$ java -version
java version "1.8.0_202"
java(tm) se runtime environment (build 1.8.0_202-b08)
java hotspot(tm) 64-bit server vm (build 25.202-b08, mixed mode)

spark 环境配置

spark 安装也非常简单, 从官网上下载最新的 packagea, 我下载的最新版本如下:

$ wget http://mirror.bit.edu.cn/apache/spark/spark-3.0.0-preview2/spark-3.0.0-preview2-bin-hadoop2.7.tgz
$ sudo tar zxvf spark-3.0.0-preview2-bin-hadoop2.7.tgz -c /usr/local

下载后同样, 也解压到 /usr/local 文件夹

spark 也需要配置相应的环境变量: (同配置 jdk 一样, 根据你使用的是 bash 还是 zsh, 配置环境变量到不同的文件中)

# spark
export spark_home=/usr/local/spark
export path=$path:$spark_home/bin

配置完成后, 在命令行输入如下命令看看是否能成功运行:

$ pyspark
python 2.7.16 (default, oct 10 2019, 22:02:15)
[gcc 8.3.0] on linux2
type "help", "copyright", "credits" or "license" for more information.
20/03/02 15:21:23 warn utils: your hostname, debian-wyb resolves to a loopback address: 127.0.1.1; using 10.0.2.15 instead (on interface enp0s3)
20/03/02 15:21:23 warn utils: set spark_local_ip if you need to bind to another address
20/03/02 15:21:23 warn nativecodeloader: unable to load native-hadoop library for your platform... using builtin-java classes where applicable
using spark's default log4j profile: org/apache/spark/log4j-defaults.properties
setting default log level to "warn".
to adjust logging level use sc.setloglevel(newlevel). for sparkr, use setloglevel(newlevel).
/usr/local/spark/python/pyspark/context.py:219: deprecationwarning: support for python 2 and python 3 prior to version 3.6 is deprecated as of spark 3.0. see also the plan for dropping python 2 support at https://spark.apache.org/news/plan-for-dropping-python-2-support.html.
  deprecationwarning)
welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /__ / .__/\_,_/_/ /_/\_\   version 3.0.0-preview2
      /_/

using python version 2.7.16 (default, oct 10 2019 22:02:15)
sparksession available as 'spark'.

这里的 pyspark 使用的 2.x 版本的 python, 后续我们配置了 python 环境之后, 会在 python3 下开发

python 环境配置

debian10 系统中自带了 python2 和 python3 的环境, 为了不影响现有系统的默认环境, 我们安装 virtualenv 来使用 spark

首先, 安装 virtualenv, 并生成一个独立的 python3 环境

$ pip3 install virtualenv
$ virtualenv py3-vm

启动 py3-vm, 并在其中安装 pyspark, 开发 spark 的示例

$ source ./py3-vm/bin/activate
$ pip install pyspark
$ pip install findspark

退出上面的 py3-vm, 使用如下命令:

$ deactive

spark 使用示例

上述环境都配置之后, 下面用一个简单的例子来尝试 spark 的 api 强大之处. 我们构造一个订单统计的例子:

  1. 数据源: csv 格式的订单文件, 每行 3 个信息, 订单号(不重复), 店铺名称, 订单金额
  2. 订单数统计: 按照店铺统计订单数
  3. 订单金额统计: 按照店铺统计订单金额

示例代码 (order_stat.py)

 1  import findspark
 2  
 3  findspark.init()
 4  
 5  if __name__ == "__main__":
 6      from pyspark.sql import sparksession
 7      from pyspark.sql.functions import *
 8  
 9      spark = sparksession\
10          .builder\
11          .appname('order stat')\
12          .getorcreate()
13  
14      lines = spark.read.csv("./orders.csv",
15                             sep=",",
16                             schema="order int, shop string, price double")
17  
18      # 统计各个店铺的订单数
19      ordercounts = lines.groupby('shop').count()
20      ordercounts.show()
21  
22      # 统计各个店铺的订单金额
23      shopprices = lines.groupby('shop').sum('price')
24      shopprices.show()
25  
26      spark.stop()

测试用的 csv 文件内容 (orders.csv)

1,京东,10.0
2,京东,20.0
3,天猫,21.0
4,京东,22.0
5,天猫,11.0
6,京东,22.0
7,天猫,23.0
8,天猫,24.0
9,天猫,40.0
10,天猫,70.0
11,天猫,10.0
12,天猫,20.0

运行结果

$ python order_stat.py
20/03/02 17:40:50 warn utils: your hostname, debian-wyb resolves to a loopback address: 127.0.1.1; using 10.0.2.15 instead (on interface enp0s3)
20/03/02 17:40:50 warn utils: set spark_local_ip if you need to bind to another address
20/03/02 17:40:50 warn nativecodeloader: unable to load native-hadoop library for your platform... using builtin-java classes where applicable
using spark's default log4j profile: org/apache/spark/log4j-defaults.properties
setting default log level to "warn".
to adjust logging level use sc.setloglevel(newlevel). for sparkr, use setloglevel(newlevel).
+----|-----+
|shop|count|
+----|-----+
|京东|    4|
|天猫|    8|
+----|-----+

+----|----------+
|shop|sum(price)|
+----|----------+
|京东|      74.0|
|天猫|     219.0|
+----|----------+