pyspark 国内镜像 pyspark 3.0

转载

AI领域布道师 2023-10-10 09:02:20

文章标签 pyspark 国内镜像 spark hadoop apache 文章分类 Spark 大数据

文章目录

一.Windows安装

1.安装
2.使用

二.Linux安装

一般安装模式

下载
设置环境变量
修改配置
启动
确认启动成功

Local模式

1.安装
2.使用

yarn模式

1.安装
2.使用
3.spark的历史服务器集成yarn

在这之前已经在本地安装了hadoop和hive，

spark官网下载：http://spark.apache.org/downloads.html

一.Windows安装

1.安装

将spark-3.0.0-bin-hadoop3.2.tgz解压到非中文目录

2.使用

bin/spark-shell.cmd : 提供一个交互式shell

val result: String = sc.textFile("input").flatMap(_.split(" ")).map((_, 1)).reduceByKey( _ + _).collect().mkString(",")

可以打开WEB UI：http://localhost:4040/（每一个spark-shell会初始化一个spark-context，是一个job，关闭窗口后，就没有这个页面了）

pyspark 国内镜像 pyspark 3.0_pyspark 国内镜像

测试一下电脑上已经安装的Spark版本是否支持Hive，(spark-3.1.2是支持hive的)

scala> import org.apache.spark.sql.hive.HiveContext
<console>:25: error: object hive is not a member of package org.apache.spark.sql
         import org.apache.spark.sql.hive.HiveContext

看到了吧，会返回错误信息，也就是spark无法识别org.apache.spark.sql.hive.HiveContext，这就说明你当前电脑上的Spark版本不包含Hive支持。

如果你当前电脑上的Spark版本包含Hive支持，那么应该显示下面的正确信息：

scala> import org.apache.spark.sql.hive.HiveContext
import org.apache.spark.sql.hive.HiveContext

bin/spark-submit.cmd: 将程序打包后，提交运行！打包过程参考：idea开发spark程序

1）进入D:\SoftWare\spark\spark-3.0.0-bin-hadoop3.2\bin
2）将jar包上传到bin目录下，和测试的文件
3）在该目录路径输入cmd打开cmd窗口

输入以下命令测试

spark-submit --class com.spark.day01.WcCount 09sparkdemo-1.0-SNAPSHOT.jar 1.txt

pyspark 国内镜像 pyspark 3.0_pyspark 国内镜像_02

pyspark 国内镜像 pyspark 3.0_hadoop_03

二.Linux安装

一般安装模式

下载

#下载,地址失效就从官网下载 http://spark.apache.org/downloads.html
$ wget https://mirror.bit.edu.cn/apache/spark/spark-3.0.0/spark-3.0.0-bin-hadoop3.2.tgz
 
#解压，路径为/Users/zheng/spark/spark-3.0.0
$ tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz
 
#重命名
$ cp spark-3.0.0-bin-hadoop3.2.tgz spark-3.0.0
 
#修改权限，这里不修改权限，最后启动spark的时候会报一些文件找不到
$ chmod -R 755 /spark-3.0.0

设置环境变量

#设置环境变量
$ vim /etc/profile
 
#增加一下配置：
export SPARK_HOME=/Users/zheng/spark/spark-3.0.0
export PATH=$PATH:$SPARK_HOME/bin
 
#保存退出后生效
$ source /etc/profile

修改配置

#进入/spark-3.0.0/conf复制以下几个文件
$ mv spark-defaults.conf.template spark-defaults.conf
$ mv slaves.template slaves
$ mv spark-env.sh.template spark-env.sh
 
#修改spark-defaults.conf启用yarn模式
spark.master     yarn

pyspark 国内镜像 pyspark 3.0_apache_04

启动

#进入/spark-3.0.0/sbin,启动spark,start-all.sh表示启动所有
$ ./start-all.sh

pyspark 国内镜像 pyspark 3.0_pyspark 国内镜像_05

确认启动成功

浏览器访问spark master默认地址：http://localhost:8080/

pyspark 国内镜像 pyspark 3.0_apache_06

Local模式

一般可以使用local模式进行测试，学习

1.安装

将spark-3.0.0-bin-hadoop3.2.tgz文件上传到linux并解压缩，放置在指定位置，改包名为spark-local

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module
cd /opt/module 
mv spark-3.0.0-bin-hadoop3.2 spark-local

2.使用

进入 /opt/module/spark-local目录下

spark-shell：命令行工具

执行以下命令

[hadoop@hadoop103 spark-local]$ bin/spark-shell

[hadoop@hadoop103 spark-local]$ bin/spark-shell 
20/07/29 18:54:55 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).
20/07/29 18:55:06 WARN Utils: Service 'SparkUI' could not bind on port 4040. Attempting port 4041.
Spark context Web UI available at http://hadoop103:4041
Spark context available as 'sc' (master = local[*], app id = local-1596020106480).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 3.0.0
      /_/

Using Scala version 2.12.10 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_212)
Type in expressions to have them evaluated.
Type :help for more information.

scala>

通过WEB UI 界面查看：http://hadoop103:4040/jobs/

pyspark 国内镜像 pyspark 3.0_hadoop_07

执行代码

scala> sc.textFile("/opt/module/spark_testdata/1.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((hello,2), (world,2), (spark,1), (hi,2))

spark-submit ：提交应用

将写好的spark打包上传至linux，然后执行以下命令

[hadoop@hadoop103 spark-local]$bin/spark-submit --class com.spark.day01.WcCount /opt/module/spark_testdata/09sparkdemo-1.0-SNAPSHOT.jar /opt/module/spark_testdata/1.txt

bin/spark-submit \               --提交应用
--class com.spark.day01.WcCount \ --主类名字
/opt/module/spark_testdata/09sparkdemo-1.0-SNAPSHOT.jar \ --应用类所在的jar包
/opt/module/spark_testdata/1.txt --程序的入口参数

yarn模式

前提，环境中已经安装好hadoop

spark只是类似一个客户端（选择任意一台可以连接上YARN的机器安装即可），YARN是服务端！

1.安装

将spark-3.0.0-bin-hadoop3.2.tgz文件上传到linux并解压缩，放置在指定位置，改包名为spark-yarn

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module
cd /opt/module 
mv spark-examples_2.12-3.0.0 spark-yarn

配置

①修改hadoop的/hadoop/etc/hadoop/yarn-site.xml配置文件，然后分发

<!--是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
<property>
     <name>yarn.nodemanager.pmem-check-enabled</name>
     <value>false</value>
</property>

<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
<property>
     <name>yarn.nodemanager.vmem-check-enabled</name>
     <value>false</value>
</property>
<!--允许第三方程序，例如spark将Job的日志，提交给Hadoop的历史服务 -->
<property>
     <name>yarn.log.server.url</name>
     <value>http://hadoop102:19888/jobhistory/logs</value>
</property>

②修改conf/spark-env.sh，添加JAVA_HOME和YARN_CONF_DIR配置

改名： mv spark-env.sh.template spark-env.sh

YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop
#环境变量中有可以不配
export JAVA_HOME=/opt/module/jdk1.8.0_144

2.使用

① 启动HDFS和yarn集群

jps验证下

[hadoop@hadoop103 spark-local]$ myjps 
================  hadoop102 JPS  =====================
1809 NameNode
2434 Jps
1939 DataNode
2281 NodeManager
================  hadoop103 JPS  =====================
2867 NodeManager
2552 DataNode
2744 ResourceManager
3263 Jps
================  hadoop104 JPS  =====================
1587 DataNode
1797 NodeManager
1676 SecondaryNameNode
1951 Jps

web界面验证下：

HDFS：http://hadoop102:9870/ YARN：http://hadoop103:8088/

② 提交应用

官方案例

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

自定义的WordCount程序

bin/spark-submit \
--class com.spark.day01.WcCount \
--master yarn \
--deploy-mode cluster \
/opt/module/spark_testdata/09sparkdemo-1.0-SNAPSHOT.jar \
hdfs://hadoop102:8020/input

注意：

读取的文件最好放在hdfs路径，注意端口号别写错，core-site.xml中配置。

放在本地路径可能出现文件找不到的异常。

3.spark的历史服务器集成yarn

① 修改spark-defaults.conf.template文件名为spark-defaults.conf

spark.eventLog.enabled           true
#HDFS的节点和端口和目录
spark.eventLog.dir               hdfs://hadoop102:8020/spark-logs

#spark的历史服务器，在spark所在节点，端口18080
spark.yarn.historyServer.address=hadoop03:18080
spark.history.ui.port=18080

注意：HDFS上的目录需要提前存在。

② 修改spark-env.sh文件，配置日志存储路径

#spark的历史服务器
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080 
-Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/spark-logs 
-Dspark.history.retainedApplications=30"

③ 启动spark的历史服务器

sbin/start-history-server.sh

④ 提交应用程序

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

⑤ 观察web界面

yarn：http://hadoop103:8088/

pyspark 国内镜像 pyspark 3.0_apache_08