一、实验目的
(1)掌握在 Linux 虚拟机中安装 Hadoop 和 Spark 的方法;
(2)熟悉 HDFS 的基本使用方法;
(3)掌握使用 Spark 访问本地文件和 HDFS 文件的方法。
二、实验平台
操作系统:Ubuntu16.04;
Spark 版本:2.1.0;
Hadoop 版本:2.7.1。
三、实验内容和要求
1.安装 Hadoop 和 Spark
进入 Linux 系统,参照本教程官网“实验指南”栏目的“Hadoop 的安装和使用”,完
成 Hadoop 伪分布式模式的安装。完成 Hadoop 的安装以后,再安装 Spark(Local 模式)。
【参考答案】
请参照下面网络教程完成 Hadoop 的安装:
http://dblab.xmu.edu.cn/blog/install-hadoop/ 请参照下面网络教程完成 Spark(Local 模式)的安装:
http://dblab.xmu.edu.cn/blog/1307-2/
2.HDFS 常用操作
使用 hadoop 用户名登录进入 Linux 系统,启动 Hadoop,参照相关 Hadoop 书籍或网络
资料,或者也可以参考本教程官网的“实验指南”栏目的“HDFS 操作常用 Shell 命令”,
使用 Hadoop 提供的 Shell 命令完成如下操作:
(1) 启动 Hadoop,在 HDFS 中创建用户目录“/user/hadoop”;
【参考答案】
使用 hadoop 用户名登录进入 Linux 系统,假设 Hadoop 系统被安装在“/usr/local/hadoop”目
录。使用如下命令启动 Hadoop:
$cd /usr/local/hadoop
$./sbin/start-dfs.sh #启动 HDFS
$./bin/hdfs dfs -mkdir -p /user/hadoop #在 HDFS 中创建用户目录/user/hadoop
(2) 在 Linux 系统的本地文件系统的“/home/hadoop”目录下新建一个文本文件
test.txt,并在该文件中随便输入一些内容,然后上传到 HDFS 的“/user/hadoop”
目录下;
【参考答案】
$cd /home/hadoop
$vim test.txt
#在 test.txt 中随便输入一些内容,并保存退出 vim 编辑器
$cd /usr/local/hadoop
$./bin/hdfs dfs -put /home/hadoop/test.txt /user/hadoop
(3) 把 HDFS 中“/user/hadoop”目录下的 test.txt 文件,下载到 Linux 系统的本地文
件系统中的“/home/hadoop/下载”目录下;
【参考答案】
$ cd /usr/local/hadoop
$./bin/hdfs dfs -get /user/hadoop/test.txt /home/hadoop/下载
(4) 将HDFS中“/user/hadoop”目录下的test.txt文件的内容输出到终端中进行显示;
【参考答案】
$ cd /usr/local/hadoop
$./bin/hdfs dfs -cat /user/hadoop/test.txt
(5) 在 HDFS 中的“/user/hadoop”目录下,创建子目录 input,把 HDFS 中
“/user/hadoop”目录下的 test.txt 文件,复制到“/user/hadoop/input”目录下;
【参考答案】
$ cd /usr/local/hadoop
$./bin/hdfs dfs -mkdir /user/hadoop/input
$./bin/hdfs dfs -cp /user/hadoop/test.txt /user/hadoop/input
(6) 删除HDFS中“/user/hadoop”目录下的test.txt文件,删除HDFS中“/user/hadoop”
目录下的 input 子目录及其子目录下的所有内容。
【参考答案】
$ cd /usr/local/hadoop
$./bin/hdfs dfs -rm /user/hadoop/test.txt
$./bin/hdfs dfs -rm -r /user/hadoop/input
- Spark 读取文件系统的数据
(1)在 spark-shell 中读取 Linux 系统本地文件“/home/hadoop/test.txt”,然后统计出文
件的行数;
【参考答案】假设 Spark 安装在“/usr/local/spark”目录。
$ cd /usr/local/spark
$./bin/spark-shell
scala>val textFile=sc.textFile("file:///home/hadoop/test.txt")
scala>textFile.count()
(2)在 spark-shell 中读取 HDFS 系统文件“/user/hadoop/test.txt”(如果该文件不存在,
请先创建),然后,统计出文件的行数;
【参考答案】
scala>val textFile=sc.textFile("hdfs://localhost:9000/user/hadoop/test.txt")
scala>textFile.count()
(3)编写独立应用程序,读取 HDFS 系统文件“/user/hadoop/test.txt”(如果该文件不存在,
请先创建),然后,统计出文件的行数;通过 sbt 工具将整个应用程序编译打包成 JAR 包,
并将生成的 JAR 包通过 spark-submit 提交到 Spark 中运行命令。
【参考答案】
使用 hadoop 用户名登录 Linux 系统,打开一个终端,在 Linux 终端中,执行如下命令创建
一个文件夹 sparkapp 作为应用程序根目录:
$ 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
需要注意的是,为了能够使用 sbt 对 Scala 应用程序进行编译打包,需要把应用程序代
码存放在应用程序根目录下的“src/main/scala” 目录下。下面使用 vim 编辑器在
“~/sparkapp/src/main/scala”下建立一个名为 SimpleApp.scala 的 Scala 代码文件,命令如下:
$ cd ~
$ vim ./sparkapp/src/main/scala/SimpleApp.scala
然后,在 SimpleApp.scala 代码文件中输入以下代码:
/* 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 = " hdfs://localhost:9000/user/hadoop/test.txt"
val conf = new SparkConf().setAppName("Simple Application")
val sc = new SparkContext(conf)
val logData = sc.textFile(logFile, 2)
val num = logData.count()
printf("The num of this file is %d", num)
}
}
下面使用 sbt 对 Scala 程序进行编译打包。
SimpleApp.scala 程序依赖于 Spark API,因此,需要通过 sbt 进行编译打包以后才能运
行。 首先,需要使用 vim 编辑器在“~/sparkapp”目录下新建文件 simple.sbt,命令如下:
$ cd ~
$ vim ./sparkapp/simple.sbt
simple.sbt 文件用于声明该独立应用程序的信息以及与 Spark 的依赖关系(实际上,只
要扩展名使用.sbt,文件名可以不用 simple,可以自己随意命名,比如 mysimple.sbt)。需要
在 simple.sbt 文件中输入以下内容:
name := "Simple Project"
version := "1.0"
scalaVersion := "2.11.8"
libraryDependencies += "org.apache.spark" %% "spark-core" % "2.1.0"
为了保证 sbt 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 ~/sparkapp
$ find .
文件结构应该是类似如下所示的内容:
.
./src
./src/main
./src/main/scala
./src/main/scala/SimpleApp.scala
./simple.sbt
接下来,可以通过如下代码将整个应用程序打包成 JAR:
$ cd ~/sparkapp #一定把这个目录设置为当前目录
$ /usr/local/sbt/sbt package
对于刚刚安装的 Spark 和 sbt 而言,第一次执行上面命令时,系统会自动从网络上下载
各种相关的依赖包,因此上面执行过程需要消耗几分钟时间,后面如果再次执行 sbt package
命令,速度就会快很多,因为不再需要下载相关文件。执行上述命令后,屏幕上会返回如下
类似信息:
$ /usr/local/sbt/sbt package
OpenJDK 64-Bit Server VM warning: ignoring option MaxPermSize=256M; support was removed
in 8.0
[info] Set current project to Simple Project (in build file:/home/hadoop/sparkapp/)
……
[info] Done packaging.
[success] Total time: 2 s, completed 2017-8-30 23:57:29
生成的 JAR 包的位置为“~/sparkapp/target/scala-2.11/simple-project_2.11-1.0.jar”。
对于前面 sbt 打包得到的应用程序 JAR 包,可以通过 spark-submit 提交到 Spark 中运
行,命令如下:
$ /usr/local/spark/bin/spark-submit --class "SimpleApp"
~/sparkapp/target/scala-2.11/simple-project_2.11-1.0.jar